Paola Schiattarella, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”
paola.schiattarella@unicampania.it
Annafrancesca Smimmo, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”; Teresa Speranza, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”; Piergiacomo Di Gennaro, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”; Giovanni Nicolao, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”; Mario Fordellone, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”; Vittorio Simeon, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”; Simona Signoriello, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”; Massimo Stafoggia, Dipartimento Epidemiologia del S.S.R. – ASL Roma1 Regione Lazio; Andrea Ranzi, Unità Epidemiologia Ambientale, Arpae – Agenzia Prevenzione Ambiente Energia dell’Emilia-Romagna; Laura Bonvicini, Servizio di Epidemiologia – Azienda USL di Reggio Emilia; Serena Broccoli, Settore Prevenzione collettiva e Sanità pubblica, Regione Emilia-Romagna; Nicola Caranci, Settore innovazione nei Servizi sanitari e sociali, Regione Emilia-Romagna; Nicolás Zengarini, S.C. Servizio Sovrazonale di Epidemiologia ASL TO3, Regione Piemonte; Paola Angelini, Settore Prevenzione Collettiva e Sanità Pubblica, Regione Emilia-Romagna; Paolo Giorgi Rossi, Servizio di Epidemiologia, Azienda USL-IRCCS di Reggio Emilia; Paolo Chiodini, Unità di Statistica Medica, Università degli Studi della Campania “Luigi Vanvitelli”;
- Categoria Primaria: Metodi epidemiologici e biostatistici
- Categoria Secondaria: Ambiente e salute
Introduzione In epidemiologia, raccogliere misure longitudinali per soggetto consente di monitorare l’evoluzione dei fattori di rischio nel tempo. L’utilizzo di tali variabili, note come covariate tempo-dipendenti (TD), è rilevante nell’ambito dell’analisi di sopravvivenza e il modello di Cox è efficace nella loro gestione. Tuttavia, nel modello tradizionale alcune variabili di esposizione con variazioni TD complesse sono trattate per semplificazione come fisse nel tempo (TF). Questo approccio può essere limitante, in quanto non considera che esposizioni, come quella agli inquinanti ambientali, possono influenzare diversamente il rischio in momenti distinti. Obiettivi Analizzare la perdita di informazione derivante dalla semplificazione di covariate TD, codificate come variabili TF, nel modello di Cox, attraverso lo sviluppo di scenari di simulazione in cui la relazione tra rischio e covariata è TD. Metodi Nella simulazione, per 1.000 soggetti, sono stati generati tempi all’evento a partire da una covariata TD applicando il Permutational Algorithm (Sylvestre e Abrahamowicz, 2008). Sono stati analizzati diversi scenari, considerando 4, 8 e 16 misurazioni per soggetto. Sono stati generati dati intorno a una media variando i livelli di correlazione tra le misurazioni a 0,3, 0,6 e 0,9. I tempi all’evento e censura sono stati generati a partire da una Weibull con parametri di shape 0,5, 1 e 2. Sono stati analizzati diversi livelli di forza dell’associazione, variando i coefficienti beta per la variabile TD a 0,2, 0,4 e 1. Sono stati confrontati i risultati di modelli di Cox contenenti la variabile TD con quelli che considerano la stessa variabile TF. Per ogni scenario sono state condotte 1.000 simulazioni e sono state valutate la differenza tra i coefficienti (delta), il bias e la potenza. Risultati I risultati evidenziano gli scenari di maggiore discriminazione tra i modelli TD e TF. Il bias (negativo) per il modello TF cresce all’aumentare del numero di misurazioni, al diminuire del livello di correlazione e soprattutto nelle configurazioni con shape 2. Nello scenario che considera il beta reale 0,4, 4 misurazioni con correlazione 0,6 e parametro di shape 1, il bias medio per il beta stimato dal modello TF è -0,12 con una riduzione dell’HR (TD: 1,49; TF: 1,32). Conclusioni Questo studio dimostra che, in presenza di una relazione dipendente dal tempo, l’utilizzo di covariate limitate a valori fissi può compromettere la capacità del modello di cogliere l’associazione tra esposizione e rischio. In epidemiologia ambientale trascurare la dimensione temporale dei fattori di rischio può ostacolarne un’identificazione accurata e compromettere lo sviluppo di interventi più efficaci per la riduzione dell’inquinamento e la tutela la salute pubblica. Acknowledgments Progetto realizzato con il supporto tecnico e finanziato dal Ministero della Salute – PNC PREV-A-2022-12376981 Aria outdoor e salute: un atlante integrato a supporto delle decisioni e della ricerca.