Análisis espacial y correlaciones de la prevalencia de la diabetes a nivel de condado, 2009 – 2010

J. Aaron Hipp, PhD; Nishesh Chalise, MSW

Citación sugerida para este artículo: Hipp JA, Chalise N. Spatial Analysis and Correlates of County-Level Diabetes Prevalence, 2009–2010. Prev Chronic Dis 2015;12:140404. DOI: http://dx.doi.org/10.5888/pcd12.140404 .

PEER REVIEWED

Resumen

Introducción
Información sobre la relación entre la prevalencia de la diabetes y las características del entorno construido pueden permitir que los programas públicos se centren mejor en las poblaciones en riesgo de diabetes. Este estudio busca determinar la prevalencia espacial de la diabetes en los Estados Unidos y la forma en que esta distribución se asocia a la geografía de las correlaciones comunes de la diabetes.

Métodos
Los datos de los Centros para el Control y la Prevención de Enfermedades y la Oficina del Censo de los EE. UU. se integraron para realizar una regresión geográficamente ponderada a nivel de condado sobre las siguientes variables: el porcentaje de la población no blanca, el porcentaje de la población hispana, el nivel de educación, el porcentaje de desempleados, el porcentaje de personas que viven por debajo del nivel federal de pobreza, la densidad de población, el porcentaje de obesos, el porcentaje de personas físicamente inactivas, el porcentaje de la población que va en bicicleta o caminando al trabajo y el porcentaje de desiertos alimentarios (áreas con difícil acceso a alimentos nutritivos y asequibles) en los vecindarios.

Resultados
Encontramos un agrupamiento espacial significativo de la prevalencia de la diabetes a nivel de condado en los Estados Unidos; sin embargo, la prevalencia de la diabetes no se correlacionó uniformemente con variables predictivas significativas. Los porcentajes de población que vive por debajo del nivel federal de pobreza y de población no blanca se asociaron a la diabetes en algunas regiones. El porcentaje de población que va a pie o en bicicleta al trabajo fue la única variable significativa relacionada con el entorno construido que se correlaciona con la diabetes, y esta asociación varió en magnitud en toda la nación.

Conclusión
Las variables sociodemográficas y las relacionadas con el entorno construido se correlacionaron con la prevalencia de la diabetes en algunas regiones de los Estados Unidos. La variación en la magnitud y la dirección de estas relaciones resaltan la necesidad de comprender el contexto local en la prevención y el mantenimiento de la diabetes. La regresión geográficamente ponderada parece ser prometedora para la investigación de salud pública para poder detectar las variaciones en las asociaciones entre los comportamientos relacionados con la salud, los resultados y las variables predictivas en el espacio geográfico.

Top

Introducción

Más de 25 millones de personas en los Estados Unidos tienen diabetes y otros 80 millones tienen prediabetes; sumados, aproximadamente 1 de cada 3 personas en los Estados Unidos tiene diabetes o prediabetes (1). La diabetes está relacionada con la obesidad y la inactividad física; muchos factores del entorno construido —características del entorno cercano— tales como el acceso a alimentos saludables (2), las tasas de criminalidad (3), la matriz urbano-rural (4–6) y caminar (4) están correlacionados con la prevalencia de la diabetes. Uno de los mayores desafíos para entender las asociaciones que existen entre las características del entorno construido y la diabetes es que ambos factores varían en todos los Estados Unidos. Aunque los estudios sobre la diabetes han encontrado variaciones espaciales en la incidencia y la prevalencia, existe una escasez de información en cuanto a la forma en que la prevalencia espacial de la diabetes puede o no estar asociada con la prevalencia espacial de las características del entorno construido. La importancia de entender la covarianza de la diabetes con sus correlaciones fue destacada por Siordia y sus colegas (7), quienes encontraron que la relación entre la pobreza y la prevalencia de la diabetes variaba en distintas partes de los Estados Unidos y que la pobreza estaba altamente correlacionada con la diabetes en algunas regiones, pero no en otras (7). Este hallazgo le dio impulso a nuestra hipótesis de que la relación entre la prevalencia de la diabetes y las características del entorno constituido a nivel de condado no es estacionaria (es decir, la relación varía según el espacio).

