RESUMEN

Las encuestas de salud son una herramienta clave para la toma de decisiones en políticas de salud y para la planificación de los servicios de salud. El uso de métodos estadísticos para áreas pequeñas que utilizan información de diferentes ámbitos geográficos puede resultar útil para estimar indicadores de salud a una escala geográfica menor que la originalmente considerada en el diseño de una encuesta.

Palabras clave:
Análisis de áreas pequeñas; Encuesta de salud; Estadística especial

ABSTRACT

Health surveys are a key tool for decision-making in health policies and health services planning. The use of small-area statistical methods that use information at different geographic levels may be useful for estimating health indicators at a lower geographical level than originally considered in the survey design.

Keywords:
Small area analysis; Health survey; Spatial statistics

Introducción

La toma de decisiones en políticas de salud y en la planificación de los servicios de salud precisa información a distintas escalas de agregación geográfica. Los usos y las aplicaciones de los resultados de las encuestas de salud aumentan de forma considerable si los principales indicadores son descritos para áreas pequeñas.

La Encuesta de Salud de Euskadi (ESCAV) tiene un diseño muestral que permite obtener estimaciones válidas de determinados indicadores de salud (error muestral inferior al 5%) para cada una de las 12 organizaciones sanitarias integradas (OSI). La planificación de la salud y la gestión de los servicios de atención primaria precisan información más detallada para cada una de las 122 zonas de salud de Euskadi. El objetivo de este trabajo es hacer una propuesta de modelo espacial jerárquico bayesiano para obtener estimaciones de los principales indicadores de la ESCAV en un ámbito geográfico menor, como es la zona básica de salud.

Existen otras propuestas metodológicas¹1. Chen C, Wakefield J, Lumely T. The use of sampling weights in Bayesian hierarchical models for small area estimation. Spatial and Spatio-Temporal Epidemiology. 2014;11:33-43.

2. Mercer L, Wakefiled J, Chen C, et al. A comparison of spatial smoothing methods for small area estimation with sampling weigths. Spatial Statistics. 2016;8:69-85.^-33. Vandendijck Y, Faes C, Kirby RS, et al. Model-based inference for small area estimation with sampling weights. Spatial Statistics. 2016;18:455-73., pero resultan más complejas de implementar que la que se propone en este trabajo.

Método

La ESCAV es una encuesta transversal sobre la salud y sus determinantes en la población no institucionalizada residente en Euskadi. Se usaron los datos de la ESCAV de 2013. Para obtener la muestra se seleccionaron 5300 viviendas por muestreo aleatorio estratificado de las viviendas ocupadas. El diseño muestral se condicionó a que hubiera al menos 10 viviendas en cada una de las 122 zonas básicas de salud. La Tabla 1 muestra el número de personas encuestadas en cada una de las OSI, por sexo. Se obtuvo información de 6800 mujeres y 6195 hombres. En cuanto a las 122 zonas básicas de salud, la mediana del número de personas encuestadas fue de 48 hombres y 51 mujeres, con un mínimo de 9 y un máximo de 223. El tamaño de la muestra disponible por zonas básicas no permite obtener estimaciones fiables mediante formas de cálculo convencionales. Puede consultarse más información acerca de la metodología utilizada en la ESCAV en otro documento ya publicado⁴4. Departamento de Salud del Gobierno Vasco. Metodología de la encuesta de salud ESCAV 2013. Departamento de Salud del Gobierno Vasco. (Consultado el 8/2/2018.) Disponible en: http://www.euskadi.eus/contenidos/informacion/enc_salud_2013_metodologia/es_def/adjuntos/Metodologia ESCAV_2013.pdf
http://www.euskadi.eus/contenidos/inform... .

En la Tabla 2 se muestran los indicadores seleccionados para su estimación en cada zona básica de salud. Todos los análisis se realizaron por separado para hombres y mujeres, y para cada uno de los indicadores.

Se utilizó un modelo en dos fases:

Los modelos jerárquicos bayesianos propuestos tienen la ventaja de evitar los problemas de inestabilidad que surgen en la estimación para zonas donde la muestra es muy pequeña. En concreto, el modelo usado para la estimación del indicador correspondiente en cada una de las zonas básicas de salud fue un modelo generalizado jerárquico a tres niveles: el individuo, la zona básica de salud y la OSI.

Este modelo se basa en la idea de que se dispone de información relevante en los tres niveles. En cuanto al individuo, tenemos la variable principal de estudio, el sexo, la edad y su localización; de la zona básica conocemos cuáles son sus áreas vecinas y a qué OSI pertenece; y por último, en la OSI tenemos una muestra suficiente para tener un estimador válido de la variable de interés.

A continuación se especifica el modelo en el caso de que el indicador de estudio sea la prevalencia de una variable. En primer lugar, para el individuo el modelo asume que la variable de estudio para una persona i perteneciente a la zona básica de salud Z y a la OSIosigue una distribución de Bernoulli con probabilidad Pizo. Esto es:

Variable_izo~~Bernoulli[P_izo] y

donde i=1, ..., n representa a los individuos incluidos en la muestra; z=1, ..., 122 representa cada zona básica de salud; y 0=1, ..., 12 representa cada OSI. La probabilidad individual está ajustada también por la edad mediante una variable categórica con las siguientes categorías: menores de 25 años, de 25 a 44, de 45 a 64, de 65 a 74 y mayor o igual a 75 años.

