Population Health Metrics, 2005; 3: 11-11 (más artículos en esta revista)

Al describir el curso longitudinal de la depresión mayor utilizando modelos de Markov: la integración de datos a través de tres encuestas nacionales

BioMed Central
Scott B Patten (patten@ucalgary.ca) [1], Robert Lee C (Robert.Lee @ CalgaryHealthRegion.ca) [2]
[1] Department of Community Health Sciences, University of Calgary, 3330 Hospital Drive NW, Calgary, Canada
[2] Street NW, Calgary, Canadá
[3] Departamento de Psiquiatría de la Universidad de Calgary, 1403 - 29 Street NW Calgary, Canadá
[4] Departamento de Ciencias de la Salud de la Comunidad. Universidad de Calgary, 3330 Hospital Drive NW, Calgary, Canadá

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons License (http://creativecommons.org/licenses/by/2.0], que permite el uso irrestricto, la distribución y reproducción en cualquier medio, siempre que la obra original sea debidamente citada.

Resumen
Antecedentes

La mayoría de los estudios epidemiológicos de depresión mayor informe período estimaciones de la prevalencia. Estos son de limitada utilidad en la caracterización de la longitudinal de la epidemiología de esta patología. Markov modelos proporcionan un marco metodológico para el aumento de la utilidad de los datos epidemiológicos. Markov modelos relativos a la incidencia y la recuperación de la depresión mayor prevalencia se han descrito en una serie de documentos de antes. En este trabajo, se amplían los modelos para describir el curso longitudinal de la enfermedad.

Métodos

Los datos de tres encuestas nacionales realizadas por el organismo nacional de estadísticas de Canadá (Statistics Canada) fueron utilizados en este análisis. Estos datos fueron integrados utilizando un modelo de Markov. Incidencia, recurrencia y la recuperación han estado representados de la semana las probabilidades de transición. Parámetros del modelo fueron calibrados a estimaciones de la encuesta.

Resultados

La población estaba dividida en tres categorías: baja, moderada y alta recurrencia grupos. El tamaño de cada categoría se aproximó vida utilizando datos de un estudio utilizando la OMS Salud Mental Composite International Diagnostic Interview (WMH-CIDI). En consonancia con anteriores trabajos, que refleja la recuperación de las probabilidades de transición fueron altos en la primera semana de los episodios, y disminuyó en una proporción fija con cada semana que pasa.

Conclusión

Markov modelos proporcionan un marco para la integración de los datos epidemiológicos psiquiátricos. Estudios anteriores han demostrado la utilidad de los modelos de Markov en descomposición prevalencia en sus diversos determinantes: incidencia, mortalidad y recuperación. Este estudio amplía el enfoque Markov distinguiendo varias categorías de recurrencia.

Introducción

En una serie de informes anteriores, hemos descrito la utilización de modelos de Markov en epidemiología de la depresión mayor. En dos documentos iniciales, que describen un enfoque general para el modelado, en la que la prevalencia fue descrito como un estado de equilibrio resultado de la entrada y salida de un pool de prevalencia [1, 2]. Posteriormente, el enfoque se amplió para incluir los estratos de categorías de edad y sexo [3], otras variables demográficas [4] y las enfermedades crónicas [5]. En términos generales, los modelos de Markov son útiles para la decisión médica de modelado y análisis económicos. En el caso de depresión mayor, muchas de las más importantes decisiones de política de salud se relacionan con el curso longitudinal de la condición. Las guías de práctica clínica, por ejemplo, con frecuencia una distinción entre alta y baja recurrencia recurrencia grupos, los sujetos con un alto riesgo de recurrencia siendo candidatos para el tratamiento a largo plazo. En este informe se describe una aplicación de modelado de Markov a la descripción del curso longitudinal de la depresión mayor.

Markov modelos son importantes en este contexto, dado que la literatura actual presenta pocas otras opciones para el modelado. A nuestro entender, el único otro ejemplo de un modelo epidemiológico población en general es la de Kruijshaar et al. [6] mediante microsimulación. Este estudio integrado de datos de los europeos (NEMESIS) [7] y Australia estudios [8]. El uso de más de una fuente de datos en este estudio ilustra la utilidad de modelado como un medio de la integración de los mejores datos epidemiológicos disponibles en una coherente descripción epidemiológica. Para fines tales como la vigilancia, el desarrollo de políticas y análisis coste-eficacia, la integración de datos usando el modelado epidemiológico es un enfoque prometedor.