El objetivo de nuestro estudio fue determinar la manera y el lugar en que la prevalencia de la diabetes se relaciona con las características del entorno construido a nivel de condado en los estados contiguos de los Estados Unidos. Esta información puede permitir que los programas y las intervenciones se centren mejor en las poblaciones y aborden las características del entorno construido asociadas con la alta prevalencia de la diabetes.

Top

Métodos

Nuestro estudio utilizó la regresión geográficamente ponderada (geographically weighted regression, GWR), una herramienta utilizada cada vez más por los investigadores de salud pública para entender los matices de temas tales como el acceso a la atención médica, la distribución de la enfermedad y la magnitud de la variación espacial de las variables predictivas de resultados de salud (8-10) .

Fuentes de los datos

Utilizamos datos secundarios transversales a nivel de condado de diversas fuentes disponibles públicamente. Se descargaron shapefiles del Sistema de Información Geográfico (Geographic information systems, GIS) sobre condados en los estados contiguos de los Estados Unidos de los archivos de Codificación y Referencia Geográfica Integrada Topográficamente (Topographically Integrated Geographic Encoding and Referencing, TIGER) proporcionados por la Oficina del Censo de los EE. UU. (11), y se importaron en el software ArcGIS 10.2 (ESRI). Los datos sobre la prevalencia de la diabetes, las tasas de obesidad y de inactividad física se recolectaron del Atlas Interactivo de la Diabetes de los Centros para el Control y la Prevención de Enfermedades (CDC) (12). Dicha información se basa en los datos del Sistema de Observación de los Factores de Riesgo (Behavioral Risk Factor Surveillance System, BRFSS). Lo CDC definen la prevalencia de la diabetes como el porcentaje estimado de adultos con diabetes diagnosticada, luego del ajuste por edad. El BRFSS no diferencia entre la diabetes tipo 1 y la tipo 2. Los CDC definen la prevalencia de obesidad como el porcentaje estimado de adultos obesos (índice de masa corporal = 30) luego del ajuste por edad. La prevalencia de la inactividad física es un porcentaje estimado de adultos que son físicamente inactivos. Los adultos físicamente inactivos son aquellos que no participaron en ninguna actividad física o ejercicio en los 30 días anteriores (http://www.cdc.gov/diabetes/library/glossary.html). Todos los datos del BRFSS son autorreportados. Los datos sobre la tasa de personas que van a pie o en bicicleta al trabajo se obtuvieron del Censo de EE. UU.; esta variable se definió como el porcentaje de adultos empleados, por condado, que informó haber ido al trabajo a pie o en bicicleta la semana anterior.

Los datos de las variables sociodemográficas —el porcentaje de la población no blanca, el porcentaje de la población hispana, el porcentaje de personas que viven por debajo del nivel de pobreza, el nivel de educación, la densidad de población y el porcentaje de desempleo— corresponden las estimaciones de 5 años (2006-2010) (13) de la Encuesta de la Comunidad Estadounidense realizada por la Oficina del Censo de EE. UU. La variable de la población no blanca se refiere al porcentaje de personas que no se identificaron a sí mismas como blancas y no incluye a los hispanos que se identificaron a sí mismos como blancos. El porcentaje de población hispana se refiere a la cantidad de personas que se identificaron como hispanos (tanto blancos como no blancos). El porcentaje de personas que viven por debajo del nivel federal de pobreza se determinó de acuerdo con los umbrales de ingresos definidos por la Oficina del Censo de Estados Unidos, los cuales difieren según la composición de la familia. La variable de educación se definió como el porcentaje de personas que informaron no haber completado la escuela secundaria. La densidad de la población se definió como el número de personas por milla cuadrada en un condado. El desempleo se determinó como el porcentaje de civiles mayores de 16 años que no tenían trabajo la semana de referencia. Los datos respecto de los desiertos alimentarios se recolectaron del Departamento de Agricultura (USDA); la variable de los desiertos alimentarios se definió como el porcentaje de sectores de censo (por condado) que son desiertos alimentarios.(http://www.ers.usda.gov/data-products/food-access-research-atlas/download-the-data.aspx). El USDA define como desierto alimentario a un sector del censo si el 33 % de la población vive lejos (urbano, > 1 milla; rural, > 10 millas) de un supermercado o tienda de comestibles. Todas las variables se determinaron a nivel de condado. Se incluyeron 3109 condados en el estudio. Se excluyeron los condados pertenecientes a Alaska y Hawái porque no pudimos analizar la influencia de la proximidad; estos estados no limitan con otros de los EE. UU., y en Hawái, ningún condado limita con otro.

