Lorenzo Milani, Dipartimento di Scienze Cliniche e Biologiche, Università degli Studi di Torino, Orbassano (TO), Italia
lorenzo.milani@unito.it
Alberto Catalano, Dipartimento di Scienze Cliniche e Biologiche Università degli Studi di Torino Orbassano (TO) Italia, Dipartimento di Medicina Traslazionale Università del Piemonte Orientale Novara Italia; Lisa Padroni, Dipartimento di Scienze Cliniche e Biologiche Università degli Studi di Torino Orbassano (TO) Italia; Giovanna Masala, S.C. Epidemiologia Clinica e di Supporto al Governo Clinico Istituto per lo Studio la Prevenzione e la Rete Oncologica (ISPRO) via Cosimo il Vecchio 2 50139 Firenze, S.C. Epidemiologia dei Fattori di Rischio e degli Stili di Vita Istituto per lo Studio la Prevenzione e la Rete Oncologica (ISPRO) via Cosimo il Vecchio 2 50139 Firenze; Saverio Caini, S.C. Epidemiologia dei Fattori di Rischio e degli Stili di Vita Istituto per lo Studio la Prevenzione e la Rete Oncologica (ISPRO) via Cosimo il Vecchio 2 50139 Firenze; Paolo Chiodini, Unità di Statistica Medica Università di Napoli “L. Vanvitelli”; Salvatore Panico, Università Di Napoli “Federico II”; Rosario Tumino, Hyblean Association for Epidemiological Research Associazione Iblea per la Ricerca Epidemiologica (AIRE-ONLUS) 97100 Ragusa Italy; Valeria Pala, Epidemiology and Prevention Unit Fondazione IRCCS Istituto Nazionale dei Tumori di Milano Milan Italy; Valerio Vitale, Epidemiology and Prevention Unit Fondazione IRCCS Istituto Nazionale dei Tumori di Milano Milan Italy; Carlotta Sacerdote, Dipartimento di Medicina Traslazionale Università del Piemonte Orientale Novara Italia; Fulvio Ricceri, Dipartimento di Scienze Cliniche e Biologiche Università degli Studi di Torino Orbassano (TO) Italia;
- Categoria Primaria: Epidemiologia sociale
- Categoria Secondaria: Malattie cronico-degenerative e tumori
Introduzione Il termine sindemia identifica la presenza di cluster di patologie e fattori di rischio che interagiscono tra di loro, amplificando l’impatto di una eventuale malattia sull’individuo rispetto ai singoli fattori presi singolarmente. Le sindemie studiate mostrano come la posizione socioeconomica sia una variabile spesso collegata in maniera sindemica con altre patologie influenzando lo stato di salute e il benessere. Obiettivo L’obiettivo di questo lavoro è indagare l’eventuale esistenza di cluster sindemici che includono posizione socioeconomica e tre patologie (diabete, tumore, patologia cardiovascolare) all’interno della coorte EPIC Europa. Metodi La popolazione presa in considerazione è la coorte EPIC (European Prospective Investigation into Cancer and Nutrition), uno studio di coorte con circa 520mila soggetti. Di questi soggetti è stato preso un sottogruppo contenente tutti coloro che hanno sviluppato nel corso del tempo almeno una delle tre patologie (diabete, tumore, malattia cardiovascolare) ed è stata valutata la potenziale esistenza di cluster sindemici che includessero queste patologie e la posizione socioeconomica utilizzando la Latent Class Analysis (LCA). Questo modello statistico permette di raggruppare le osservazioni sulla base di caratteristiche latenti comuni, rendendo possibile l’individuazione di eventuali cluster di fattori di rischio. Il modello LCA è stato aggiustato per centro ed età al reclutamento, le analisi sono state condotte stratificando per sesso. Risultati Il campione utilizzato comprende 42299 soggetti, dei quali 20019 di sesso maschile e 22280 di sesso femminile. Nella prima analisi effettuata si è applicato il modello all’intero campione, considerando quindi tutti i soggetti con almeno una delle tre patologie. In questo caso è stata individuata una variabile latente con tre classi, ognuna delle quali caratterizzata da individui con una posizione socioeconomica eterogenea e la presenza di una delle tre patologie. Nella seconda, invece, si è ristretto il focus sui soggetti che hanno sviluppato almeno due delle tre patologie: il modello ha portato all’identificazione di una variabile latente con tre categorie, anche in questo caso caratterizzate da soggetti con una posizione socioeconomica eterogenea e dalla presenza di due delle tre patologie considerate. In entrambi i casi il modello classifica quasi perfettamente i soggetti, portando quindi a possibili problemi di overfitting. Conclusioni L’identificazione di cluster sindemici è importante per migliorare l’assistenza alle persone, consentendo interventi mirati che tengano conto delle interazioni tra malattie e fattori sociali. La Latent Class Analysis potrebbe non essere in alcuni casi lo strumento più adatto per l’identificazione di questi cluster, ma è opportuno continuare la ricerca in questo campo.