Nuevas perspectivas sobre el Problema de la Unidad Espacial Modificable (PUEM) en relación con la representación cartográfica de enfermedades raras

  1. Germán Sánchez-Díaz 1
  2. Verónica Alonso-Ferreira
  3. Manuel Posada de la Paz
  4. Francisco Escobar 1
  1. 1 Universidad de Alcalá
    info

    Universidad de Alcalá

    Alcalá de Henares, España

    ROR https://ror.org/04pmn0e78

Revista:
Investigaciones Geográficas (España)

ISSN: 0213-4691,  1989-9890

Año de publicación: 2020

Número: 74

Páginas: 71-84

Tipo: Artículo

DOI: 10.14198/INGEO2020.SAPE DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Investigaciones Geográficas (España)

Objetivos de desarrollo sostenible

Resumen

En el marco del análisis espacio-temporal de la Enfermedades Raras (ER) en España, los efectos derivados del Problema de la Unidad Espacial Modificable (PUEM) condicionan la interpretación de los resultados. Este estudio tiene como objetivo comparar indicadores de mortalidad y visualización cartográfica para recomendar la unidad geográfica de trabajo óptima según población, área cubierta y el número de casos de la enfermedad. Se estudiaron los fallecimientos debidos a una ER (Huntington) en tres niveles de agregación espacial; el municipio, la comarca y la provincia. Se diseñó una ratio de adyacencia para observar el efecto de las relaciones de vecindad entre las tres unidades administrativas tratadas. Se calcularon indicadores epidemiológicos de mortalidad, así como indicadores locales de asociación espacial en cada nivel de agregación. Los resultados se representaron cartográficamente utilizando intervalos definidos por el usuario para comparar de forma visual las diferencias estadísticas y cartográficas. El PUEM fue particularmente visible trabajando con datos agregados de ER. Las comarcas representaron el mayor nivel de estabilidad en la ratio de adyacencia así como la unidad geográfica óptima en términos de resolución espacial y variabilidad de la información representada cartográficamente. Este proceso de ayuda en la elección de la escala de trabajo puede ser extrapolado a otras enfermedades o niveles de agregación, como paso previo a análisis epidemiológicos más avanzados

€ Ver financiación

Información de financiación

Este art?culo se enmarca dentro del proyecto de investigaci?n financiado por la Acci?n Estrat?gica en Salud Intramural del Instituto de Salud Carlos III. Referencia del proyecto: TPY1238/15.

