Seminario Istat, Roma, Aula Magna 18.11.19 Disuguaglianze nella mortalità: cosa possiamo sapere in più dall’integrazione delle fonti? Via Cesare Balbo 16

1. Tecniche di analisi per la valutazione delle
associazioni tra indicatori socioeconomici e
mortalità prematura nei comuni Italiani
Disuguaglianze nella mortalità: cosa possiamo sapere in più dall’integrazione delle fonti?
Roma, 18 novembre 2019
Gianfranco Alicandro
ISTAT, Direzione per le statistiche sociali e il censimento della popolazione

2. • Le differenze territoriali nella mortalità osservate in Italia* sono in parte
attribuibili a una diversa distribuzione degli indicatori socioeconomici sul
territorio
• Tuttavia, studiare la relazione tra indicatori socioeconomici e la mortalità è
complesso a causa dei numerosi indicatori disponibili e dell’alto grado di
correlazione tra loro
• In questo contesto, gli approcci statistici convenzionali sono di scarsa utilità
nell’identificare gli indicatori territoriali maggiormente associati alla mortalità
2
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019
Razionale
Scopo dello studio: Valutare la relazione tra alcuni indicatori socioeconomici e la mortalità
prematura (prima dei 75 anni) nei comuni Italiani, utilizzando approcci statistici
convenzionali e metodi recentemente proposti
*Petrelli A, Di Napoli A, Sebastiani G, et al. Italian Atlas of mortality inequalities by educational level. Epidemiol Prev. 2019;43(1S1):1-120.

3. Disegno dello studio: Studio ecologico
Criteri di inclusione: comuni con almeno 5000 abitanti
Esito misurato: Tasso di mortalità standardizzato per età* per 10,000 persone-anni (età 0-74
anni). Periodo: 2012-2016.
Indicatori socioeconomici: 10 indicatori socioeconomici selezionati dal database di 8milaCensus,
un archivio nazionale che fornisce un set di 99 indicatori misurati a livello comunale e raggruppati
in 8 domini: 1) popolazione, 2) integrazione degli stranieri; 3) famiglie; 4) condizioni abitative; 5)
istruzione; 6) mercato del lavoro; 7) mobilità; 8) vulnerabilità materiale e sociale
3
Metodi
*metodo diretto utilizzando la popolazione mondiale come standard
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

4. 4
Descrizione dei 10 Indicatori Socioeconomici Selezionati
Nome var Indicatore Definizione
INT1 Disoccupazione straniera % di stranieri disoccupati di età ≥15 anni sul totale della pop. straniera della stessa età
FAM1 Famiglie monogenitoriali giovani % delle famiglie monogenitoriali, nelle quali il genitore ha meno di 35 anni, sul totale
delle famiglie monogenitoriali
HOU1 Abitazioni non di proprietà % delle abitazioni occupate non di proprietà sul totale delle abitazioni
EDU1 Uscita precoce dal sistema d’istruzione e formazione % della pop. di età compresa tra 15-24 anni con licenza media inf. che non studiano e
non frequentano corsi di formazione sul totale della pop. della stessa età
EDU2 Adulti con titolo di studio inferiore al diploma di scuola
secondaria
% della pop. di età compresa tra 25-64 anni con titolo di studio inferiore al diploma di
scuola secondaria sul totale della pop. della stessa età
OCC1 Giovani che non studiano e non lavorano % della pop. di età compresa tra 15-29 anni che non studia e non lavora sul totale della
pop. della stessa età
OCC2 Disoccupazione % della pop. di età ≥15 anni in cerca di occupazione sul totale della pop. attiva della
stessa età
OCC3 Occupati in professioni a basso livello di competenza % della pop. occupata in professioni a basso livello di competenza sul totale degli
occupati
VUL1 Famiglie con potenziale disagio economico % delle famiglie con figli in cui la persona di riferimento ha meno di 64 anni e nessun
componente è occupato o pensionato sul totale delle famiglie
VUL2 Persone che vivono in condizioni di affollamento % della pop. che vive in abitazioni con superficie < 40 m2 e più di 4 occupanti o in 40-
59 m2 e più di 5 occupanti o 60-79 m2 e più di 6 occupanti, sul totale della pop.
http://ottomilacensus.istat.it/documentazione/
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

