mortalidad materna brasil validacion_gakidou_120310_ihme
Upload: institute-for-health-metrics-and-evaluation-university-of-washington
Post on 11-Jun-2015
430 views
TRANSCRIPT
Validando los cálculos de mortalidad materna
2-3 Diciembre 2010
São Paulo, Brasil
Guión
• Validez predictiva
• Incertidumbre
• Comparaciones de las estimaciones de IHME y el nuevo modelo de la OMS
2
Validación de nuestro modelo
• Dada la variedad de opciones de la estrategia es esencial evaluar objetivamente los resultados del modelo
• Queremos respuestas empíricas a preguntas como:
o ¿Son correctas las covariables seleccionadas para incluir en la primera fase?
o ¿ Son correctas las transformaciones de las covariables?
o ¿ Está la regresión espacio-temporal mejorando el ajuste del modelo?
Validación
• Para validar nuestro modelo, necesitamos algo contra lo cual comparar los resultados
• Idealmente, tendríamos que saber la “verdad” para poder comparar el modelo, pero solamente tenemos datos observados como puntos de base , no el verdadero y fundamental riesgo de muerte materna.
• En cambio, podríamos “retener” parte de los datos observados y luego verificar que tan bien nuestro modelo puede predecir usando los datos restantes
4
¿Qué nos interesa?
• Nos interesa que nuestro modelo pueda:
o Predecir los valores ausentes en el tiempo
─ Años-país que faltan en medio de una serie de tiempo
o Predecir los puntos faltantes de la serie de tiempo (eje. Proyecciones al futuro o al pasado)
─ Para países donde solo tenemos datos parciales
o Predicciones para países sin datos
5
Validez predictiva
• Se pueden construir cuatro clases de pruebas de validez predictiva para validar el modelo
• La idea básica consiste en experimentar con 20% de la base de datos, dependiendo el tipo de prueba que se quiera realizar
─ retirar 20% de las observaciones al azar
─ retirar 20% de los países al azar
─ retirar 20% de los primeros años de todos los países
─ retirar 20% de los últimos años de todos los países
6
Validez predictiva: como funciona
• Se pueden construir cuatro clases de pruebas de validez predictiva para validar el modelo
• La idea básica:
1. Se retira 20% de la base de datos, dependiendo de que clase de prueba usted quiera realizar
2. Estimar el modelo en el restante 80% de la base de datos
3. Usando el modelo en el paso (2), predecir el 20%, que se había retirado
4. Calcular las métricas para determinar que tan bien ajusta el modelo los datos observados en el 20% retenido
7
Validez predictiva
• Repetimos los pasos 1-3, 30 veces para probar que los resultados no se deben a un efecto aleatorio en los países y años faltantes
1. Se retira 20% de la base de datos, dependiendo de que clase de prueba usted quiera realizar
2. Estimar el modelo en el restante 80% de la base de datos
3. Usando el modelo en el paso (2), predecir el 20%, que se había retirado
4. Calcular las métricas para determinar que tan bien ajusta el modelo los datos observados en el 20% retenido
8
Resultados de la validez predictiva: comparando los modelos lineales y Espacio-temporal
20% de PaísesRegresión Root Mean SE* Root Median SE Mean RE** Median RE
Lineal 214.84 27.00 0.604 0.417Espacio-temporal 189.27 25.34 0.521 0.357
Primer 20% de País-AñoRegresión Root Mean SE Root Median SE Mean RE Median RE
Lineal 208.28 22.04 0.702 0.437Espacio-temporal 129.32 11.92 0.392 0.199
Ultimo 20% de País-AñoRegresión Root Mean SE Root Median SE Mean RE Median RE
Lineal 158.86 13.23 0.538 0.421Espacio-temporal 104.08 7.46 0.284 0.213
Aleatorio 20% de País-AñoRegresión Root Mean SE Root Median SE Mean RE Median RE
Lineal 215.44 24.22 0.619 0.419Espacio-temporal 125.34 10.36 0.286 0.165
* SE = Squared Error** RE = Relative Error
Guión
• Validez predictiva
• Incertidumbre
• Comparaciones de las estimaciones de IHME y el nuevo modelo de la OMS
10
Incertidumbre• El calculo de la incertidumbre es el “salvavidas” de cualquier
investigador
• Mientras los intervalos de incertidumbre son algunas veces ignorados por los que crean las políticas, estos son cruciales a la hora de interpretar resultados
• Identificar e incorporar todas los tipos de incertidumbre en los intervalos de incertidumbre, de una manera empírica, es crucial
11
050
100
150
200
MMR
1980 1990 2000 2010Year
¿Cual es el objetivo de las medidas de incertidumbre?