Financiadores

Referencias bibliográficas

  • Alonso, V., Escobar, F., Sánchez-Díaz, G., & Posada, M. (2019). Atlas de Mortalidad debida a Enfermedades Raras en España (Rare Disease Mortality Atlas of Spain). Madrid: Instituto de Salud Carlos III, Instituto de Investigación de Enfermedades Raras; Universidad de Alcalá.
  • Alonso, V., Villaverde-Hueso, A., Hens, M., Morales-Piga, A., Abaitua, I., & Posada de la Paz, M. (2011). Increase in motor neuron disease mortality in Spain: temporal and geographical analysis (1990-2005). Amyotrophic Lateral Sclerosis, 12, 192-198. https://doi.org/10.3109/17482968.2010.543688
  • Anselin, L., Syabri, I., & Kho, Y. (2006). GeoDa: An introduction to spatial data analysis. Geographical Analysis, 38, 5-22. https://doi.org/10.1111/j.0016-7363.2005.00671.x
  • Arab, A. (2015). Spatial and spatio-temporal models for modeling epidemiological data with excess zeros. International Journal of Environmental Research and Public Health, 12(9), 10536-10548. https://dx.doi.org/10.3390%2Fijerph120910536
  • Arsenault, J., Michel, P., Berke, O., Ravel, A., & Gosselin, P. (2013). How to choose geographical units in ecological studies: proposal and application to campylobacteriosis. Spatial and Spatiotemporal Epidemiology, 7, 11-24. https://doi.org/10.1016/j.sste.2013.04.004
  • Beale, L., Abellan, J.J., Hodgson, S., & Jarup, L. (2008). Methodologic issues and approaches to spatial epidemiology. Environmental Health Perspectives, 116(8), 1105-1110. https://dx.doi.org/10.1289%2Fehp.10816
  • Berke, O. (2004). Exploratory disease mapping: kriging the spatial risk function from regional count data. International Journal of Health Geographics, 3, 18. https://doi.org/10.1186/1476-072X-3-18
  • Besag, J., York, J., & Molliè, A. (1991). A Bayesian image restoration with two applications in spatial statistics. Annals of the Institute of Statistical Mathematics, 43, 1-59. https://doi.org/10.1007/BF00116466
  • Bosque, J., Chuvieco, E., & Santos-Preciado, JM. (1986). Algunos problemas metodológicos de las técnicas cuantitativas en Geografía Humana. En Grupo de Métodos Cuantitativos (A.G.E.) (Ed.), Geografía Teórica y Cuantitativa: concepto y métodos (pp. 55-74). Oviedo: Universidad de Oviedo.
  • Cauvin, C., Escobar, F., & Serradj, A. (2010). Thematic Cartography and Transformations. 1st ed. Londres: Wiley.
  • Cebrecos, A., Domínguez-Berjón, MF., Duque, I., Franco, M., & Escobar, F. (2018). Geographic and statistic stability of deprivation aggregated measures at different spatial units in health research. Applied Geography, 95, 9-18. https://doi.org/10.1016/j.apgeog.2018.04.001
  • Cockings, S., & Martin, D. (2005). Zone design for environmental and health studies using pre-aggregated data. Social Science & Medicine, 60, 2729-2742. https://doi.org/10.1016/j.socscimed.2004.11.005
  • Decision No 1295/1999/EC of the European Parliament and of the Council of 29 April 1999 adopting a programme of Community action on rare diseases within the framework for action in the field of public health (1999–2003). (1999) Commission of the European Communities, Brussels. Retrieved from http://ec.europa.eu/health/archive/ph_overview/previous_programme/rare_diseases/raredis_wpgm99_en.pdf
  • Dykes, J., & Brunsdon, C. (2007). Geographically weighted visualization: Interactive graphics for scale-varying exploratory analysis. IEEE Transactions on Visualization and Computer Graphics, 13(6), 1161-1168. https://doi.org/10.1109/TVCG.2007.70558
  • Elliot, P., & Wartenberg, D. (2004). Spatial epidemiology: Current approaches and future challenges. Environmental Health Perspectives, 112(9), 998-1006. https://dx.doi.org/10.1289%2Fehp.6735
  • Fernández, J., Curt, MD., Aguado, PL., Esteban, B., Sánchez, J., Checa, M., … Romero, L. (2011). Caracterización de las comarcas agrarias de España. Recuperado de http://comarcasagrarias.chil.me/
  • Gómez-Díaz, J. (2008). División territorial de España. Provincias y partidos judiciales. 175 años. Toletum, 55, 151-175. Recuperado de https://realacademiatoledo.es/wp-content/uploads/2014/01/files_toletum_0055_07.pdf