Modelos de Markov, también conocido como el estado de salud modelos de transición, dividir la población objetivo en una serie de estados de salud se excluyen mutuamente. Las transiciones entre estos estados de salud se asignan probabilidades y las predicciones del modelo se evalúan más de una serie de etapas [9].

Fuentes de datos

En una serie de informes anteriores, hemos utilizado los datos de un estudio canadiense llama la Encuesta Nacional de Salud de la Población (para información adicional sobre el NPHS; ver, http://www.statcan.ca/english/concepts/nphs/nphs.htm] Al modelo de la relación entre la prevalencia, la incidencia y la mortalidad. El componente longitudinal de la NPHS utiliza una muestra probabilística representativa a nivel nacional que consta inicialmente de 17262 sujetos que posteriormente se han seguido a través de cuatro ciclos semestrales de la recopilación de datos. El NPHS proporciona una valiosa fuente de datos longitudinales de salud. Una limitación, sin embargo, es que el NPHS utilizarse sólo una breve instrumento predictivo de la depresión mayor, el Composite International Diagnostic Interview Short Form [10] para la depresión mayor (CIDI-SFMD). Este instrumento identifica a los sujetos con una alta probabilidad de que se reúnan DSM-IV [11] criterios de depresión mayor en el año anterior, pero no proporciona datos completos acerca de la recurrencia. El CIDI-SFMD instrumento cubre sólo la mitad (12 meses), en el intervalo entre NPHS entrevistas (realizadas 24 meses aparte). El CIDI Short Form sólo abarca el final de 12 meses de este intervalo de 24 meses. La proporción de sujetos sin depresión mayor en una entrevista que tienen un episodio en la próxima entrevista puede ser estimada directamente de la NPHS datos, pero esta estimación se prevé sólo una aproximación de la proporción de incidencia anual.

El CIDI-SFMD también incluye un tema que se evalúa episodio duración. Este punto suscita el número de semanas durante el año anterior de que un sujeto con CIDI-SFMD depresión mayor estaba deprimido. En particular, el número de semanas deprimido durante el año anterior sólo se evalúa precisamente episodio en sujetos cuya duración episodio empezó y terminó dentro de ese año. Una última limitación de la NPHS es su tamaño de la muestra. A pesar de que la cohorte longitudinal fue relativamente grande, el número de sujetos con episodios depresivos mayores durante cualquier entrevista ciclo fue lo suficientemente pequeña como para dar lugar a apreciables imprecisiones en la estimación de las semanas deprimido en el último año variable. Afortunadamente, el Departamento de Estadística del Canadá realizó una encuesta relacionadas, llamado el Estudio Canadiense de Salud de la Comunidad (CCHS 1.1) http://www.statcan.ca/english/concepts/health/cchsinfo.html durante el mismo lapso de tiempo y con el mismo marco de muestreo y Que también incluía la CIDI-SFMD. La CCHS 1,1 tenido un tamaño de muestra de 130880 sujetos, y, por tanto, que ofrecen mucha más precisión para estimar la duración episodio.

Con el fin de estimar la proporción de la población que caer en la repetición diversas categorías, ninguna de las dos fuentes de datos antes mencionados son suficientes. El NPHS, como se ha señalado, prevé incompleta seguimiento longitudinal y el 1,1 CCHS fue estrictamente transversal. En Canadá, la mejor fuente de datos de toda la vida es el Estudio Canadiense de Salud Mental y Bienestar, también conocida como la CCHS 2,1 http://www.statcan.ca/english/sdds/3226.htm. En este estudio se utilizó el mismo marco de muestreo, como los otros dos, pero evaluaron la depresión mayor utilizando la Organización Mundial de la Salud Mental de la Salud (WMH2000) WMH-CIDI proyecto [12]. Este instrumento ofrece una base para dividir a la población en tres grandes categorías de riesgo de recurrencia basada en el patrón de recurrencia informado por el CIDI. Los sujetos sin antes episodios de depresión mayor (de bajo riesgo de desarrollar un episodio), los que de haber tenido un episodio (riesgo moderado) y con múltiples episodios anteriores (de alto riesgo).