12
Esta línea representa la verdadera riesgo de las muertes maternas en un país determinado: llamado también “valor esperado”
050
100
150
200
MMR
1980 1990 2000 2010Year
¿Cual es el objetivo de las medidas de incertidumbre?
13
Pero nosotros no observamos el valor esperado; nosotros observamos puntos particulares en la base de datos
050
100
150
200
MMR
1980 1990 2000 2010Year
¿Cual es el objetivo de las medidas de incertidumbre?
14
Buscamos que en nuestra incertidumbre, esté contenido el valor esperado en 95% de las muestras
¿Cuales son las fuentes de incertidumbre?• Incertidumbre debida al muestreo
• Incertidumbre fuera del muestreo
• Incertidumbre de los parámetros
o Del modelo lineal
o De la regresión espacio-temporal
• Variaciones sistemáticas remanentes
15
Incertidumbre: fuente 1
• Experimentando incertidumbre
• Cualquier fuente de datos tiene cierto grado de error estocástico asociada al muestreo, el cual debe estar reflejado en cualquier cálculo de incertidumbre
• Se calcula esta incertidumbre elaborando una distribución binominal con la causa materna observada como p y el numero de ensayos (n) como el total numero de muertes observadas
• Se simulan100 grupos de datos usando estas distribuciones y se propaga la incertidumbre, a través del procesos de modelación
16
Simulando incertidumbre
17
050
100
150
200
MMR
1980 1990 2000 2010Year
Incertidumbre: fuentes 2 y 3
• Parámetro de incertidumbre
• La aplicación de un modelo estadístico produce incertidumbre en los parámetros estimados por el modelo
o No solo se obtiene un estimador de β: se obtiene una medida de incertidumbre β ±
o Aquí se tienen dos escenarios de parámetros de incertidumbre
─ Del modelo lineal
─ De la regresión espacio-temporal
18
Simulando para el parámetro de incertidumbre• Para cada uno de los 100 grupos de datos generados:
o Estimar el modelo lineal
o Hacer cinco corridas de la matriz varianza-covarianza de la regresión βs
o Estimar el modelo espacio-temporal para cada uno de los intentos del modelo lineal
o Hacer cinco corridas de la matriz varianza-covarianza de cada una de las regresiones locales
19
Parámetro de Incertidumbre: un ejemplo sencillo
20
050
100
150
200
MMR
1980 1990 2000 2010Year
Este es un modelo potencial
Este es otro modelo potencial
El Parámetro de incertidumbre toma en consideración los diferentes modelos que podrían potencialmente encajar en la base de datos
Incertidumbre: fuente 4
• La cuarta fuente que queremos capturar es la variación sistemática restante que nuestros modelos no explican
o eje. Educación, fertilidad, etc. y la afinidad Espacio-temporal, no explican todas las variaciones en la mortalidad materna
• A pesar de todo, no podemos estimar las variaciones sistemáticas directas; las restantes variaciones consisten de tres partes
o Variación sistemática
o Variación estocástica
o Variación no debida al muestreo
21
La variación sobrante
22
050
100
150
200
MMR
1980 1990 2000 2010Year
Error no debido al muestreo
Errores sistemáticos, pero donde no observamos el verdadero valor
Esta diferencia pueden ser parcialmente errores estocásticos, parcialmente errores fuera del muestreo
Incertidumbre: fuente 4
• Podemos separar las variaciones estocásticas de las variaciones sistemáticas y no debidas al muestreo, usando simulaciones
• Pero no tenemos manera de separar las variaciones sistemáticas y no debidas al muestro. A manera de ser conservadores, incluimos las dos.