  • Gómez-Rubio, V., & López-Quílez, A. (2010). Statistical methods for the geographical analysis of rare diseases. En M. Posada & S.C. Groft, (Eds.), Rare Diseases Epidemiology (pp. 151-172). https://doi.org/10.1007/978-90-481-9485-8_10
  • Goodwin, S., Dykes, J., Slingsby, A., & Turkay, C. (2015). Visualizing multiple variables across scale and geography. IEEE Transactions on Visualization and Computer Graphics, 22(1), 599-608. https://doi.org/10.1109/TVCG.2015.2467199
  • Grady, S.C., & Enander, H. (2009). Geographic analysis of low birthweight and infant mortality in Michigan using automated zoning methodology. International Journal of Health Geographics, 8, 10. https://dx.doi.org/10.1186%2F1476-072X-8-10
  • Greenwood, P.E., & Nikulin, M.S. (1996). A guide to chi-squared testing. Nueva York: Wiley.
  • Groft, S.C., & Posada, M. (2017). Rare Diseases: joining mainstream research and treatment based on reliable epidemiological data. En Rare Diseases Epidemiology: Update and overview (pp. 3-21). https://doi.org/10.1007/978-3-319-67144-4_1
  • Hipocrates, Thucydides, Cifton F., & Ephesus, F. (1752). Hippocrates upon air, water and situation: upon endemical diseases and upon prognostics, in acute cases especially. Londres: Whiston, J., & Whyte, B.
  • Instituto Geográfico Nacional (2018). Serie Compendios del Atlas Nacional de España (ANE). Recuperado de http://www.ign.es/web/ign/portal/espana-en-mapas
  • INE. (2020). Instituto Nacional de Estadística. Recuperado de: http://www.ine.es/welcome.shtml
  • Johnston, R. (2002). Manipulating maps and winning elections: measuring the impact of malapportionment and gerrymandering. Political Geography, 21(1), 1-31. https://doi.org/10.1016/S0962-6298(01)00070-1
  • Kanaroglou, P., Delmelle, E., & Páez, A. (2015). Spatial analysis in health geography. https://doi.org/10.4324/9781315610252
  • Labib, S.M., Lindley, S., & Huck, J.J. (2020). Scale effects in remotely sensed greenspace metrics and how to mitigate them for environmental health exposure assessment. Computers, Environment and Urban Systems, 82(2020), 101501. https://doi.org/10.1016/j.compenvurbsys.2020.101501
  • Lai, P., So, F., & Chan, K. (2009). Spatial Epidemiological Approaches in Disease Mapping and Analysis. https://doi.org/10.1201/9781420045536
  • Lawson, A.B., Banerjee, S., Haining, R.P., & Ugarte, M.D. (2016). Handbook of Spatial Epidemiology. https://doi.org/10.1201/b19470
  • Lawson, A.B. (2006). Statistical Methods in Spatial Epidemiology. Chichester: John Wiley & Sons.
  • Meliker, J., & Sloan, C. (2011). Spatio-temporal epidemiology: Principles and opportunities. Spatial and Spatiotemporal Epidemiology, 2(1), 1-9. https://doi.org/10.1016/j.sste.2010.10.001
  • Membrado-Tena, J.C. (2013). La división territorial valenciana: antecedentes, problemas y política de la Generalitat. Investigaciones Geográficas, 59(1), 5-24. https://doi.org/10.14198/INGEO2013.59.01
  • Menon, C. (2012). The bright side of MAUP: Defining new measures of industrial agglomeration. Papers in Regional Science, 91(1), 3-28. https://doi.org/10.1111/j.1435-5957.2011.00350.x
  • Meyer, S., Held, L., & Höhle, M. (2016). Spatio-Temporal analysis of epidemic phenomena using the R Package surveillance. Journal of Statistical Software, 77(11), 1-55. http://dx.doi.org/10.18637/jss.v077.i11
  • Moore, D., & Carpenter, T. (1999). Spatial analytical methods and Geographic Information Systems: Use in health research and epidemiology. Epidemiological Reviews, 21(2), 143-161. https://doi.org/10.1093/oxfordjournals.epirev.a017993
  • Moran, P. (1950). Notes on Continuous Stochastic Phenomena. Biometrika, 37(1), 17-23. https://doi.org/10.1093/biomet/37.1-2.17
  • Moreno, L. (1994). Ethnoterritorial Concurrence and Imperfect Federalism in Spain. En B. de Villiers (Ed.), Evaluation Federal Systems (pp. 162-193). Cape Town: Juta & Co/Martinus Nijhoff Publishers.
  • Nunez-Silva, C. (2017). Political and administrative decentralization in Portugal: Four decades of democratic local government. En C. Nunes-Silva, & J. Buček (Eds.), Local Government and Urban Governance in Europe. The Urban Book Series (pp. 9-32). https://doi.org/10.1007/978-3-319-43979-2_2