Regresión geográficamente ponderada

Utilizamos la regresión geográficamente ponderada (geográphically weighted regression, GWR) además de la regresión de mínimos cuadrados ordinarios (ordinary least squares, OLS) debido a que los datos espaciales utilizados en nuestro estudio violaban 2 suposiciones principales de la regresión global. En primer lugar, la regresión OLS global asume que las observaciones son independientes las unas de las otras. Sin embargo, los datos espaciales a menudo son agrupados, lo que sugiere que existen relaciones más significativas entre las observaciones inmediatas (14). El agrupamiento puede dar lugar a una correlación entre los residuales de la regresión en el espacio, o autocorrelación espacial, y a estimaciones sesgadas de parámetros (15). En segundo lugar, la regresión OLS asume que la relación entre las variables dependientes e independientes son espacialmente estacionarias (16). En otras palabras, asume que los coeficientes serán constantes en toda un área de muestra. Sin embargo, el contexto de un área específica puede influir en la magnitud y la dirección de la relación y producir una variedad de coeficientes (17). La GWR atenúa estos supuestos y permite el análisis de los datos espacialmente relevantes. A diferencia de los modelos de regresión de OLS, que producen modelos globales en el espacio, la GWR produce numerosos modelos locales. Lleva a cabo simultáneamente múltiples regresiones, por lo que hay un modelo de regresión por cada punto de datos espaciales (por ejemplo, un condado). Las observaciones más cercanas a un punto de datos específicos tendrán más peso en la estimación que las observaciones más lejanas.

Pasos metodológicos en la construcción de modelos

El primer paso en el proceso de construcción del modelo es trazar la variable dependiente y explorar la heterogeneidad espacial. Si la variable dependiente no está agrupada, no hay necesidad de construir un modelo espacialmente explícito. Sin el agrupamiento, el modelo global será similar al modelo local (17). Se utilizó el Índice de Moran (I) en ArcGIS para trazar el agrupamiento de la prevalencia de la diabetes en condados de los Estados Unidos. Los rangos del I de Moran varían de -1.0, que corresponde a un modelo perfectamente disperso (por ejemplo, un patrón de tablero de ajedrez), a +1.0; que corresponde a un modelo perfectamente agrupado. Se generan un puntaje de z y un valor de p como resultados junto con el I de Moran.

Se completó la exploración de datos inicial y la especificación del modelo mediante la OLS, con el software SPSS 22 (IBM Corporation). Tres factores motivaron la decisión de especificar primero el modelo de OLS: 1) quisimos identificar las variables significativamente correlacionadas con la variable dependiente antes de especificar el modelo de regresión; 2) el software de GWR que se utiliza para el análisis espacial no proporciona un factor de inflación de la varianza (variance inflation factor, VIF) para evaluar la multicolinealidad; y 3) el software de GWR no permite al investigador extraer los residuales de la regresión para evaluar la autocorrelación espacial del modelo global.

En la regresión de OLS solo incluimos las variables significativamente correlacionadas con la variable dependiente, la prevalencia de la diabetes. Se trazaron y analizaron los residuales del modelo OLS global para la autocorrelación espacial utilizando el I de Moran. Luego, se utilizó el mismo conjunto de variables para especificar un modelo de GWR con el software GWR4 (http://geodacenter.asu.edu/gwr). Al llevar a cabo la GWR, utilizamos el núcleo adaptativo, que fue producido con la función de ponderación bisquare. El núcleo adaptativo utiliza variadas áreas espaciales, pero una cantidad fija de observaciones para cada estimación. Este es un método muy apropiado cuando la distribución de las observaciones varía en el espacio. En nuestro caso, las observaciones (condados) son mucho más pequeñas y están más juntas en el Noreste y el Sureste de lo que están en el Medio Oeste y la Costa Oeste. Finalmente, se utilizó un proceso que minimiza el Criterio de Información de Akaike (Akaike Information Criteria, AIC) para determinar cuál es el mejor tamaño de núcleo. Las estimaciones de los parámetros y los valores de t producidos por el software se exportaron y trazaron mediante la herramienta ArcGIS 10.2 (ESRI).

