Mortalità e fattori socioeconomici misurati a livello individuale e d’area nella città di Palermo: uno studio multilivello

Introduzione

È sempre aperto il dibattito sull’esistenza e sulla rilevanza, nell’ambito degli studi sull’origine socioeconomica delle disuguaglianze di salute, di fattori di rischio contestuali, cioè di fattori di rischio che, agendo indipendentemente dalle caratteristiche strettamente individuali, sono legati alle caratteristiche intrinseche delle aree in cui vivono o dei gruppi cui appartengono gli individui.¹ Tale dibattito nasce dalla necessità di capire se i risultati di studi ecologici siano da ricondursi all’effetto di fattori di rischio individuali (effetto composizionale) o a fattori contestuali,² e si ricollega alle problematiche inerenti la possibilità che i fattori di rischio individuali non spieghino da soli la genesi dei fenomeni sanitari, ma che fattori sovraindividuali, di gruppo, abbiano un ruolo in tale genesi, con le conseguenti implicazioni di politica sanitaria.^3,4 I fattori di rischio socioeconomici contestuali agirebbero sia direttamente sia indirettamente, influenzando a loro volta i fattori di rischio individuali, con effetto potenzialmente confondente.⁵ Problematica è anche l’entità del-l’effetto di tali fattori contestuali sulle problematiche sanitarie.⁶ Il nostro studio intende quindi verificare mediante un’analisi multilivello (in cui simultaneamente sono analizzate variabili a livello individuale e variabili a livello di area):⁷

• se nella popolazione presa in esame fattori socioeconomici individuali e contestuali influenzino la mortalità generale e per singole cause;
• se gli effetti dei fattori di rischio individuali e contestuali siano indipendenti gli uni dagli altri;
• l’importanza relativa delle variabili d’area rispetto a quelle individuali nello spiegare la variabilità complessiva della mortalità.

Metodi

La popolazione presa in esame è quella dei residenti nella città di Palermo al 01.01.2002, seguita fino al 31.12.2007. Al fine di disporre dei dati individuali socioeconomici sono stati appaiati i dati dell’anagrafe del Comune di Palermo (i residenti al 21.10.2001 risultavano 696.181) e i dati individuali del censimento del 2001 (relativi a 680.491 individui censiti). In tal modo è stata ricostruita una coorte parziale dei residenti nel Comune di Palermo al 1° gennaio 2002. L’appaiamento è avvenuto in due fasi. Nella prima fase sono stati appaiati i re cord delle due fonti di dati sulla base del sesso, della data e del comune di nascita e della sezione di censimento, escludendo gli appaiamenti multipli. In tal modo sono state appaiate le informazioni relative a 460.257 residenti. Nella seconda fase i dati non appaiati sono stati sottoposti a una procedura di appaiamento che, oltre ai dati già considerati, prendeva in esame le analoghe caratteristiche dei componenti del nucleo familiare; sono state così appaiate le informazioni relative a ulteriori 60.534 residenti. Al termine della procedura risultavano disponibili le informazioni censuarie per 520.791 residenti al 21.10.2001, pari al 74,8% dei residenti. Di tali individui sono stati selezionati quelli con età maggiore o uguale a 40 anni e inferiore a 80 anni, a loro volta suddivisi in due grandi gruppi di età (40-64 anni e 65-79 anni), considerati differenti per l’esposizione a fattori di rischio lavorativi in atto, per un totale rispettivamente di 165.185 e di 55.138 individui. Durante il periodo di tempo preso in considerazione, 8.822 individui nel primo gruppo (5,3%) e 1.985 nel secondo (3,45%) hanno cambiato comune di residenza e sono stati quindi esclusi dall’analisi.