  • Olaya, V. (2016). Sistemas de Información Geográfica. CreateSpace Independent Publishing Platform. Recuperado de https://volaya.github.io/libro-sig/
  • Openshaw, S. (1984). The modifiable areal unit problem. Norwich: Geo Abstracts University of East Anglia.
  • Posada, M., Alonso, V., & Bermejo, E. (2016). Enfermedades raras. Madrid: Catarata.
  • Posada, M., Villaverde-Hueso, A., Alonso, V., János, S., Zurriaga, O., Pollán, M., & Abaitua-Borda, I. (2010). Rare diseases epidemiology research. Advances in Experimental Medicine and Biology, 686, 17-39. https://doi.org/10.1007/978-90-481-9485-8_2
  • Puigpinós-Riera, R., Marí-Dell’Olmo, M., Gotsens, M., Borrel, C., Serral, G., Ascaso, C., … & Sánchez-Villegas, P. (2011). Cancer mortality inequalities in urban areas: a bayesian small area analysis in Spanish cities. International Journal of Health Geographics, 10, 6. https://doi.org/10.1186/1476-072X-10-6
  • Pavković A., & Radan, P. (2007). Creating New States: Theory and Practice of Secession. Burlington: Ashgate.
  • Redondo-Bravo, L., Suárez-Rodríguez, B., Fernández-Martínez, B., Simón-Soria, F., Díaz-García, O., & Sierra-Moros, J. (2018). Epidemia por virus Zika. Respuesta desde la salud púbica en España. Revista Española de Salud Pública, 92, e1-e16.
  • Rodríguez, F., Menéndez, M., & Cadenas, A. (2005). Comarcas, consorcios y otras experiencias innovadoras de cooperación territorial en España. Boletín de la AGE, 39, 177-199.
  • Royo, M.A., & Moreno, J.D. (2009). Método epidemiológico. Madrid: ENS - Instituto de Salud Carlos III.
  • Rue, H., Riebler, A., Sørbye, S., Illian, J., Simpson, D., & Lindgren, F. (2016). Bayesian Computing with INLA: A Review. Annual Review of Statistics and Its Application, 4(1), 1-28. https://doi.org/10.1146/annurev-statistics-060116-054045
  • Rytkönen, M.J. (2004). Not all maps are equal: GIS and spatial analysis in epidemiology. Int J Circumpolar Health, 63(1), 9-24.
  • Sánchez-Díaz, G., Arias-Merino, G., Villaverde-Hueso, A., Morales-Piga, A., Abaitua-Borda, I., Hens, M., … Alonso-Ferreira, V.(2016). Monitoring Huntington’s disease mortality across a 30-year period: geographic and temporal patterns. Neuroepidemiology, 47(3-4), 155-163. https://doi.org/10.1159/000452860
  • Shaw, N.T., & McGuire, S.K. (2017). Understanding the use of geographical information systems (GISs) in health informatics research: a review. BMJ Health & Care Informatics, 24(2), 228-233. https://doi.org/10.14236/jhi.v24i2.940
  • Smirnov, O., & Anselin, L. (2001). Fast maximum likelihood estimation of very large spatial autoregressive models: a characteristic polynomial approach. Computational Statistics and Data Analysis, 35(3), 301-319. https://doi.org/10.1016/S0167-9473(00)00018-9
  • Snow, J. (1855). On the mode of communication of cholera. Londres: John Churchill.
  • Solís-Trapero, E., & Mohíno-Sanz, I. (2020). Los convenios de colaboración y acuerdos de cooperación entre Comunidades Autónomas. Pensar y actuar sobre nuevos territorios. Ciudades, 23, 95-114. https://doi.org/10.24197/ciudades.23.2020.95-114
  • Ugarte, M.D., Ibáñez, B., & Militino, A.F. (2006). Modelling risks in disease mapping. Statistical Methods in Medical Research, 15, 21-35. https://doi.org/10.1191/0962280206sm424oa
  • Urteaga, L. (1980). Miseria, miasmas y microbios. Las topografías médicas y el estudio del medio ambiente en el siglo XIX. Geocrítica, Cuadernos Críticos de la Geografía Humana, 29.
  • Waller, L., & Gotway, C. (2004). Applied Spatial Statistics for Public Health Data. Hoboken: John Wiley & Sons.
  • Wang, Y., & Di, Q. (2020). Modifiable areal unit problem and environmental factors of COVID-19 outbreak. Science of the Total Environment, 740(2020), 139984. https://doi.org/10.1016/j.scitotenv.2020.139984
  • Zandbergen, P.A. (2014). Ensuring confidentiality of geocoded health data: Assessing Geographic masking strategies for individual-level data. Advances in Medicine, 2014, 567049. http://dx.doi.org/10.1155/2014/567049
Fuente de los datos: Dialnet