5. 5
Distribuzione Geografica del Tasso di Mortalità Prematura (0-74 anni) (per 10,000
persone-anni) in 2390 Comuni Italiani con almeno 5000 Residenti
Maschi
596,144 decessi registrati tra il 2012 e il 2016: 367,871 uomini e 228,273 donne
5
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019
NA
8.3 − 16.5
16.6 − 18.3
18.4 − 20.0
20.1 − 22.1
22.2 − 33.5
Femmine
NA
3.9 − 8.8
8.9 − 9.9
10.0 − 10.9
11.0 − 12.2
12.3 − 22.5

6. 6
Distribuzione dei 10 Indicatori
6
Nome var Indicatore Mediana (Range)
INT1 Disoccupazione straniera 43.0% (13.7-83.0)
FAM1 Famiglie monogenitoriali giovani 0.9% (0.1-3.7)
HOU1 Abitazioni non di proprietà 24.9% (10.8-56.8)
EDU1 Uscita precoce dall’istruzione e formazione 14.3% (2.1-45.3)
EDU2) Titolo di studio inferiore al diploma di scuola secondaria 48.0% (16.5-74.7)
OCC1 Giovani che non studiano e non lavorano 18.1% (5.9-51.0)
OCC2 Disoccupazione 8.3% (1.3-37.2)
OCC3 Occupati in professioni a bassa competenza 16.0% (5.9-60.1)
VUL1 Famiglie con potenziale disagio economico 1.4% (0.3-17.9)
VUL2 Affollamento 1.0% (0.0-10.8)
• Gli indicatori sono espressi come percentuale sul totale
della popolazione, delle famiglie residenti o delle
abitazioni
• Nel caso di distribuzioni asimmetriche, prima dell’analisi,
sono state applicate trasformazioni logaritmiche o radici
quadrate
• Inoltre gli indicatori sono stati standardizzati
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

7. 7
Metodi – Approcci statistici
7
1. Regressione: modelli di regressione lineare semplice e multipla
2. Tecniche di classificazione: analisi delle componenti principali (PCA)
3. Machine learning: Bayesian Kernel Machine Regression (BKMR)
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

8. 8
Risultati – Regressione Lineare
8
Maschi Femmine
Reg. semplice Reg. multipla Reg. semplice Reg. multipla
beta p-value beta p-value beta p-value beta p-value
INT1 0.048 <0.001 0.004 0.3057 0.044 <0.001 -0.001 0.8575
FAM1 0.038 <0.001 0.015 0.0001 0.044 <0.001 0.018 0.0001
HOU1 0.059 <0.001 0.032 0.0000 0.060 <0.001 0.022 0.0000
EDU1 0.063 <0.001 -0.007 0.2339 0.058 <0.001 -0.007 0.3305
EDU2 0.051 <0.001 0.024 0.0000 0.039 <0.001 0.014 0.0441
OCC1 0.083 <0.001 0.061 0.0000 0.081 <0.001 0.090 0.0000
OCC2 0.075 <0.001 0.007 0.5354 0.071 <0.001 -0.021 0.1198
OCC3 0.064 <0.001 0.009 0.0837 0.054 <0.001 -0.005 0.3861
VUL1 0.077 <0.001 -0.014 0.2016 0.076 <0.001 -0.007 0.5971
VUL2 0.049 <0.001 -0.009 0.0336 0.059 <0.001 0.010 0.0514
Nome var indicatore
INT1 Disoccupazione straniera
FAM1 Famiglie monogenitoriali giovani
HOU1 Abitazioni non di proprietà
EDU1 Uscita precoce dall’istruzione e formazione
EDU2 Titolo di studio inferiore al diploma di scuola secondaria
OCC1 Giovani che non studiano e non lavorano
OCC2 Disoccupazione
OCC3 Occupati in professioni a bassa competenza
VUL1 Famiglie con potenziale disagio economico
VUL2 Affollamento
Modello di regressione semplice
log (ASMR) = 𝛽0 + 𝛽1 𝑍
Modello di regressione mutualmente aggiustato
log (ASMR) = 𝛽0 + 𝑖=0
10
𝛽𝑖 𝑍𝑖
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