Sono state prese in considerazione le cause di morte dei residenti nel Comune di Palermo dal 01.01.2002 al 31.12.2007 codificate dai medici del servizio di epidemiologia dell’AUSL 6 di Palermo. I residenti deceduti nel periodo considerato sono stati complessivamente 35.420. Nel primo gruppo preso in considerazione (40-64 anni), sono state rintracciate e codificate 4.698 schede di morte, mentre in 89 decessi (1,85%) le schede non sono state rintracciate; nel secondo gruppo (65-79 anni), le schede rintracciate e codificate sono state 11.167, mentre in 142 casi (1,25%) le schede non sono state rintracciate. Nell’analisi i fattori di rischio variabili sono stati classificati in due categorie: individuali e di contesto.^3-5 A livello di area, è stato calcolato un indicatore socioeconomico di area (ISEA)⁸ per 25 subaree del Comune di Palermo (corrispondenti ai 25 quartieri storici della città). L’analisi fattoriale ha portato alla selezione di due fattori e al computo di due score (con il metodo regression), la cui somma ha costituito l’indicatore socioeconomico. L’indicatore è stato utilizzato come variabile continua. A livello individuale sono state calcolate tre variabili discrete:

• un indicatore economico individuale (IEI), costruito assegnando ciascun individuo a uno dei quattro strati sociali individuati applicando le regole indicate in tabella 1, sulla base delle risposte al questionario Istat del censimento 2001 della popolazione.⁹ Ai quattro strati, caratterizzati da redditi crescenti, sono stati assegnati dei redditi figurativi di valore 0 (senza reddito), 1 (operai, contadini, impiegati non dirigenti), 2 (dirigenti, lavoratori in proprio) e 3 (imprenditori e liberi professionisti). I redditi figurativi assegnati sono stati sommati per nucleo familiare, e a essi è stato sommato il valore 0,5 in caso di proprietà dell’abitazione. Il valore finale è stato diviso per la somma dei pesi assegnati ai componenti il nucleo familiare; come pesi sono stati utilizzati quelli della OECD modified equivalence scale, che prevede un valore di 1 per il primo componente adulto, di 0,5 per gli ulteriori componenti adulti e di 0,3 per i componenti minori di 14 anni.¹⁰ Tale reddito medio è stato attributo a ciascun componente del nucleo, costituendo così l’IEI. Sono stati calcolati i terzili della distribuzione di tale indice ed è stata costruita una variabile dicotomica assegnando un valore 0 in corrispondenza dei valori del 1° terzile e il valore 1 in corrispondenza dei valori del 2° e 3° terzile. Tale scelta è nata dalla considerazione che, in un’analisi preliminare su un modello contenente due variabili dummy (0,1) per codificare lo stesso indice a tre livelli, i coefficienti di regressione calcolati per le due variabili risultavano pressoché identici;
• un indicatore di livello di istruzione (ILI) a due livelli: 0 per i soggetti con o senza licenza elementare, 1 per tutti gli altri;
• un indicatore sociale (IS) a due livelli: 0 per soggetti senza conviventi, 1 per tutti gli altri.

Tabella 1. Regole di attribuzione del reddito figurativo sulla base delle risposte al questionario Istat di rilevazione, censimento 2001.
Table 1. Income scoring rules, based on 2001 census Istat questionnaire.

Al fine di controllare per l’età, nell’analisi sono state poi utilizzate, per ciascuno dei due grandi gruppi di età (40-64 e 6579 anni), rispettivamente due variabili binarie (0, 1) per i tre sottogruppi di età 40-49 anni, 50-59 anni e 60-64 anni, e 1 variabile binaria (0, 1) per i due sottogruppi di età 65-69 anni, 70-79 anni. È stata condotta un’analisi gerarchica a due livelli, con i soggetti costituenti il 1° livello raggruppati in 25 aree (quartieri) costituenti il 2° livello. Ai dati è stato applicato un modello di regressione logistica multilivello (distribuzione binomiale, link logit) che prevede una random intercept a livello di area e una stima della varianza extrabinomiale, con la seguente struttura, in notazione MLwin (modello 4, completo, che comprende come variabili esplicative le variabili che rappresentano i gruppi di età, gli indicatori socioeconomici individuali e d’area).

