A novel method of combining local and global data sources to estimate local impact of behavioral interventions on disease burden

Abstract

Kardiyovasküler hastalıklar (KH) ve diyabet sırasıyla küresel ölümlerin birinci ve yedinci önde gelen nedenlerinden olmak üzere, bulaşıcı olmayan hastalıklar , küresel ölümlerin %71'ine sebep olmaktadır. Diyabetin, 2009 yılında Türkiye'ye Gayri Safi Yurtiçi Hasıla'nın yaklaşık %1'ine mal olduğu tahmin edilirken, ülkede KH'nin 2035 yılına kadar 19.4 milyar ABD doları ekonomik bir yüke sahip olacağı tahmin edilmektedir. Sigarayı bırakma, egzersiz ve sağlıklı beslenme gibi Dünya Sağlık Örgütü tarafından teşvik edilen bu davranışlar, erken ölümler, sakatlıkta yaşanan yıl sayısı ve sağlık masrafları açısından hastalık prevalansını ve hastalık yükünü azaltmayı hedeflemektedir.Halk sağlığı müdahalelerinin potansiyel yerel etkisini tahmin etmek için yerel ve küresel veri kaynaklarını birleştirerek yeni bir metodoloji sunmaktayız. Bireysel seviyedeki hastalık prevalans modellerinin parametreleri ve lokal gözlemsel verilerinin, Meta-analiz sonuçlarından elde edilen alan bilgisi kalitatif desenlerle uyumlu olmasını kılan Nitel Bilgilendirici Hiyerarşik Bayesian (HB) modelini öneriyoruz. Niteliksel Bilgilendirici Hiyerarşik Bayesian modeli, parametrelerin alan bilgisi ile olan anlaşmasının öngörücü kesinliği feda etmemesini sağlamak için bireysel düzeyde, alt popülasyon düzeyinde ve popülasyon düzeyinde değerlendirilir. Daha sonra, Niteliksel Bilgilendirici HB modelin tahminleri, davranışsal müdahaleleri içeren ve içermeyen hastalık yükünü tahmin etmek için bireysel seviye verilerinde bir simülatör olarak kullanılır. Ortaya çıkan müdahale etkisi tahminleri, demografik yapılara, sosyoekonomiye ve davranışlara bağlı olarak etkinin heterojenliğini hesaba katmaktadır: Her bir müdahalenin etkisinin çevresindeki belirsizlikleri tahmin etmenin yanı sıra, aynı kişiler üzerindeki yan etkileri tekrar saymadan, çoklu hastalıklar nedeniyle çoklu risk faktörlerinin ve yükün ortak etkilerini de hesaba katar.Önerilen modelin performansını, ham bir global hastalık yükü yaklaşımı ve nedensel makine öğrenmesi Nedensel Orman modeli yaklaşımı ile karşılaştırmalı olarak hem tahmin edici doğruluk hem de müdahalelerin hastalık yükü üzerindeki etkisini tahmin etme performansı açısından değerlendiriyoruz. Davranışsal müdahalelerin potansiyel etkisini, göreceli riskleri, hastalık prevalansını, hastalığa özgü maluliyet ile geçen yaşam yıllarını (MGYY) ve toplam MGYYi, popülasyon ve alt popülasyon seviyelerinde tahmin ediyoruz. Sigara içmeyi önleme ve fiziksel aktiviteyi arttırma gibi müdahalelerin, Türk erişkin nüfusu üzerinde diyetle ilgili müdahalelerden daha yüksek etkilerinin olduğunu bulduk.

Non-communicable diseases are responsible for 71% of the global deaths, with cardiovascular diseases (CVD) and diabetes coming as the first and seventh leading causes of global deaths respectively. In Turkey, CVD is projected to have an economic burden of US$19.4 billion by 2035, while Diabetes was costing the country around 1% of the Gross Domestic Product in 2009. Smoking cessation, exercise and healthy diet are encouraged by the World Health Organization as potential actions to decrease the prevalence of diseases and disease burden in terms of premature deaths, years lived with disability and healthcare costs. We introduce a novel methodology of combining local and global data sources to estimate the potential local impact of public health interventions. We propose the Qualitative Informative Hierarchical Bayesian (HB) model which guides the parameters of the disease prevalence models of individual-level, local observational data to be in agreement with the domain knowledge qualitative patterns extracted from meta-analysis results. The Qualitative Informative Hierarchical Bayesian model is evaluated at the individual-level, subpopulation level, and population level to ensure that the parameters' agreement with domain knowledge is not sacrificing predictive accuracy. The Qualitative Informative HB model prediction estimates are then used as a simulator at the individual-level data to estimate the local burden of disease with and without behavioral interventions. The resulting intervention impact estimates account for the heterogeneity of impact due to demographics, socioeconomics, and behaviors; account for the joint impact of multiple risk factors and burden due to multiple diseases without double counting the adverse effects on the same individuals as well as estimate the uncertainties around each intervention's impact. We evaluate the performance of the proposed model in terms of predictive accuracy as well as its performance in estimating interventions' impact on disease burden in comparison with a raw calculation Global Burden of Disease (GBD) approach, and a causal machine learning Causal Forest model approach. We estimate the potential impact of behavioral interventions on Relative Risks, disease prevalence, disease-specific Disability Adjusted Life Years (DALY) and total DALY at the population and subpopulation levels. We find that interventions such as eliminating smoking and increasing physical activity have higher impacts than diet-related interventions on the Turkish adult population.