Autore: Erika Banzato, Università degli Studi di Padova
erika.banzato@unipd.it
Giovanna Boccuzzo, Università degli Studi di Padova; Alberto Roverato, , Università degli Studi di Padova
Categoria Primaria: Metodi epidemiologici e biostatistici
Categoria Secondaria: Epidemiologia clinica
Introduzione La multimorbosità, definita come la coesistenza di due o più malattie croniche in un individuo, richiede un’approfondita indagine sulle associazioni delle malattie per comprendere il fenomeno sottostante. Nella letteratura, i metodi più comuni utilizzati per analizzare i pattern di multimorbosità sono rappresentati dall’analisi fattoriale, di cluster e delle corrispondenze multiple. Tuttavia, anche se non comunemente utilizzati, i modelli grafici rappresentano un importante strumento per studiare e identificare i pattern di multimorbosità. Le connessioni tra le patologie possono infatti essere rappresentate tramite un grafo, dove i nodi denotano le malattie e gli archi le relazioni. La cosa interessante è che gli archi rappresentano associazioni condizionate, quindi al netto dell’effetto di tutte le altre nella rete.
Obiettivi L’obiettivo di questo studio è introdurre una nuova prospettiva sull’analisi dei pattern di multimorbosità, enfatizzando l’impatto che i modelli grafici possono avere nella stima delle reti di associazione. Particolare attenzione è data anche all’identificazione delle differenze che intercorrono tra popolazioni diverse.
Metodi Per l’analisi si è studiato un dataset anonimizzato fornito dall’ULSS 6 di Padova che fa riferimento ad una popolazione di più di 215000 individui di età superiore o uguale a 65 anni. Il focus dell’analisi è sullo studio di associazione di 11 variabili che descrivono la prevalenza di macro-gruppi di patologie, misurate negli anni 2016-2017. I coefficienti di associazione della rete sono stati stimati tramite un modello log-lineare che considera solo le interazioni di primo ordine identificate in una fase precedente di stima della struttura della rete. Sulla base del modello è poi possibile identificare cluster di variabili altamente interconnesse. È stata anche svolta un’analisi stratificata per sesso per individuarne differenze in termini di struttura e di forza di associazione. Infine, sono state studiate anche le associazioni ad esiti avversi avvenuti l’anno successivo (2018): morte, frattura dell’anca, insorgenza di demenza e di disabilità.
Risultati I risultati mostrano come, sebbene la rete sia molto densa, ci siano delle patologie che sono chiaramente più connesse rispetto ad altre. Risultati molto interessanti emergono anche dall’analisi stratificata per sesso. Infatti, le due popolazioni mostrano sia differenze nei pattern strutturali (come connessioni presenti in un gruppo ma non nell’altro), che nella forza di queste associazioni. Infine, per quanto riguarda gli esiti avversi, si nota come ciascuno di questi abbia un pattern distintivo di associazione con le malattie.
Conclusioni L’uso dei modelli grafici permette di studiare la presenza di associazioni tra le variabili, misurandone la forza e consentendone anche l’inferenza. Inoltre, confronti tra sottopopolazioni forniscono preziose informazioni che possono avere importanti risvolti clinici.