Response _ij  = binomial(denominator _ik , π_ij )π

Logit(π ij ) = β0j + β1*g_eta1ij + [β2*g_eta2 ijk ; N.B.: usato solo per il gruppo di età 40-64]

+ β₃*ILI _ij + β₄*IEI _ij  + β₅*IS _ij  + β₆*ISEA _j

 β_0j  = β₀+ u_0j  

 [u_0j  ] ~ N(0, Ω_u) : Ω_u = [σ²_u]

var(status _ij  | π_ij ) = α*( π_ij  / 1-π_ij  )*n _ij

 (N.B. response _ij  = 1 | 0 ; denominator _ij  = 1)

Nell’analisi della mortalità per tutte le cause sono anche stati studiati i seguenti modelli:

• uno, semplificato, in cui le sole variabili esplicative sono quelle che rappresentano i gruppi di età (modello 1);
• uno in cui accanto alle variabili d’età sono introdotte quelle relative agli indici socioeconomici individuali (modello 2);
• un terzo in cui, oltre alle variabili d’età, si introduce la variabile relativa all’indice socioeconomico d’area (modello 3). Per il calcolo è stato utilizzato il programma MLwin 2.10, utilizzando una procedura di second order penalised quasi-likelihood e, per la stima della struttura di covarianza, un metodo di restricted iterative generalised least square.¹¹ 

Per lo studio delle cause di morte specifiche è mostrato solo il modello completo (modello 4), in considerazione del comportamento uniforme dei modelli parziali. Al fine di valutare l’importanza della variabile di area sono stati calcolati alcuni indici: il median odds ratio (MOR), l’interval odds ratio (IOR), la variance partitioning component (VPC) calcolata secondo una procedura di simulazione, il metodo B di Goldstein, utilizzando la macro proposta dallo stesso autore.^11-13 Il MOR esprime la variabilità (di secondo livello) tra aree rappresentando l’OR medio tra persone prese da due aree scelte a caso; l’IOR, nel nostro caso, esprime l’intervallo in cui ricade l’80% degli OR tra due persone che appartengono ad aree con il valore minimo e il valore massimo della variabile d’area. Questo intervallo è piccolo se la variabilità tra aree è piccola, grande se la variabilità è grande; inoltre, se l’intervallo contiene l’unità, la variabile d’area spiega molta della variabilità tra aree. Infine, la VPC esprime quale proporzione della variabilità totale residua è spiegata dalla variabilità tra aree. Per ciascun sesso, gruppo d’età e gruppo socioeconomico, sono stati misurati: la mortalità per tutte le cause (calcolata come il numero di soggetti deceduti nel periodo, diviso il numero di soggetti all’inizio del periodo) standardizzata con me-todo diretto per classe di età quinquennale e caratteristiche socioeconomiche individuali e d’area, utilizzando come standard l’intera popolazione individuata per sesso e gruppo di età. Sono stati calcolati altresì i relativi limiti di confidenza al 95%. Nell’analisi sono state prese in considerazione le cause di morte con maggiore numerosità. Per valutare la generalizzabilità dei risultati all’intera popolazione residente di Palermo è stata confrontata la mortalità della coorte in studio con quella di tutta la popolazione da cui tale coorte è tratta. A tal fine sono stati calcolati gli SMR e i relativi limiti di confidenza per tutte le cause, per le patologie tumorali e le patologie cardiovascolari; SMR prossimi all’unità indicherebbero che non si è verificato un bias di selezione, dal momento che i soggetti per cui è stato possibile appaiare le caratteristiche socioeconomiche (coorte in studio) hanno la stessa mortalità della popolazione generale da cui la coorte in studio è derivata. Tutti i calcoli suddetti sono stati effettuati usando i package stats ed epitool del programma R.^14,15

