L’approccio controfattuale negli studi epidemiologici sugli effetti dell’inquinamento atmosferico

L’editoriale pubblicato sullo scorso numero di Epidemiologia&Prevenzione firmato da Lorenzo Richiardi et al.¹ fornisce un’interessante panoramica sul ruolo dell’inferenza causale in epidemiologia. Prendendo spunto dalle riflessioni in esso contenute, condivido qui alcuni pensieri sull’utilizzo dei metodi causali in epidemiologia ambientale, con particolare riferimento allo studio degli effetti dell’inquinamento atmosferico.
I metodi di inferenza causale hanno trovato applicazione solo recentemente nello studio degli effetti e dell’impatto dell’inquinamento sulla salute. Wang et al. per primi hanno dichiarato l’uso di un approccio causale in questo ambito di ricerca, con uno studio sugli effetti a breve termine dell’inquinamento a Nassau, New York.² Il loro lavoro non può essere pienamente inquadrato in un’ottica di inferenza causale, ma in un breve commento all’articolo Gutman e Rubin suggeriscono una formalizzazione del quesito di ricerca in termini di risultati potenziali, ovvero secondo l’approccio noto come controfattuale.^3,4 Le successive applicazioni dell’inferenza causale negli studi sull’inquinamento atmosferico, seppur poco numerose, si contraddistinguono per una notevole eterogeneità degli strumenti utilizzati (stratificazione principale, variabili strumentali, propensity score) e degli obiettivi inferenziali (stima dell’impatto di politiche, stima della relazione dose-risposta).^5-9
Proprio per questa eterogeneità, parlare in generale di vantaggi e svantaggi dell’approccio controfattuale rispetto a quello classico non appare molto sensato. Tuttavia, credo sia importante sottolineare un aspetto che, a prescindere dal metodo specifico di analisi, rende l’utilizzo dei potenziali risultati un’attraente alternativa alle tecniche di inferenza standard. Questo riguarda il ruolo centrale che viene riservato alle assunzioni necessarie per la formulazione del quesito causale e la sua soluzione. Tali assunzioni, perlopiù taciute o considerate implicitamente valide quando si utilizzano i metodi di inferenza classici, come per esempio la regressione, sono rese esplicite nell’ambito dell’inferenza causale. Ciò favorisce un atteggiamento più critico del ricercatore, che si trova a valutare non solo quanto sia plausibile assumere l’assenza di confondenti non osservati (la ben nota assunzione di unconfoundedness), ma anche le criticità legate all’estrapolazione o all’interferenza tra le unità in studio.^3-5
Sebbene al momento non sia possibile prevedere in quali contesti l’inferenza causale troverà in futuro il suo maggiore sviluppo, l’approccio controfattuale appare particolarmente promettente per la valutazione d’impatto delle politiche in materia di inquinamento atmosferico.¹⁰ In accordo a tale approccio, si può infatti esprimere l’impatto in modo naturale come differenza di risultati potenziali e fare su di esso inferenza in modo diretto, anziché passare dalla stima preliminare di una relazione esposizione-risposta, secondo una procedura indiretta ampiamente diffusa in letteratura (si vedano, come esempio, i lavori di Künzli et al,¹¹ Martuzzi et al,¹² Ballester et al,¹³ Carugno et al¹⁴). Zigler e Dominici discutono in dettaglio questo aspetto, proponendo una classificazione degli studi che tiene conto sia della domanda di ricerca (stima della relazione dose-risposta o valutazione di impatto) sia dell’approccio inferenziale utilizzato.¹⁰
È interessante, a questo proposito, distinguere anche tra natura effettiva e ipotetica dell’azione da valutare. A fronte dell’attuazione di un intervento, per esempio una misura mirata a diminuire il traffico veicolare, se ne potrà valutare l’impatto sanitario, per esempio in termini di decessi evitati, attraverso il confronto di risultati potenziali ben definiti. L’interesse, oltre che sull’impatto complessivo, potrà vertere anche sui meccanismi causali che legano l’azione all’esito; con riferimento all’esempio, parte dell’impatto potrà passare attraverso una diminuzione delle concentrazioni di inquinante, parte attraverso altri percorsi causali.^8,9 Tuttavia, molti studi a partire dal 2000 si sono posti un quesito di natura diversa, altrettanto rilevante in un’ottica di programmazione in materia ambientale e di sanità pubblica: che impatto avrebbe avuto contenere le concentrazioni di inquinante sotto un certo limite, per esempio quello stabilito dal legislatore?¹¹ Per inquadrare correttamente la questione in termini controfattuali, è necessario rendersi conto che la domanda fa riferimento a un’azione ipotetica (non del tutto realistica) il cui effetto sull’esito sia completamente mediato dal livello delle concentrazioni.⁵ Al di là della controversia relativa alla definizione di risultato potenziale, quando, come in questo caso, l’intervento non è ben definito (si veda l’esempio sull’obesità discusso nell’editoriale di Richiardi et al.),¹ ancora una volta l’impostazione controfattuale ci aiuta a formulare meglio la domanda di ricerca e, di conseguenza, a definire i limiti interpretativi della possibile risposta.

Conflitti di interesse dichiarati: nessuno.

Bibliografia

1. Richiardi L, Zugna D, Bellocco R, Pizzi C. Inferenza causale in epidemiologia: un dibattito fecondo. Epidemiol Prev 2017;41(2):76-77.
2. Wang C, Parmigiani G, Dominici F. Bayesian effect estimation accounting for adjustment uncertainty. Biometrics 2012;68(3):661-71.
3. Gutman R, Rubin DB. Analyses that inform policy decisions. