Modelos Bayesianos hierárquicos espaciais para mapeamento de doenças - metodologia INLA - com aplicações em casos de Dengue e Chikungunya

Abstract

Modelos hierárquicos Bayesianos espaciais vem sendo amplamente utilizados para o mapeamento de doenças e, neste trabalho, objetivou-se analisar diferentes estruturas para o parâmetro espacial que compõe o modelo, como a recente reparametrização do clássico CAR, proposta por Simpson et al. (2015), a qual apresenta maior facilidade em definir e interpretar as distribuições a priori escolhidas. Além disso, analisou-se duas diferentes metodologias, o método de simulação, Monte Carlo via cadeia de Markov - MCMC e a Integrated Nested Laplace Approximations - INLA, determinístico e bastante flexível, que utiliza aproximação de Laplace aninhada simplificada para calcular diretamente aproximações muito precisas para as distribuições marginais posteriores. Foram realizados estudos tanto em conjuntos de dados simulados, quanto em duas aplicações em epidemiologia: dados de ocorrências de Dengue e de ocorrências de Chikungunya, no Estado de São Paulo. Comparou-se também o desempenho de ambas as metodologias para dois cenários distintos, um de completa independência espacial e um de dependência espacial, as quais apresentaram resultados semelhantes. As conclusões são inovadoras e indicam que o INLA é tão bom quanto o MCMC para o ajuste de tais modelos e nas aplicações epidemiológicas notou-se que a Dengue e a Chikungunya, apesar de apresentarem o Aedes aegypti como vetor transmissor comum, possuem padrões espaciais diferentes, o que indica a possibilidade de um outro vetor, o Aedes albopictus ter maior influência na incidência de Chikungunya, por exemplo. Tais análises permitem que novas hipóteses sejam exploradas visto que não se tem conhecimento de trabalhos realizados neste contexto e em conjuntos de dados semelhantes aos aqui utilizados.

Currently, Bayesian spatial hierarchical models have been widely used for diseases mapping, and this work aimed to analyze several structures for the spatially structured parameter, such as the recent reparameterization of the classic CAR, proposed by Simpson et al. (2015), which is easier to define and to interpret the priori distributions chosen. Two different methodologies were also analyzed, the widely used simulation method, Monte Carlo via Markov chain - MCMC and the Integrated Nested Laplace Approximations - INLA, deterministic and very flexible, which uses a simplified nested Laplace approximation to calculate very precise approximations for the posterior marginal distributions. Studies were carried out in simulated data sets and in two epidemiology applications: Dengue and Chikungunya occurrences data, in the State of São Paulo. The conclusions are innovative, since there is no knowledge of work done in this context and in similar data sets that were used here. We also compared the performance of both methodologies for two different scenarios, one of complete spatial independence and one of spatial dependence, which presented similar results.