9. 9
Risultati – Considerazioni sulla Regressione Lineare
9
Limiti
Multicollinearità: esposizioni multiple correlate nello stesso modello statistico
possono produrre stime affette da bias
Overfitting: tante variabili di esposizione e potenziali interazioni
Analisi delle componenti principali (PCA)
Riduzione dei dati: da 10 indicatori socioeconomici correlati tra loro a un numero minore di variabili
latenti (componenti) non correlate
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

10. 10
Correlazione tra Indicatori Socioeconomici
10
Correlation plot Network analysis
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019
Nome var Indicatore
INT1 Disoccupazione straniera
FAM1 Famiglie monogenitoriali giovani
HOU1 Abitazioni non di proprietà
EDU1 Uscita precoce dall’istruzione e formazione
EDU2 Titolo di studio inferiore al diploma di scuola secondaria
OCC1 Giovani che non studiano e non lavorano
OCC2 Disoccupazione
OCC3 Occupati in professioni a bassa competenza
VUL1 Famiglie con potenziale disagio economico
VUL2 Affollamento

11. 11
Risultati – PCA
11
PC1 PC2 PC3
SS loadings 3.12 2.56 2.08
Proportion Var 0.31 0.26 0.21
Cumulative Var 0.31 0.57 0.78
Proportion Explained 0.40 0.33 0.27
Cumulative Proportion 0.40 0.73 1.00
Factor loadings
PC1 PC2 PC3
INT1 Disoccupazione straniera 0.7955227 0.1433215 -0.0704056
FAM1 Famiglie monogenitoriali giovani -0.0108028 0.0325200 0.7807185
HOU1 Abitazioni non di proprietà 0.2307880 0.0534204 0.7988499
EDU1 Uscita precoce dall’istruzione e formazione 0.2879285 0.8225225 0.2351029
EDU2 Titolo di studio inferiore al diploma di scuola secondaria 0.1704761 0.9202651 -0.0710255
OCC1 Giovani che non studiano e non lavorano 0.8197869 0.3997670 0.3224905
OCC2 Disoccupazione 0.8818992 0.2643039 0.2434970
OCC3 Occupati in professioni a bassa competenza 0.2790584 0.7982513 0.2032939
VUL1 Famiglie con potenziale disagio economico 0.8356406 0.2543419 0.3828855
VUL2 Affollamento 0.3027222 0.2780478 0.6434542
Maschi Femmine
beta* p-value beta* p-value
PC1: Disoccupazione e svantaggio socioeconomico 0.147 <0.0001 0.141 <0.0001
PC2: Scarsa istruzione e ridotte competenze 0.112 <0.0001 0.134 <0.0001
PC3: Condizioni abitative disagiate 0.114 <0.0001 0.088 <0.0001
Modello lineare con le 3 componenti log(𝐴𝑆𝑀𝑅) = 𝛽0 + 𝛽1 ∗ 𝑃𝐶1 + 𝛽2 ∗ 𝑃𝐶2 + 𝛽3 ∗ 𝑃𝐶3
*10th vs. 90th percentile
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

12. Vantaggi
• Riduzione della dimensione dei dati
Limiti
• Soggettività nella scelta del numero delle componenti e nella loro
interpretazione
• Non è possibile identificare il contributo individuale di ogni indicatore
• Non è possibile analizzare relazioni non lineari
12
Risultati – Considerazioni sulla PCA
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

13. 13
Introduzione alla Bayesian Kernel Machine Regression* (BKMR)
Permette di modellare la relazione tra un set ampio di predittori (M) e un esito (Y)
usando una funzione flessibile (h) dei predittori
*Bobb JF, Valeri L, Henn BC, et al. Bayesian kernel machine regression for estimating the health effects of multi-pollutant mixtures. Biostatistics 2015;16(3):493-508.
𝑌𝑖 = ℎ 𝑧𝑖,1, … , 𝑧𝑖,𝑀 + 𝜀𝑖
• dove Yi è il logaritmo del tasso standardizzato di mortalità nel comune i
• zi,m è mth indicatore socioeconommico per ogni comune i
• h è la Gaussian Kernel exposure-response function
• 𝜀𝑖 rappresenta l’errore ~ N(0,σ2)
• La funzione Gaussian-Kernel è una funzione flessibile in grado di stimare un ampio spettro di forme
funzionali.
• La funzione viene stimata tramite l'implementazione di un algoritmo iterativo (Markov Chain Monte
Carlo)
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