Se presume que los residuales de los modelos GWR se distribuyen normalmente; una suposición adicional es que no están espacialmente autocorrelacionados o agrupados en el espacio. Dicho agrupamiento sugiere que el modelo local subestima o sobrestima la prevalencia de la diabetes en áreas específicas. Los residuales del modelo GWR se analizaron mediante el I de Moran para evaluar la autocorrelación espacial. El agrupamiento de residuales de los modelos de OLS y GWR se compararon para evaluar el valor de usar la GWR.

Comparación del rendimiento de los modelos de OLS y GWR

Utilizamos 3 herramientas para comparar los modelos de OLS y GWR. En primer lugar, comparamos el R² ajustado del modelo de OLS básico y del modelo de GWR. Un R² ajustado que es más alto en el modelo de GWR que en el modelo de OLS para el mismo conjunto de variables sugiere que la ubicación incide significativamente en la explicación de la varianza en la prevalencia de la diabetes. En segundo lugar, comparamos el AIC corregido (AICc) de ambos modelos. El AICc es una medida ampliamente utilizada de la bondad de ajuste que ajusta los grados de libertad (18). Se puede utilizar para comparar modelos con las mismas variables dependientes pero con diferentes variables independientes. El AICc también se puede usar para comparar un modelo global con modelos locales (17), ya que no asume que los modelos deben estar jerarquizados (18). Los valores del AICc no son absolutos, sino relativos, de manera que solo son significativos cuando se comparan entre los modelos. Un modelo con un AICc más pequeño se considera un mejor ajuste. El paso analítico final fue comparar los residuales de ambos modelos respecto de su distribución y autocorrelación espacial.

Top

Resultados

La prevalencia de la diabetes a nivel de condado en los Estados Unidos varió del 3.8 % al 17.8 % y se agrupaba de manera significativa (I de Moran = 0.35; z = 540.2; p < 0.001). Encontramos sectores con alta prevalencia de la diabetes en el Sureste y sectores de baja prevalencia de la diabetes en Colorado. La prevalencia de la diabetes estuvo significativamente correlacionada con numerosas variables independientes. Debido a que el porcentaje de los desiertos alimentarios en los vecindarios no se correlacionó significativamente a nivel de condado, no se incluyó en el modelo de OLS. Las siguientes 9 variables se incluyeron en el modelo de OLS: la densidad de población, el porcentaje de no blancos, el porcentaje de hispanos, el porcentaje de personas que viven por debajo del nivel federal de pobreza, el porcentaje de personas con educación secundaria incompleta, el porcentaje de desempleados, el porcentaje de obesos, el porcentaje de personas físicamente inactivas y el porcentaje de personas que iban en bicicleta o caminando al trabajo. El modelo de OLS fue significativo (F_9,3099 = 495.87, p < 0.001). El modelo explicó el 58.8 % de la varianza en la prevalencia de la diabetes a nivel de condado. El factor de inflación de la varianza para todas las variables fue de menos de 4.0, un punto de corte comúnmente usado, lo que sugiere que no hay multicolinealidad ( Tabla 1).

Los residuales del modelo de OLS estaban espacialmente correlacionados (I de Moran = 0.13; z = 26.4; p < 0.001). El modelo de OLS sobrestimó la prevalencia de la diabetes de los condados en Colorado y Nuevo México. De manera similar, se subestimaron los resultados de los condados en Alabama y Virginia Occidental.

El modelo de GWR dio coeficientes para cada condado ( Tabla 2, Figura 1, Figura 2). El cambio tanto en la magnitud como en la dirección de los coeficientes sugiere que la relación entre las variables predictivas y la prevalencia de la diabetes no es espacialmente estacionaria. La dirección de la relación en la mayoría de los condados fue la esperada. Solo algunos condados tenían relaciones opuestas para las variables predictivas en el modelo de GWR. En la mayoría de los condados, ir a pie o en bicicleta al trabajo se asoció con una menor prevalencia de diabetes. Sin embargo, algunos grupos de condados rurales en Minnesota, Dakota del Norte y Dakota del Sur muestran una asociación entre caminar o ir en bicicleta al trabajo y una mayor prevalencia de diabetes. Dicha fluctuación exige un análisis más minucioso y un enfoque contextual. Por ejemplo, las altas tasas de personas que caminan o van en bicicleta al trabajo son a menudo asociadas con transporte multimodal, el cual también incluye al transporte público, y que es menos probable que haya en las comunidades rurales (19).