Aproximación al modelado de Markov

Los modelos de Markov desarrollado aquí adoptó el formato general de una incidencia de la prevalencia del modelo, el modelado de la "prevalencia del grupo" [13] para la depresión mayor en función de la afluencia a la piscina (incidencia y recurrencia) y la salida a través de la recuperación. En aras de la sencillez, la mortalidad no se ha incluido en los modelos que se presentan aquí ya que nuestro trabajo anterior indica que esta variable no tiene una influencia importante sobre la dinámica epidemiológica [1]. Los cambios en el estado de salud (depresión, y no-deprimidas) se evaluaron más de una serie de una semana etapas. Para hacer frente a la disminución de las probabilidades de recuperación con el montaje episodio longitud, un túnel de Markov [9] se utiliza para describir el proceso de recuperación. Markov El túnel es una manera de añadir flexibilidad a un modelo de Markov. El túnel de Markov utilizados en este modelo consistió en una serie de estados de salud deprimidos, de modo que al inicio de un episodio (por definición-a las 2 semanas después de la aparición de los síntomas), el tema ocupa un estado de salud que representa la primera semana en un Episodio. En la siguiente fase, no puede haber una transición, ya sea a la falta de depresión o, en su defecto, el sujeto puede avanzar en un estado de salud que representa la próxima semana del episodio. Al seleccionar las transiciones a la no deprimido estado de salud que cada etapa con descenso en el túnel, el plan de recuperación puede ser representado con flexibilidad.

Como se señaló anteriormente, no es posible estimar directamente la incidencia y la duración del episodio de las fuentes de datos disponibles. Uso de variables de seguimiento en el modelo de Markov, es posible, sin embargo, definir las variables que representan los parámetros que están directamente estimable: la proporción sin un episodio en una entrevista con un episodio en el año previo a una posterior entrevista y semanas deprimido en el último año . Los modelos de Markov podría entonces ser evaluados por simulación de Monte Carlo a través de una serie de posibles valores de incidencia y la recuperación de encontrar los valores más consistente con la observada estimaciones. El modelo se presenta en la figura 1. La población está representada en tres estratos, con tamaño de los estratos en función de los resultados CCHS 1,2.

Estimación de las fuentes de datos epidemiológicos

Los datos de los tres estudios fueron empleadas fuente como se ha descrito anteriormente: el NPHS para calibrar las probabilidades de transición de la incidencia episodio, la CCHS 1,1 por semanas deprimido en los datos del año pasado y de 1,2 para la CCHS recurrencia patrón de la vida útil. El tamaño de las muestras de los tres estudios fueron: 17.262 (en la línea de base), 130880 y 36525, respectivamente. Cada estudio utiliza el mismo complejo marco de muestreo. Todos informaron de las estimaciones incorporadas muestreo pesos y los procedimientos estadísticos apropiados para hacer frente a los efectos derivados de diseño. Las estimaciones fueron realizadas utilizando SAS versión 8,1.

Simulación de Monte Carlo

La simulación período se fijó en 312 semanas (es decir, 6 años) con el fin de describir la duración de los datos disponibles procedentes de la NPHS (datos de los cuatro primeros ciclos, de 1994 a 2000, había sido puesto en libertad en el momento en que se realizó el análisis). Cada simulación de Monte Carlo utilizado 50000 ensayos aleatorios para reducir la variación en la simulación de salida. Tracker variables se utilizan para vincular el modelo de salida directamente a los parámetros estimables, como se ha descrito anteriormente.

Un solo Markov túnel fue utilizado para describir el patrón de recuperación en cada uno de los tres incidencia o recurrencia categorías de riesgo. Esencialmente, esto representa un episodio supuesto de que el pronóstico es similar en las distintas categorías de recurrencia. Las sucesivas simulaciones de Monte Carlo se utiliza para identificar los valores de incidencia semanal dentro de cada categoría que podría explicar tanto la incidencia global observado y la duración de datos, así como el patrón de recurrencia observado durante los seis años NPHS período de seguimiento (la proporción de sujetos con Uno, dos o tres episodios detectados).

