Modelo de la influencia de los factores climáticos y la contaminación del aire en la incidencia de enfermedades respiratorias en las regiones y subregiones climáticas de Costa Rica

Abstract

Este estudio presenta un análisis de la asociación no lineal y rezagada entre la exposición a variables climáticas (temperatura, precipitación y humedad relativa) y la profundidad óptica de aerosoles (AOD), como aproximación de la contaminación del aire, con los egresos hospitalarios semanales y el riesgo relativo asociado por enfermedades respiratorias en Costa Rica, bajo condiciones previas a la pandemia de COVID-19, durante el período 2000–2019. Se analizaron las siete regiones climáticas oficiales y sus subregiones mediante bases de datos satelitales validadas y registros administrativos de salud. Para capturar la heterogeneidad espacio-temporal y la presencia de ceros estructurales, se integraron modelos de rezago distribuido no lineal (DLNM) en marcos de modelos lineales generalizados mixtos (DLNM-GLMM) y de modelos de localización, escala y forma (DLNM-GAMLSS) con inflación de ceros, a partir de diversas distribuciones y sus extensiones en la variable de respuesta, tales como Poisson, Binomial Negativa, Gamma, Normal, Inversa Gaussiana y Logit. La selección de especificaciones óptimas se basó en los criterios AIC y BIC, así como en métricas predictivas (MAE, MAPE, RMSE, SAME). El marco DLNM permitió analizar la asociación no lineal y rezagada entre las variables de exposición y el riesgo relativo de los egresos hospitalarios. El DLNM con distribución Binomial Negativa describió adecuadamente los egresos hospitalarios en la mayoría de regiones; sin embargo, considerar efectos aleatorios subregionales, mediante el DLNM-GLMM, esta distribución capturó mejor la variabilidad intrarregional en la Región Valle Central. En regiones periféricas, la inclusión de inflación de ceros mediante DLNM-GAMLSS mejoró la bondad de ajuste. Para los riesgos relativos a egresos hospitalarios, según la densidad poblacional, el DLNM con distribución Gamma, sin incorporar factores aleatorios por subregión, mostró un mejor desempeño en las regiones. Asimismo, el DLNM-GLMM con distribución normal, capturó de manera más precisa la asociación rezagada al considerar los factores mixtos por subregiones. Los pronósticos con ventanas móviles para el período 2017 – 2019 mostraron estabilidad y precisión, confirmando la influencia moduladora de los factores climáticos y de la contaminación sobre la salud respiratoria y aportando evidencia valiosa para anticipar brotes estacionales y optimizar la asignación de recursos sanitarios.

This study presents an analysis of the nonlinear and lagged association between exposure to climatic variables (temperature, precipitation, and relative humidity) and aerosol optical depth (AOD), proxy of air pollution, with weekly hospital discharges and the associated relative risk due to respiratory diseases in Costa Rica under pre- COVID-19 pandemic conditions, over the period 2000–2019. The seven official climatic regions and their subregions were analyzed using validated satellite databases and administrative health records. To capture the spatio-temporal heterogeneity and the presence of structural zeros, distributed lag nonlinear models (DLNM) were integrated within generalized linear mixed model frameworks (DLNM-GLMM) and generalized additive models for location, scale, and shape (DLNM-GAMLSS) with zero inflation, based on various response distributions and their extensions, including Poisson, Negative Binomial, Gamma, Normal, Inverse Gaussian, and Logit. The selection of optimal specifications was based on AIC and BIC criteria, as well as predictive metrics (MAE, MAPE, RMSE, SAME). The DLNM framework allowed for the analysis of the nonlinear and delayed association between exposure variables and the relative risk of hospital discharges. The DLNM with a Negative Binomial distribution adequately described hospital discharges in most regions; however, when accounting for subregional random effects via the DLNM-GLMM, this distribution captured intraregional variability more effectively in the Central Valley region. In peripheral regions, the inclusion of zero inflation through DLNM-GAMLSS improved model fit. Regarding relative risks of hospital discharges based on population density, the DLNM with a Gamma distribution— without incorporating subregional random effects—demonstrated better performance in the regions. Additionally, the DLNM-GLMM with a Normal distribution more accurately captured the lagged association by incorporating mixed effects at the subregional level. Forecasts using rolling windows for the 2017–2019 period exhibited both stability and accuracy, confirming the modulating influence of climatic and pollution factors on respiratory health, and providing valuable evidence to anticipate seasonal outbreaks and optimize the allocation of healthcare resources.