Risultati

Nella costruzione dell’indice socioeconomico di area l’analisi fattoriale ha portato alla selezione di due fattori che da soli spiegavano il 92,1% della varianza (59,4% e 32,7% rispettivamente), sulla base dei quali sono stati calcolati i punteggi utilizzati come indice socioeconomico di area; tale punteggio variava tra -2,02 (migliore) e 4,06 (peggiore). Per verificare la generalizzabilità dei risultati all’intera popolazione dei residenti gli SMR (per la mortalità della popolazione in studio vs la mortalità della popolazione generale da cui questa è tratta) calcolati sono stati: 0,961 (0,947-0,975) per tutte le cause, 1.005 (0,980-1,030) per le patologie tumorali, 0,960 (0,933-0,987) per le patologie cardiovascolari. La tabella 2 mostra, per ciascun sottogruppo di popolazione individuato da una caratteristica socioeconomica, la numerosità e la mortalità (calcolata come la proporzione di soggetti deceduti nel periodo, diviso il numero di soggetti in vita all’inizio del periodo) per tutte le cause, distinte per sesso e gruppo di età; da quest’analisi risulta evidente un trend di mortalità positivo per ciascuno dei fattori socioeconomici presi in esame. Le tabelle 3 e 4 mostrano gli effetti delle variabili socioeconomiche prese in esame sulla mortalità; sono riportati gli OR e i rispettivi limiti di confidenza al 95%, gli indici calcolati, nonché il valore della varianza d’area e della varianza extrabinomiale. Per il gruppo di età 40-64 anni (tabella 3) e per la mortalità per tutte le cause, si nota come i soggetti con valori migliori delle variabili socioeconomiche individuali abbiano un rischio minore di morte per tutte le cause e per le cause specifiche, rispetto ai soggetti con valori peggiori. Tale effetto è meno rilevante nelle donne. La variabile socioeconomica di area ha un effetto analogo, attenuato dall’inserimento delle variabili individuali, mentre non è vero il contrario, come si evince confrontando i risultati dei vari modelli studiati. Per quanto riguarda le cause di morte specifiche, il pattern osservato è in generale lo stesso, con le eccezioni costituite, per gli uomini, dalla variabile IEI (che ha un effetto opposto sulla mortalità per il diabete e per i traumatismi), per le donne, dalla variabile composizione del nucleo familiare per il diabete, dalla variabile IEI per i traumatismi, e dalla variabile d’area per le malattie dell’apparato respiratorio e per i traumatismi, casi in cui si inverte l’effetto osservato. L’indice MOR assume consistenza per diabete, malattie respiratorie e traumatismi, negli uomini; per diabete, disturbi circolatori dell’encefalo, tumori e traumatismi, nelle donne. Per quanto riguarda l’intervallo IOR, esso conferma che la variabilità tra aree è in qualche misura rilevante solo per i traumatismi delle donne e che tale variabilità è in parte spiegata dalla variabile d’area. I valori di VPC sono risultati molto bassi: ciò indica che solo una ridottissima frazione della variabilità totale residua è spiegata dalla variabilità tra aree. Per il gruppo di età 65-79 anni (tabella 4) i risultati sono pressoché sovrapponibili sia nel fitting complessivo del modello, sia nelle tendenze di fondo, con un effetto protettivo delle variabili socioeconomiche e della variabile d’area; i valori degli OR sono però spostati verso l’unità rispetto al primo gruppo di età. In controtendenza i valori degli OR per la variabile d’area nelle malattie ischemiche delle donne, e per la variabile IEI nei tumori degli uomini e delle donne, come pure della variabile IS per le donne per la mortalità generale e per quella per diabete, disturbi circolatori dell’encefalo e per le malattie dell’apparato respiratorio. Anche in questo secondo gruppo di età la VPC mostra valori molto piccoli, come pure il MOR (tranne che per diabete e traumatismi negli uomini) e l’intervallo IOR.

Discussione

Questo studio conferma nella popolazione di Palermo l’esistenza di una relazione inversa tra mortalità e condizioni socioeconomiche misurate a livello individuale. Questo effetto è generalizzato per la mortalità in generale e per le differenti cause di morte prese in considerazione nel gruppo di età 4064 anni, specie per le cause del gruppo cardiovascolare, i cui rischi sono abbastanza simili a quelli di un recente studio svedese condotto su un campione ampio.¹⁶ Poche eccezioni per l’IEI (traumatismi per donne e uomini, diabete per gli uomini), il che conferma quanto già osservato in altri studi in cui gli effetti delle variabili socioeconomiche si attenuavano o si annullavano nei gruppi d’età più avanzata.^17-20 Al netto dei fattori individuali, la variabile di contesto si dimostra anch’essa correlata negativamente con la mortalità. In ambedue i gruppi d’età l’effetto della variabile d’area:

• è più rilevante negli uomini che non nelle donne;
• è relativo ai valori estremi dell’indicatore;
• in generale, non è molto rilevante tra livelli meno distanti.