Figura 1. Variación espacial en la estimación de los parámetros y valores de t en condados de EE. UU. para el porcentaje de personas que viven por debajo del nivel de pobreza federal (mapas A y B) y el porcentaje de la población no blanca (mapas C y D). Fuente de los datos: Encuesta Estadounidense Comunitaria (2006-2010) (13) y los Centros para el Control y la Prevención de Enfermedades (12). [También está disponible la descripción de esta figura].

 Figura 2. Variación espacial en las estimaciones de los parámetros y los valores de t en condados de los Estados Unidos para el porcentaje de la población que camina o va en bicicleta a trabajar (mapas A y B) y el porcentaje de la población físicamente inactiva (mapas C y D); coeficiente de correlación al cuadrado local para el modelo completo de regresión geográficamente ponderada (mapa E). Fuente de los datos: Encuesta Estadounidense Comunitaria (2006-2010) (13) y los Centros para el Control y la Prevención de Enfermedades (12). [También está disponible la descripción de esta figura].

El R² ajustado para el modelo local de GWR osciló entre 0.06 y 0.94; el R² ajustado en el modelo de OLS fue de 0.58. Explícitamente, el R² del OLS global de 0.58 encubre una amplia distribución de asociaciones locales entre las variables predictivas y la prevalencia de la diabetes. Sin la GWR, no habríamos sido capaces de estimar los modelos locales. En condados de Dakota del Norte, Dakota del Sur y Montana, el modelo de GWR explicó hasta el 94 % de la varianza en la prevalencia de la diabetes. Sin embargo, en Washington y Oregón, el modelo no explicó gran parte de la varianza (6 %-37 %), una variación espacial que no se habría captado con el modelo de OLS solo. Los residuales del modelo de GWR, aunque resultaron significativos, estuvieron menos espacialmente autocorrelacionados que los residuales del modelo de OLS (I de Moran = 0.01; z = 3.74; p < 0.001). En comparación con OLS, el modelo de GWR mejora en gran medida el ajuste del modelo. El modelo de GWR explicó más varianza en la prevalencia de la diabetes y redujo el AICc (?R² = 0.22; ?AICc = 2008.4).

Top

Discusión

El nivel de pobreza, la inactividad física y el caminar o ir en bicicleta al trabajo fueron factores asociados significativamente con la prevalencia de la diabetes a nivel de condado. Estas relaciones no fueron espacialmente estacionarias en distintas partes de los Estados Unidos. La variación en las estimaciones de parámetros de GWR sugiere la necesidad de aplicar esta herramienta de análisis espacial en otros estudios de la diabetes que hayan estado limitados a modelos globales (2, 4). En el modelo global de OLS, el 58.8 % de la prevalencia de la diabetes a nivel de condado se explicó por raza, pobreza, obesidad, inactividad física y el hecho de ir a pie o en bicicleta al trabajo. Sin embargo, a nivel de condado individual, el porcentaje explicativo varió del 6 % al 94 % y los modelos individuales a nivel de condado estuvieron significativamente agrupados. Este agrupamiento sugiere que los contextos locales, las políticas, los programas y las características del entorno construido están relacionados con la prevalencia de la diabetes y que la amplitud de tales contextos, políticas, programas y entornos varía en toda la nación.

La disparidad en los coeficientes variables no fue un factor de un solo condado sino un factor de varios condados cercanos, tal vez debido a expansión de las políticas y a la expansión programática de los condados vecinos y a la difusión de la innovación (20). El porcentaje de la población no blanca en los condados tuvo el mayor efecto en el Sureste y en las Montañas Rocallosas, desde Arizona y Nuevo México hasta Idaho y Montana. Los estados de estas regiones tienen una alta proporción de afroamericanos, hispanos o razas e indoamericanos con tasas desproporcionadamente altas de diabetes (21). En varias regiones (tales como el Medio Oeste, el valle de Ohio y Nueva Inglaterra), la pobreza tuvo una mayor asociación con la prevalencia de la diabetes que cualquier otra variable. La falta de actividad física tuvo el mayor impacto en el Sureste y el Suroeste, lo cual es un patrón similar al de la prevalencia de la obesidad (22). Ir a pie o en bicicleta al trabajo tuvo la mayor relación con la prevalencia de la diabetes en el Valle del Mississippi, los enclaves de Texas y Oklahoma y el sur de Florida; es decir, zonas que generalmente no se asocian con ir a pie o en bicicleta por sus veranos calurosos.