o Esto sobrestimara dramáticamente nuestra incertidumbre, puesto que la variación no debida al muestreo es bastante grande
23
Resumiendo el calculo de la Incertidumbre
24
Guión
• Validez predictiva
• Incertidumbre
• Comparaciones de las estimaciones de IHME y el nuevo modelo de la OMS
25
26
27
28
29
30
Fuentes clave de las diferencias
• Base de datos disponible
o PMM
o Cálculos de la mortalidad de mujeres en edad reproductiva por todas las causas
• Ajustes realizados por la OMS
• Estrategia de modelado
31
Fuentes clave de las diferencias
• Base de datos disponible
o PMM
o Cálculos de la mortalidad de mujeres en edad reproductiva por todas las causas
• Ajustes realizados por la OMS
• Estrategia de modelado
32
Los cálculos recientes OMS (2010): base de datos disponibles• El estudio divide a los países en categorías definidas por el
tipo de datos disponibles
o Grupo A: estadísticas vitales completas (63 países)
o Grupo B: Otros tipos de datos disponibles (85 países)
o Grupo C: Sin datos disponibles (24 países)
33
Los cálculos recientes OMS (2010): base de datos disponibles• Grupo A: estadísticas vitales completas (63 países en total– incluye
Argentina, Chile, Colombia, Costa Rica, Guatemala, México, Panamá, Venezuela)o Requerimientos para inclusión
─ Base de datos mas temprana 1996, mas reciente 2002
─ Disponibilidad de unas base de datos para un periodo mayor de la mitad de años disponibles
─ Integridad estimada arriba del 85% para todos los años en cuestión
─ Muertes de códigos R de la CIE10 que no excedan el 20%
o Se ajustaron por un factor de 1.5, a menos que el país contara con factor especifico y que estén disponibles
─ Basado en reportes en 15 países; clasificaciones dudosas estimadas entre 1.08 ((Uzbekistán) a 3.2 (El Salvador)
o Muertes maternas y otras causas de muerte de edad desconocida, redistribuida a través de las diferentes edades
o Se agruparon las MM en periodos de 5 años
34
Los cálculos recientes OMS (2010): base de datos disponibles• Grupo B: Otros tipos de datos disponibles (85 países, incluyendo
Bolivia, Brasil, Republica Dominicana, Ecuador, El Salvador, Nicaragua, Paraguay, Perú)
o Base de datos usando encuestas en la que se aplico el método de las hermanos
─ Suponen que la fracción de muertes relacionadas con embarazos, esta subestimada y ajustan hacia arriba con un factor de 1.1
o Las muertes en el hogar se ajustan hacia arriba con un factor de 1.1
o Otros “Estudios especiales” (investigaciones confidenciales, "RAMOS”)
─ Ajustado hacia arriba con un factor de 1.1
• Grupo C: Sin datos disponibles (24 países)
35
Fuentes clave de las diferencias
• Base de datos disponible
o PMM
o Cálculos de la mortalidad de mujeres en edad reproductiva por todas las causas
• Ajustes realizados por la OMS
• Estrategia de modelado
36
Cálculos de la mortalidad de mujeres en edad reproductiva por todas las causas
• La mortalidad de mujeres en edad reproductiva es clave para la estimación de mortalidad materna
• El enfoque de IHME es diferente al de la OMS, lo cual resulta en estimaciones substancialmente diferentes del numero de muertes en mujeres en edad reproductiva por todas las causas
o Recordar que:
─ IHME emplea un nuevo enfoque para estimar la integridad, usando 3 enfoques identificados como las variantes de mejor-representación
─ IHME también utiliza un enfoque mejorado para modelar las tablas de vida
37
38
Estadísticas vitalesEncuestaCensoInformes
Estadísticas vitalesEncuestaCensoInformes
MORTALIDAD FEMENINA TODAS-CAUSAS (15-49)
MORTALIDAD MATERNA
EN
TR
AD
A D
E D
AT
OS
Fracción de defunciones en mujeres en edad reproductiva por causas maternas (PMDF)
Número total de muertes por todas las causas en las mujeres en edad reproductiva (15-49 años)
Número total de muertes maternas en mujeres en edad reproductiva
Variable dependiente: las tasas específicas por edad materna, la
mortalidad
MUERTES MATERNAS
Etapa 1: Modelo Lineal
Etapa 2: modelo espacio-temporal
RMM
Cálculos de población
MODELO
Las covariables: tasa de fecundidad total, el PIB per cápita, la educación femenina, la mortalidad neonatal, la
prevalencia del VIH
1. Integridad del ajuste2. Sintesis GPR 3. Sistema de tabla de
mortalidad
Corrección de errores de clasificación, sesgo de supervivencia
39
40
41
42
43
Fuentes clave de diferencias
• Base de datos disponible