Tabella 2. Incidenza (x 10.000) per caratteristiche socioeconomiche della popolazione, standardizzata in maniera diretta per età e per tutte le altre caratteristiche; limiti di confidenza al 95%. La standardizzazione è effettuata sul complesso della popolazione in studio dello stesso gruppo di età e sesso.
Table 2. Age and all other socio-economic characteristics directly standardized incidence (x 10,000), by population socioeconomic subgroups; 95% confidence intervals. Same sex and age-group study population as reference.

L’analisi combinata degli indici studiati indica comunque che l’effetto contestuale è abbastanza piccolo (i valori di VPC sono irrisori, il MOR oscilla intorno a valori pari a 1, l’IOR non mostra grandi intervalli) e che la variabile d’area utilizzata non spiega tutta la variabilità d’area (l’IOR non contiene l’unità). L’effetto osservato sembra maggiore di quello individuato in uno studio torinese,¹⁸ sebbene non sia possibile fare confronti diretti, date le differenze metodologiche tra i due lavori. Le variabili individuali si dimostrano indipendenti dalla variabile d’area in quanto i valori dei loro coefficienti non si modificano con l’introduzione della variabile di contesto. La loro introduzione nel modello attenua invece (sia pure di poco) il valore del coefficiente della variabile d’area. In tal modo non sembra escludersi del tutto un effetto di confondimento su quest’ultima, ma non viceversa, indicando che le variabili d’area si muovono su pathway almeno parzialmente indipendenti (confermando i risultati di recenti studi condotti con la stessa tecnica di analisi).^19,21 L’importanza delle singole variabili varia a seconda del gruppo d’età e del sesso: nel primo gruppo le variabili «titolo di studio» e «composizione del nucleo familiare» sembrano più importanti della variabili economica. Per quanto riguarda il diabete per gli uomini, la famiglia pluricomponente ha un effetto protettivo. Tale effetto invece si inverte per le donne, in entrambi i gruppi di età; questo fenomeno non è di facile spiegazione, anche se vi sono alcune segnalazioni secondo le quali lo stress familiare può influenzare negativamente la compliance per la terapia e anche la mortalità per patologia coronarica delle donne.^22-24 Per quanto riguarda i tumori si osserva che, mentre nelle donne di età compresa fra 65 e 79 anni si conferma che la mortalità è maggiore per i gruppi socioeconomici più affluenti, per le donne del gruppo 40-64 anni si nota un effetto protettivo, confermando quanto rilevato in altri studi in relazione alla complessa interazione delle modifiche intervenute nel corso del tempo sia nella storia riproduttiva (minori nascite in tutti i gruppi sociali) e negli stili di vita (maggiore abitudine al fumo nelle classi sociali più svantaggiate, variazioni delle diete in tutte le classi sociali), sia nell’accesso agli interventi sanitari di prevenzione (screening) da poco disponibili da parte delle donne dei gruppi sociali più benestanti.²⁵

Tabella 3. Odds ratio e intervalli di confidenza al 95% degli odds ratio dei fattori di rischio, per causa di morte e sesso (fascia d’ età 40-64); i modelli includono le variabili per gruppi di età; varianza d’area ed extrabinomiale; MOR; IOR; VPC. Palermo, anni 2002-2007. In grassetto gli intervelli di confidenza che non contengono il valore 1.
Table 3. Odds ratio and 95% confidence intervals, by cause of death and sex (age group 40-64 years); models include age-group variables; between area and ex trabinomial variances; MOR; IOR; VPC. Palermo, Years 2002-2007. OR confidence intervals not containing unit are in boldface.