Las relaciones entre las poblaciones no blancas, la pobreza, la inactividad física y la diabetes no son nuevas (3, 4, 7). Otros estudios encontraron que estas relaciones tienen un componente espacial (23). Con la excepción del trabajo reciente de Siordia y sus colegas (7), no ha habido ninguna investigación sobre la fluctuación de estas relaciones. De manera similar, la fuerte asociación entre ir a pie o en bicicleta al trabajo y la diabetes coincide con los hallazgos de otros estudios (24), pero no ha sido investigada con respecto a la calidad no estacionaria o heterogeneidad espacial. El hecho de que exista una relación significativa entre las poblaciones no blancas, la pobreza y la inactividad física con la diabetes, y que esta relación tenga una asociación espacial, aunque no estacionaria, pone de relieve la necesidad de programas locales de prevención de diabetes específicos para el contexto.

La GWR y nuestros análisis presentan limitaciones. La GWR equipara los coeficientes de regresión locales basados en las áreas geográficas (por ejemplo, condados) más próximas a la zona de interés. Es decir, los coeficientes y la ecuación de la regresión para un condado en Misuri reciben su mayor influencia de condados colindantes y otros condados cercanos, pero no están influenciados por condados en Colorado o Carolina del Norte. Este concepto es esencial para la planificación local, y se relaciona con la primera ley de la geografía de Tobler que expresa que “todo está relacionado con todo lo demás, pero las cosas cercanas están más relacionadas que las cosas lejanas” (25). Sin embargo, la distancia de influencia (de las variables predictivas o intervenciones posibles) es teóricamente desconocida y quizás no sea uniforme por toda un área geográfica (por ejemplo, el territorio continental de los Estados Unidos). Elegimos utilizar un ancho de banda con un núcleo adaptativo, para tener en cuenta las diferencias en el tamaño de los condados y por lo tanto en la distancia de influencia. Esta elección debería haber ayudado a compensar el hecho de que, por ejemplo, Carolina del Norte cuenta con 100 condados pequeños y California tiene 58 condados más grandes, repartidos en una masa terrestre 3 veces más grande que la de Carolina del Norte. Debido a esta discrepancia, el punto de datos (condado) era una estimación basada en los condados próximos como lo define el tipo de núcleo. La GWR también está limitada por el efecto de las regiones colindantes, por lo que los condados situados en los límites de los Estados Unidos (es decir, las regiones costeras y las fronteras con Canadá y México) no tienen los 360° de influencia de los condados del interior de la nación.

Nuestros hallazgos también tienen limitaciones. Los R² locales representaron entre el 6 % y el 94 % de la prevalencia de la diabetes a nivel de condado. En las grandes áreas geográficas del Atlántico Medio, la región norte del Medio Oeste y el Noroeste, las 9 variables incluidas en el modelo explicaron menos de un tercio de la varianza en la prevalencia de la diabetes, lo que significa que la mayoría de los factores relacionados con la prevalencia de la diabetes a nivel de condado en estas áreas geográficas deben haber estado ausentes en nuestro modelo.

La principal fortaleza de este estudio es el uso de la GWR en el análisis de la distribución espacial y las correlaciones de prevalencia de la diabetes. Siordia y sus colegas (7) introdujeron el concepto de no estacionalidad espacial en la relación entre la pobreza y la diabetes. Aquí, ampliamos este trabajo mediante la incorporación de otras variables socioeconómicas y correlaciones del entorno construido con la diabetes. La GWR agrega valor a la investigación y la práctica de la salud pública al poner énfasis en las teorías de resultados de salud específicos para cada ubicación y políticas adaptadas para las intervenciones. Analiza la suposición de relaciones globales entre varias variables predictivas y resultados de salud. Mediante el uso de GWR, los investigadores y profesionales de la salud pública pueden comprender los matices de las cuestiones relacionadas con la salud y responder a la idea de que “toda la salud es local” (25, 26). De este modo, pueden proporcionar claridad para el diseño y financiación de programas y políticas de salud pública específicos para un contexto, especialmente para los programas nacionales que tienen alcance local, tales como los de los CDC y la Asociación Estadounidense de la Diabetes (American Diabetes Association, ADA). Nuestros análisis también podría ser utilizados por los departamentos de salud pública locales y las oficinas de la ADA para acceder a recursos como MIYO (Make It Your own, http://www.miyoworks.org/) para adaptar los mensajes y materiales para sus audiencias objetivo. El uso de la GWR es un avance importante en la investigación y la práctica de la salud pública debido a que muchos comportamientos y resultados de salud varían espacialmente (por ejemplo, la obesidad) al igual que muchas variables predictivas (por ejemplo, la raza o la etnia) (27).