Resultados

En el NPHS, la estimación de la proporción de la población sin depresión mayor en la línea de base que presentaron uno o más episodios durante los posteriores seis años (teniendo en cuenta que las tres entrevistas realizadas durante los seis años de seguimiento período que abarca sólo tres de estos seis años ) Fue del 9,3%. De esta población, el 7,8% tenían un episodio, el 1,3% tenía dos episodios y un 0,3% tenía tres episodios (estos añadir al 9,4% debido a la aproximación en el redondeo). Este último grupo representa los sujetos que dieron positivo en la CIDI-SFMD en cada una de las tres visitas de seguimiento. Algunos de estos CIDI-SFMD positiva casos puede haber representado persistencia en lugar de la repetición, una distinción que no se pueden realizar utilizando el NPHS conjunto de datos.

Según datos de la CCHS 1,2, la prevalencia de vida de depresión mayor en la población general de Canadá es de 12,2% (95% IC: 11,7% - 12,7%), en consonancia con las estimaciones Europea [14], y un poco menos de América [15] utilizando las estimaciones WMH2000 el instrumento CIDI. En el NPHS, el 12,5% de los sujetos tenían un episodio en una o varias de las entrevistas de seguimiento.

El patrón para el "número de semanas deprimido" para temas de información de un episodio de depresión mayor se presenta como un porcentaje acumulado en la figura 2. De acuerdo con la literatura existente, muchos temas han breves episodios, pero como era de esperar, el patrón sugerido una disminución de la probabilidad de recuperación con el aumento de la duración episodio. Por ejemplo, la diferencia entre la proporción de la población se informa n semanas deprimido en el último año y n +1 semanas deprimido en el último año se convirtió en lo más pequeño se convirtió en n mayor.

Como era de esperar, el uso de los valores más altos de la incidencia y recurrencia dado lugar a una mayor proporción de sujetos con episodios recurrentes. Debido a que la proporción caer en la moderada y alta recurrencia grupos se vieron limitados por la CCHS 1,2 estimaciones, es posible identificar, mediante una serie de simulaciones, los valores de incidencia de recurrencia dentro de cada categoría que dio lugar a la evolución observada en el NPHS. Figura 3 presenta observadas y simuladas recurrencia datos de los parámetros seleccionados, la figura 4 es una representación de la modelo, con inclusión de los valores de la transición probabilidades. Semanal de las probabilidades de transición se 0,00028 por semana en el de bajo riesgo, 0,0010 por semana en el riesgo moderado y 0,00575 en las categorías de alto riesgo.

El túnel de Markov que describe el semanario probabilidades de recuperación (p r) siguen el modelo de r = 0,18 p * e * -0,09 semana de modo que la probabilidad de recuperación es inicialmente muy alto, pero se redujo en aproximadamente un 9% con cada semana pasado en la depresión Estado. El túnel se trunca después de 26 semanas, de manera que la probabilidad de recuperación una vez que la mitad de un año se gastó en la depresión se mantuvo constante en alrededor de la mitad del uno por ciento por semana. Figura 5 yuxtapone la observada y simulada número de semanas deprimido en el último año.

Para facilitar la interpretación, es posible expresar la semana las probabilidades de transición como una incidencia acumulada anual de espera para la depresión mediante la fórmula: incidencia acumulada anual = 1 - (1 por semana, la probabilidad de transición) 52. Utilizando esta fórmula, la incidencia anual en el bajo, moderado y alto de recurrencia categorías son las siguientes: 1,4%, 5,1% y 25,9%. La ponderada de la incidencia anual es de 3,3%, consistente con la literatura actual [16]. El número medio de semanas pasado en la depresión se estimó por simulación de Monte Carlo, en los que tienen un solo episodio más de las 312 semanas de simulación de intervalo, y se encontró que era 16,8 semanas (media = 9,0 semanas). Estos resultados muestran una gran coherencia con la literatura, donde una serie de duración media de 12 a 30 semanas ha sido reportado [17]. La considerable diferencia entre la media y la mediana de duración también se ha informado [18], y refleja la muy larga duración de una minoría de los episodios. Adicional de fichero 1 es el modelo de Markov en la forma de un Treeage ® Pro archivo de datos, el túnel se Markov Adicional que figura en el fichero 2.