L’interpretazione dei pattern comunque deve tenere conto, specie nelle patologie in cui la sopravvivenza a medio-lungo termine è rilevante, dell’interazione tra fattori che influenzano l’incidenza attraverso l’esposizione a fattori di rischio o, in alternativa, a pratiche di prevenzione (fattori sia individuali sia di contesto), e la sopravvivenza attraverso l’accesso a interventi sanitari efficaci (fattori sia individuali sia di contesto), tenendo altresì conto che uno stesso fattore può influenzare in maniera opposta sia l’incidenza sia la sopravvivenza. Per quanto riguarda i possibili punti di criticità di questo studio, la fonte di errore principale può risiedere nella capacità della variabile di contesto, così come concepita, di rappresentare realmente gli eventuali fattori contestuali. Tale variabile è stata usata in molti studi ecologici e multilivello per differenziare dal punto di vista socioeconomico aree geografiche, dimostrando un’ottima capacità discriminante; inoltre, i suoi contenuti empirico e teorico non si differenziano da quanto utilizzato in altri studi multilivello per caratterizzare le aree in studio dal punto di vista socioeconomico.^{21, 26-28} È chiaro tuttavia che la variabile usata è una proxy per una costellazione di fattori di rischio di gruppo e/o d’area non ancora analiticamente individuati. Un’altra fonte di errore può derivare dalla costruzione dell’indicatore economico individuale, che non è basato direttamente sulla rilevazione del reddito, ma su una ricostruzione dello stesso: i punteggi utilizzati per tale ricostruzione sono arbitrari ma coerenti, e il loro uso può, in caso di errore, portare solo a un appiattimento della distribuzione dei redditi, con una diminuita sensibilità dell’analisi. Infine, sulla generalizzabilità dalla popolazione in studio all’intera popolazione residente i valori degli SMR sembrano indicare che non vi sia stato un grossolano bias di selezione dovuto all’appaiamento solo parziale tra dati anagrafici e dati censuari. In conclusione, è possibile affermare che nella popolazione in studio:

• i soggetti in condizioni socioeconomiche migliori, misurate a livello individuale, hanno una mortalità più bassa;
• i soggetti residenti in aree caratterizzate da condizioni socioeconomiche migliori hanno una mortalità più bassa, a parità di condizioni socioeconomiche individuali;
• i due effetti precedenti sono sostanzialmente indipendenti;
• la variabilità della mortalità legata all’area di residenza è molto piccola rispetto alla variabilità totale;
• gli effetti osservati variano nei gruppi d’età e a seconda del sesso (si attenuano nel gruppo d’età più avanzata e nelle donne).

Tabella 4. Odds ratio e intervalli di confidenza al 95% degli odds ratio dei fattori di rischio, per causa di morte e sesso (fascia d’ età 65-79); i modelli includo no le variabili per gruppi di età; varianza d’area ed extrabinomiale; MOR; IOR; VPC. Palermo, anni 2002-2007. In grassetto gli intervelli di confidenza che non contengono il valore 1
Table 4. Odds Ratio and 95% confidence intervals, by cause of death and sex (age group 65-79 years); models include age-group variables; between area and ex trabinomial variances; MOR; IOR;VPC. Palermo, Years 2002-2007. OR confidence intervals not containing unit are in boldface.

Conflitti di interesse: nessuno.