o PMM
o Cálculos de la mortalidad de mujeres en edad reproductiva por todas las causas
• Ajustes realizados por la OMS
• Estrategia de modelado
4444
Ajustes realizados por la OMS
• Mortalidad relacionada con SIDA
• Muertes relacionadas con embarazo vs. muertes maternas
45
Ajuste del SIDA realizado por la OMS
• la variable dependiente empleada en el modelo de regresión considero muertes maternas no relacionadas con SIDA
• Se usaron las tablas ONUSIDA, no publicadas, para calcular la proporción al total de muertes de mujeres entre las edades de 15 a 49 debidas al SIDA
• Asumieron que la fracción de muertes de SIDA que ocurren en mujeres durante el embarazo, que debería de ser contada como muerte materna o como muertes maternas no relacionadas con SIDA dependen en la fuente de de datos:
o 0.1 para puntos de la base de datos relacionados con embarazo
o 0.5 para puntos de la bases de datos materna
• Usaron la PMM no relacionada con SIDA como la variable dependiente en el modelo de regresión
46
Ajuste de muertes relacionadas con el embarazo-realizado por la OMS• Diferencias entre:
o Mortalidad relacionada con el embarazo (muertes que ocurren durante el embarazo y hasta 42 días después – incluyendo muertes accidentales)
o Mortalidad Materna (muertes relacionadas al embarazo, concepción o puerperio, ambas causas directas e indirectas)
• Ajustar la PMM no relacionada con el SIDA disponible que venga de las fuentes de base de datos que identifican mortalidad relacionada con el embarazo:
o De acuerdo al factor de 0.85 para la mayor parte de el mundo
o De acuerdo al factor de 0.9 en la región de la África subsahariana
o Basada en la base de datos de 8 países
47
Fuentes claves de diferencias
• Base de datos disponible
o PMM
o Cálculos de la mortalidad de mujeres en edad reproductiva por todas las causas
• Ajustes realizados por la OMS
• Estrategia de modelado
48
Planteamiento de modelo OMS
• Construir una base de datos de 484 observaciones (680 en total, pero se excluyeron 196)
• Usaron un modelo para predecir la mortalidad materna para los 109 países en Grupo B (base de datos sin EV) y Grupo C (sin datos)
49
Planteamiento de modelo OMS
• Variable dependiente: In (PMM sin SIDA)
• Compensación: In (1-a) donde a es la proporción de todas las muertes por SIDA entre mujeres de edad 15 a 49 años en la población
• Covariables
o In (PIB per cápita): base de datos mayormente del BM
o In (tasa de fecundidad general): PNUD
o Cobertura de atención del parto por personal calificado (base de datos de la UNICEF, llenado usando un modelo logit, con tiempo como la única covariable)
• Modelo de regresión multinivel con efectos aleatorios por país y región
• Valores predichos en intervalos de 5 años, centrados alrededor de 1990,1995, 2000, 2005 y 2008
50
OMS: Muertes maternas relacionadas con SIDA
• Dado que la variable dependiente era la PMM sin SIDA, después de correr el modelo, se debe estimar la contribución del SIDA a la mortalidad materna, y agregarlo de nuevo
o Trasladarse de PMM sin SIDA a PMM total
• Asumir que la mitad de los números cálculos de muertes de SIDA que ocurren durante el embarazo, deberían ser contadas como muertes maternas
• Asumir que el riesgo relativo de muerte por SIDA para una mujer embarazada vs. una no embarazada es 0.4
51
IHME y los cálculos recientes de la OMS
52
IHME 2010 OMS 2010Fuentes de base de datos 2651 2142
Registración Vital 2186 2010Encuestas 204 819**Censo 46 19Autopsia Verbal 215 113
Alcance del Estudio Año de los cálculos 1980-2008 1990, 1995, 2000, 2005, 2008Países 181 172
Correcciones Clasificaciones dudosas País-especifico Factor de Corrección 1.5 (63 Países)Integridad País-especifico Cálculos de la ONU
Num. de muertes femeninas (15–49) Rajaratnam, 2010 Tablas de vida OMS
Cálculos basados en: Modelo para todos los paises 118 modelos & 63 factores de corrección
Modelo Dos escenarios: Lineal + Espacio - tiempo Multi nivel
Variable dependiente Edad-especifica ln(indice MM) ln(no-SIDA PMDF) para toda edad
Cálculos de muertes maternas relacionadas con VIH Modelo-basado Muertes estimadas separadamente
Sub-variables PIB si siEducación si noTFR si siVIH si noServicios de salud Mortalidad Neo-natal SBA
Validación del Modelo si noIncertidumbre si si
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67