Discusión

El modelo que aquí se presenta proyecta un 9,3% global de los nuevos episodios de frecuencia durante un período de 6 años. Intuición sugiere que, dado que la duración de seguimiento en el NPHS es esencialmente 6 años, la prevalencia de vida considerablemente superior a la observada ocurrencia de uno o más episodios en el NPHS. Esto no resultó así, ya que la prevalencia de vida de 1,2 CCHS, que utiliza la WMH-CIDI fue sólo del 12,2%. Esto puede ser debido a la falta de especificidad de la CIDI-SFMD [19], lo que podría sesgar los NPHS derivados de la incidencia y la prevalencia de las estimaciones al alza. También es posible que el sesgo de recuerdo afectados WMH-CIDI estimación de prevalencia de vida, lo que podría sesgo de la estimación de la baja prevalencia de vida. Esta interpretación es coherente con Kruijshaar et al. "S microsimulación resultados, lo que sugiere que la vida puede ser en realidad la prevalencia del 20-30% [6] y, además, es coherente con la observación de que aproximadamente el 50% de los episodios se olvidan después de un período de 25 años [ 20]. Muchos de los autores han especulado que el sesgo de recuerdo puede resultar en la subestimación de la prevalencia de vida [21 - 23].

Dado que los datos de la vida WMH-CIDI fueron utilizados para calibrar el modelo de Markov se presenta aquí, y desde la Kruijshaar et al. [6] modelo de microsimulación sesgo de recuerdo sugerido que pueden tener repercusiones en los tales estimaciones, el modelo de Markov presentan aquí pueden haber sido calibrada en contra de una norma imperfecta. Desde el sesgo de recuerdo tendría probablemente el mayor impacto en los episodios remotos, el impacto sobre nuestro modelo de Markov sería probablemente una subestimación de la proporción de la población en las categorías de baja recurrencia. En el futuro, con estudios a más largo plazo de seguimiento será útil para aclarar estas dinámicas más decisiva.

Otra limitación de estos datos es la hipótesis de que las tres categorías definidas por la CCHS 1,2 representado la proporción de la población caen en tres amplias categorías de recurrencia. Los sujetos con depresión mayor no toda la vida se han utilizado para aproximar el tamaño de una categoría de bajo riesgo en la población, solo episodios de la categoría de riesgo moderado y múltiples episodios de la categoría de alto riesgo. Esta división es un tanto arbitraria, pero necesaria para ser aprobado debido a que el NPHS datos también se utilizó para estimar la incidencia (lo que hubiera sido una tautología para estimar la incidencia de las mismas proporciones que definen riesgo de recurrencia).

La figura 4 presenta un estadio más avanzado de Markov marco basado en la descripción de la epidemiología depresión mayor que antes descrito modelos de Markov, y el modelo parece ser una buena descripción de Canadá con los principales datos de la depresión, a pesar de las limitaciones especificadas. A nuestro entender, este método de estimación de la incidencia y la recurrencia de la depresión mayor no se ha informado anteriormente. Markov modelos son comúnmente utilizadas en el modelado de coste-eficacia (por ejemplo, ver, Sorensen et al. [24]]. Más recientemente, la integración de datos procedentes de estudios epidemiológicos psiquiátricos y de los ensayos clínicos para el análisis de coste-utilidad se ha descrito [25, 26]. Si bien el modelado de los enfoques disponibles tienen limitaciones, sí ofrecen un marco metodológico que debe apoyar cada vez más significativas las descripciones de la epidemiología de la depresión mayor. De más importancia, debería ser posible para perfeccionar estos modelos ya que proporcionan una plataforma para la integración de la mejor información disponible, ya que se disponga de ellos.

Renuncia

Los análisis aquí presentados se basan en datos recopilados por Statistics Canada http://www.statcan.ca, pero no representan las opiniones o interpretaciones de Estadística del Canadá.

Material suplementario
Archivo Adicional 1
Este es el modelo de Markov, como Treeage
®
Pro archivo de datos.
Archivo Adicional 2
El modelo de Markov Markov túnel contiene una descripción de la pauta de recuperación. Este es el túnel necesario - en la forma de una tabla de archivos para Treeage
®
Datos de Pro.
Agradecimientos

Dr Patten es un Académico de Salud con la Alberta Heritage Foundation for Medical Research, y una beca con el Instituto de Economía de la Salud. Este estudio fue financiado con una donación de los Institutos Canadienses de Investigación en Salud.