Bibliografia

1.  Subramanian SV, Kawachi I. Chasing the elusive null: the story on in-come inequality and health. Int J Epidemiol 2007; 36 (3): 596-99.
2. Sloggett A, Joshi H. Higher mortality in deprived areas: community or personal disadvantage. BMJ 1994; 309 (6967): 1470-74.
3. Diez-Roux AV. Bringing context back into epidemiology: variables and fallacies in multilevel Analysis. Am J Public Health 1998; 88 (2): 216-22.
4. Diez Roux AV. Investigating neighbourhood and area effects on health. Am J Public Health 2001; 91 (11):1783-89.
5. Blakely TA, Woodward AJ. Ecological effects in multilevel studies. J Epi demiol Community Health 2000; 54 (5): 367-74.
6. Pickett KE, Pearl M. Multilevel analysis of neighbourhood socioeconomic context and health outcomes: a critical review. J Epidemiol Com munity Health 2001; 55 (2): 111-122.
7. Diez Roux AV. A glossary for multilevel analysis. J Epidemiol Commu nity Health 2002; 56 (8): 588-94.
8. Pinzone F, Casuccio N, Mancuso A, Pitarresi A. Mortalità in aree a differenti caratteristiche socioeconomiche nella città di Palermo. Epidemiol Prev 2008; 32 (4-5): 229-37.
9. Burgio A, Moccaldi R, Battisti A, Cruciani S, Spagnolo A. I determi nanti socioeconomici dello stato di salute della popolazione italiana. Roma, Istituto per gli affari sociali, Collana di studi e ricerca, 2003. http://www.istitutoaffarisociali.it/flex/cm/pages/serverBLOB.php/L/IT/ IDpagina/1954 (ultimo accesso 12.03.2009).
10. http://www.oecd/long/abstract/0,3425,en_2469_33933_35411112_ 1_1_1_1,00.html (ultimo accesso 12.03.2009).
11. Rasbash J, Steele F, Browne WJ, Prosser B. A User’s Guide to MLwiN Version 2.0. Centre for Multilevel Modelling, University of Bristol, 2005. http://www.cmm.bristol.ac.uk/Mlwin/download/userman_2005.pdf (ultimo accesso 23.09.2008)
12. Goldstein H, Browne W, Rasbash J. Partitioning variation in multilevel models. Understanding Statistics 2002; 1(4): 223-31.
13. Larsen K, Merlo J. Appropriate assessment of neighbourhood effects on individual health: integrating random and fixed effects in multilevel logistic regression. Am J Epidemiol 2005; 161 (1): 81-88.
14. R Development Core Team (2008). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0. http://www.R-project.org (ultimo accesso 21.07.2008).
15. Tomas Aragon (2008). Epitools: Epidemiology Tools. R package version 0.5-2. http://www.epitools.net (ultimo accesso 28.11.2008).
16. Chaix B, Rosvall M, Merlo J. Recent increase of neighborhood socioeconomic effects on ischemic heart disease mortality: a multilevel survival analysis of two large Swedish cohorts. Am J Epidemiol 2006; 165 (1): 22-26.
17. Martikeinen P, Kauppinen TM, Valkonen T. Effects of the characteristics of neighbourhoods and the characteristics of people on cause specific mortality: a register based follow up study of 252000 men. J Epi demiol Community Health 2003; 57 (3): 210-17.
18. Marinacci C, Spadea T, Biggeri A et al. The role of individual and contestual socioeconomic circumstances on mortalità: analysisi of time variation in a city of north west Italy. J Epidemiol Community Health 2004; 58 (3): 199-207.
19. Turrell G, Kavanagh A, Draper G, Subramanian SV. Do Places affect the probability of death in Australia? A multilevel study of area level disadvantage, individual level socio economic position and all cause mortality, 1998-2000. J Epidemiol Community Health 2007; 61 (1): 13-19.
20. Backlund E, Rowe G, Lynch J et al. Income inequality and mortality: a multilevel prospective study of 521,248 individuals in 50 US states. Int J Epidemiol 2007; 36 (3): 590-96.
21. Sundquist K, Malmström, Johansson SE. Neighbourhood deprivation and incidence of coronary heath disease: a multilevel study of 22.6 million women and men in Sweden. J Epidemiol Community Health 2004; 58 (1): 71-77.
22. Erem C, Hacihasanoglu A, Deger O et al. Prevalence of metabolic syndrome and associated risk factors among Turkish adults: Trabzon MetS study. Endocrine 2008; 33 (1): 9-20.
23. Eaker ED, Sullivan LM, Kelly-Hayes M et al. Marital status, marital strain, and risk of coronary hearth disease, or total mortality: The Framingham offspring study. Psychosom Med 2007; 69 (6): 509-13.
24. Sarkadi A, Rosenqvist U. Social network and role demands in women’s type 2 diabetes: A model. Health Care Women Int 2002; 23 (6-7): 600-11.
25. Menvielle G, Leclerc A, Chastang JF, Luce D. Social inequalities in breast cancer mortality among French women: disappearing educational disparities from 1998 to 1996. Br J Cancer 2006; 94 (1): 152-55.
26. Leyland AH. Socioeconomic gradients in the prevalence of cardiovascular disease in Scotland: the roles of composition and context. J Epi demiol Community Health 2005; 59 (9): 799-803.
27. Winkleby M, Sundquist K, Cubbin C. Inequities in CHD incidence and case fatality by neighbourhood deprivatiom. Am J Prev Med 2007; 32 (2): 97-106.
28. Dragano N, Bobak M, Wege N et al. Neighbourhood socioeconomic status and cardiovascular risk factors: a multilevel analysis of nine cities in the Czech Republic and Germany. BMC Public Health 2007; 7: 255.