Arrojar luz sobre las variaciones espaciales puede proporcionar nuevos conocimientos sobre las relaciones bien establecidas. La metodología de la GWR debe extenderse a otras iniciativas de salud pública para entender el impacto del entorno y del lugar en la salud, y la manera en que estas relaciones pueden variar en el espacio. En cuanto a la prevalencia de la diabetes, dimos el primer paso en este camino, pero queda mucho por hacer antes de que entendamos por qué existen estas variaciones y por qué la raza o la etnia, la pobreza, la inactividad física y los medios activos de traslado tienen un bajo efecto explicativo en algunas regiones, pero explican hasta el 94 % de la prevalencia de la diabetes en otras regiones.

Top

Agradecimientos

Esta publicación fue respaldada por el Instituto Nacional de la Diabetes y las Enfermedades Digestivas y Renales de los Institutos Nacionales de la Salud (P30DK092950) y el Centro de Investigación Aplicada de Diabetes (Center for Diabetes Translation Research) de la Universidad de Washington (WU-CDTR). El contenido es exclusiva responsabilidad de los autores y no representa necesariamente la opinión oficial del WU-CDTR, el Instituto Nacional de la Diabetes y las Enfermedades Digestivas y Renales, o los Institutos Nacionales de la Salud. Agradecemos el apoyo del Instituto para la Salud Pública de la Universidad de Washington por patrocinar, junto con el WU-CDTR, el evento “Próximos Pasos en la Salud Pública” (Next Steps in Public Health) que dio lugar a este estudio.

Top

Información sobre el autor

Autor responsable de la correspondencia: J. Aaron Hipp, PhD, Brown School, Washington University in St Louis, Campus Box 1196, One Brookings Dr, St Louis, MO 63130. Teléfono: 314-935-3868. Correo electrónico: ahipp@wustl.edu.

Afiliaciones del autor: Nishesh Chalise, Brown School, Universidad de Washington en St. Louis, St. Louis, Misuri.