Para las zonas básicas de salud, el efecto de cada zona se descompone a su vez en tres componentes, de manera similar al modelo desarrollado por Besag, York y Mollie⁵5. Besag J, York J, Mollie A. Bayesian image restoration, with two applications in spatial statistics. Annals of the Institute of Statistical Mathematics. 1991;43:1-59.: un efecto común para todas las zonas correspondientes a una misma OSI αo, un efecto espacial Sz que recoge la correlación espacial entre zonas vecinas, y por último un efecto aleatorioHzconocido como efecto heterogéneo. Es decir:

En las OSI se encuentra el intercepto general a y se introduce la prevalencia estimada mediante el método convencional para cada una de las 12 OSI. Dicha prevalencia lleva asociada una variabilidad (un error estándar) y entra en el modelo de WinBUGS (véase el Apéndiceon-line) como variable aleatoria:

Finalmente, para estimar el parámetro de interés, la prevalencia en la zona básica de salud, se usó la siguiente ecuación:

Para estimar los parámetros del modelo se usaron métodos bayesianos. Se asignó una distribución uniforme U(0,5) a las desviaciones estándar de ambos efectos aleatorios, siguiendo las indicaciones de Gelman⁶6. Gelman A. Prior distributions for variance parameters in hierarchical models. Bayesian Analysis. 2016;1:1-19.. La estimación y el intervalo de credibilidad de la prevalencia en la zona básica de salud se obtuvieron mediante la distribución posterior proporcionada por el modelo. Se utilizaron los mismos criterios que en el atlas de mortalidad en áreas pequeñas de la CAPV⁷7. Esnaola S, Montoya I, Calvo M, et al. Atlas de mortalidad en áreas pequeñas de la CAPV (1996-2003). Vitoria-Gasteiz: Departamento de Sanidad y Consumo; 2010. p. 165.⁾ para valorar la convergencia de los modelos.

Resultados

Para una interpretación correcta de los resultados es necesario tener en cuenta los métodos estadísticos utilizados en el cálculo de los indicadores. Los indicadores están ajustados por edad, lo que permite comparar áreas de poblaciones con distinta estructura de edad. Además, el valor calculado para cada zona básica de salud es una combinación de tres elementos: uno que representa al conjunto de la OSI al que pertenece la zona, otro propio de cada zona y el tercero correspondiente a la correlación espacial de la zona con las vecinas. En esta combinación, el peso relativo de cada uno de los elementos depende de la cantidad de información disponible, que a su vez es función del tamaño muestral y de la variabilidad del indicador.

La Figura 1 muestra a modo de ejemplo los resultados obtenidos para la prevalencia de hombres sedentarios, que tiene una gran variabilidad entre las zonas básicas de salud. Así, en Vitoria-Gasteiz hay zonas con una mayor prevalencia que no se habrían identificado analizando únicamente las OSI.

En la Figura 2 se muestran los resultados obtenidos para la prevalencia de bronquitis en las mujeres. En este caso no se ven apenas diferencias en la estimación por zonas básicas de salud de una misma OSI. Esto se debe a la poca variabilidad que existe en el propio indicador. Esta estimación podrá mejorarse incluyendo otras variables explicativas, como el consumo de tabaco. Los resultados para el resto de los indicadores analizados se pueden ver en el atlas de la encuesta de salud de la CAPV 2013 por áreas pequeñas⁸8. Esnaola S, Montoya I, de Diego M, et al. Atlas de la Encuesta de Salud de la CAPV 2013 por áreas pequeñas. Vitoria-Gasteiz: Departamento de Salud, Servicio de Estudios e Investigación Sanitaria; 2015 (Consultado el 16/1/2018.) Disponible en: http://www.euskadi.eus/contenidos/informacion/enc_salud_2013_publicaciones/es_def/adjuntos/AtlasEremuTxiki.pdf
http://www.euskadi.eus/contenidos/inform... .

Discusión

El uso en la encuesta de salud de métodos estadísticos de áreas pequeñas que utilizan información a diferentes niveles se ha mostrado útil para obtener estimaciones a una escala geográfica más pequeña que la originalmente considerada.

Una limitación de este trabajo es un posible sesgo debido a que la muestra puede resultar no representativa en algunas de las áreas con menor número de personas encuestadas. Como línea de mejora en el futuro podría considerarse un único modelo para hombres y mujeres añadiendo el sexo como covariable con sus diferentes interacciones. De esta manera se dispondría de más información en las zonas básicas de salud, en caso de que no haya grandes diferencias por sexo. También sería necesario evaluar el modelo propuesto mediante un estudio de simulación que permita determinar su validez para la estimación de indicadores en las zonas básicas de salud en distintos escenarios, y compararla con la de otras propuestas de la literatura con el mismo fin¹1. Chen C, Wakefield J, Lumely T. The use of sampling weights in Bayesian hierarchical models for small area estimation. Spatial and Spatio-Temporal Epidemiology. 2014;11:33-43.

2. Mercer L, Wakefiled J, Chen C, et al. A comparison of spatial smoothing methods for small area estimation with sampling weigths. Spatial Statistics. 2016;8:69-85.^-33. Vandendijck Y, Faes C, Kirby RS, et al. Model-based inference for small area estimation with sampling weights. Spatial Statistics. 2016;18:455-73..

Sin embargo, se ha podido observar que, cuando hay variabilidad suficiente en el indicador analizado, estos métodos permiten encontrar diferencias entre las zonas de una misma OSI que hubieran quedado ocultas. Esto permitirá mejorar las decisiones en políticas en salud y en la planificación y la gestión de los servicios de salud.

Anexo A   Material suplementario

Se puede consultar material adicional a este artículo en su versión electrónica disponible en doi:10.1016/j.gaceta.2018.04.016.

Bibliografía

Fechas de Publicación

Histórico