14. 14
Implementazione della BKMR in R
=> https://jenfb.github.io/bkmr/overview.html
## To fit the model
fitk <- kmbayes(y = Y, Z = Z, iter =500, groups=c(1,3,3,2,2,1,1,2,1,3))
Y = log(tasso std. di mortalità)
Z = matrice degli indicatori socioeconomici
• Selezione gerarchica delle variabili basata sui risultati della PCA
• Non è possibile visualizzare l’intera funzione h (nel nostro caso è una funzione con 10 dimensioni)
• Il modo migliore per visualizzare i risultati è mostrare la relazione tra un predittore e l’esito
tenendo fissi gli altri predittori a un valore specifico (per esempio la mediana)
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

15. 15
Risultati BKMR – Funzione esposizione-risposta univariata, maschi
Effetto stimato dell’indicatore fissando gli
altri indicatori al loro valore mediano
Effetto stimato per incremento dell’indicatore dal 10° al 90°
percentile, fissando gli altri indicatori al loro valore mediano
Predittore Stima IC 95%
OCC1 0.16 0.13-0.19
EDU2 0.05 0.02-0.08
HOU1 0.07 0.04-0.09
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019
Nome var indicatore
INT1 Disoccupazione straniera
FAM1 Famiglie monogenitoriali giovani
HOU1 Abitazioni non di proprietà
EDU1 Uscita precoce dall’istruzione e formazione
EDU2 Titolo di studio inferiore al diploma di scuola secondaria
OCC1 Giovani che non studiano e non lavorano
OCC2 Disoccupazione
OCC3 Occupati in professioni a bassa competenza
VUL1 Famiglie con potenziale disagio economico
VUL2 Affollamento

16. 16
Risultati BKMR – Funzione esposizione-risposta univariata, femmine
Effetto stimato dell’indicatore fissando gli
altri indicatori al loro valore mediano
Effetto stimato per incremento dell’indicatore dal 10° al 90°
percentile, fissando gli altri indicatori al loro valore mediano
Predittore Stima 95% CI
OCC1 0.15 0.11-0.18
EDU2 0 -0.03-0.04
EDU1 0.04 -0.01-0.08
HOU1 0.05 0.02-0.09
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019
Nome var indicatore
INT1 Disoccupazione straniera
FAM1 Famiglie monogenitoriali giovani
HOU1 Abitazioni non di proprietà
EDU1 Uscita precoce dall’istruzione e formazione
EDU2 Titolo di studio inferiore al diploma di scuola secondaria
OCC1 Giovani che non studiano e non lavorano
OCC2 Disoccupazione
OCC3 Occupati in professioni a bassa competenza
VUL1 Famiglie con potenziale disagio economico
VUL2 Affollamento

17. 17
Risultati BKMR – Funzione esposizione-risposta bivariata
Maschi Femmine
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

18. • I risultati dei differenti approcci sono generalmente coerenti, ma la BKMR
supera i problemi di multicollinearità osservati nella regressione lineare
multipla
• La BKMR fornisce una serie di output che descrivono l’effetto totale degli
indicatori socioeconomici, il contributo individuale e le relazioni non-lineari,
additive e le possibili interazioni
• Questi risultati potrebbero essere utili nella comprensione delle relazioni tra
indicatori socioeconomici territoriali e la disuguaglianza territoriale nella
mortalità prematura
• Questo è il primo tentativo di utilizzo della BKMR in questo ambito ed è
necessario altro lavoro per valutare la potenziale utilità di questa tecnica
18
Conclusioni
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019

19. • Paola Bertuccio, Dipartimento di Scienze Biomediche e Cliniche, Università
degli Studi di Milano
• Andrea Bellavia, Department of Environmental Health, Harvard T.H. Chan,
School of Public Health, Boston, MA, USA
19
Ringraziamenti
Gianfranco Alicandro
Direzione centrale per le statistiche sociali e il
censimento della popolazione
Servizio Sistema integrato salute, assistenza,
previdenza e giustizia, ISTAT
E-mail: gianfranco.alicandro@istat.it
Paola Bertuccio
Dipartimento di Scienze Biomediche e Cliniche,
Univeristà degli Studi di Milano
E-mail: paola.bertuccio@unimi.it
Contatti:
Indicatori socioeconomici e mortalità prematura nei comuni Italiani
Roma, 18/11/2019