Top

Referencias

1. Centers for Disease Control and Prevention. National diabetes fact sheet: national estimates and general information on diabetes and prediabetes in the United States, 2011. Atlanta (GA): US Department of Health and Human Services; 2011.
2. Salois MJ. Obesity and diabetes, the built environment, and the ‘local’ food economy in the United States, 2007. Econ Hum Biol 2012;10(1):35–42. CrossRef PubMed
3. Green C, Hoppa RD, Young TK, Blanchard JF. Geographic analysis of diabetes prevalence in an urban area. Soc Sci Med 2003;57(3):551–60. CrossRef PubMed
4. Hu FB, Sigal RJ, Rich-Edwards JW, Colditz GA, Solomon CG, Willett WC, et al. Walking compared with vigorous physical activity and risk of type 2 diabetes in women: a prospective study. JAMA 1999;282(15):1433–9. CrossRef PubMed
5. Ranta J, Penttinen A. Probabilistic small area risk assessment using GIS-based data: a case study on Finnish childhood diabetes. Geographic information systems. Stat Med 2000;19(17-18):2345–59. CrossRef PubMed
6. Samuelsson U, Löfman O. Geographical mapping of type 1 diabetes in children and adolescents in south east Sweden. J Epidemiol Community Health 2004;58(5):388–92. CrossRef PubMed
7. Siordia C, Saenz J, Tom SE. An introduction to macro-level spatial nonstationarity: a geographically weighted regression analysis of diabetes and poverty. Human Geogr 2012;6(2):5–13. CrossRef PubMed
8. Fraser LK, Clarke GP, Cade JE, Edwards KL. Fast food and obesity: a spatial analysis in a large United Kingdom population of children aged 13–15. Am J Prev Med 2012;42(5):e77–85. CrossRef PubMed
9. Tian N, Wilson JG, Zhan FB. Spatial association of racial/ethnic disparities between late-stage diagnosis and mortality for female breast cancer: where to intervene? Int J Health Geogr 2011;10(1):24. CrossRef PubMed
10. Maroko AR, Maantay JA, Sohler NL, Grady KL, Arno PS. The complexities of measuring access to parks and physical activity sites in New York City: a quantitative and qualitative approach. Int J Health Geogr 2009;8(1):34. CrossRef PubMed
11. US Census Bureau. TIGER products; 2013. https://www.census.gov/geo/maps-data/data/tiger.html. Accessed July 25, 2013.
12. Centers for Disease Control and Prevention. Diabetes interactive atlas; 2013. http://www.cdc.gov/diabetes/atlas/. Accessed July 25, 2013.
13. US Census Bureau. Selected demographic characteristics, 2006–2010 American Community Survey 5-year estimates. http://factfinder2.census.gov/faces/nav/jsf/pages/searchresults.xhtml. Accessed July 25, 2013.
14. Fotheringham AS, Brunsdon C. Local forms of spatial analysis. Geogr Anal 1999;31(4):340–58. CrossRef
15. Charlton M, Fotheringham AS. Geographically weighted regression: white paper. Maynooth, County Kildare (Ireland): National Centre for Geocomputation, National University of Ireland Maynooth; 2009.
16. Fotheringham AS, Charlton M, Brunsdon C. Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis. Environ Plann A 1998;30(11):1905–27. CrossRef
17. Fotheringham AS, Brunsdon C, Charlton M. Geographically weighted regression: the analysis of spatially varying relationships. New York (NY): Wiley; 2002.
18. Burnham KP, Anderson DR. Multimodel inference understanding AIC and BIC in model selection. Sociol Methods Res 2004;33(2):261–304. CrossRef
19. Zwald ML, Hipp JA, Corseuil MW, Dodson EA. Correlates of walking for transportation and use of public transportation among adults in St Louis, Missouri, 2012. Prev Chronic Dis 2014;11:E112. CrossRef PubMed
20. Moreland-Russell S, Eyler A, Barbero C, Hipp JA, Walsh H. Diffusion of complete streets policies across US communities. J Public Health Manag Pract 2013;19(3, Suppl 1):S89–96. CrossRef PubMed
21. American Diabetes Association. Diabetes statistics. http://www.diabetes.org/diabetes-basics/diabetes-statistics/. Accessed June 10, 2014.
22. Voss JD, Masuoka P, Webber BJ, Scher AI, Atkinson RL. Association of elevation, urbanization and ambient temperature with obesity prevalence in the United States. Int J Obes 2013;37(10):1407–12. CrossRef PubMed
23. Geraghty EM, Balsbaugh T, Nuovo J, Tandon S. Using geographic information systems (GIS) to assess outcome disparities in patients with type 2 diabetes and hyperlipidemia. J Am Board Fam Med 2010;23(1):88–96. CrossRef PubMed
24. Hu G, Eriksson J, Barengo NC, Lakka TA, Valle TT, Nissinen A, et al. Occupational, commuting, and leisure-time physical activity in relation to total and cardiovascular mortality among Finnish subjects with type 2 diabetes. Circulation 2004;110(6):666–73. CrossRef PubMed
25. Tobler W. A computer movie simulating urban growth in the Detroit region. Econ Geogr 1970;46:234–40. CrossRef
26. Gebreab SY, Diez Roux AV. Exploring racial disparities in CHD mortality between blacks and whites across the United States: a geographically weighted regression approach. Health Place 2012;18(5):1006–14. CrossRef PubMed
27. Kohl HW 3d, Satinsky SB, Whitfield GP, Evenson KR. All health is local: state and local planning for physical activity promotion. J Public Health Manag Pract 2013;19(3, Suppl 1):S17–22. CrossRef PubMed

Top

Tablas

Tabla 1. Resultados del modelo de mínimos cuadrados ordinarios de la prevalencia de la diabetes en los EE. UU. a nivel de condado, 2009-2010

Abreviatura: EE: error estándar.

Tabla 2. Resultados del modelo de regresión geográficamente ponderada de la prevalencia de la diabetes en los EE. UU. a nivel de condado, 2009–2010

Top

Top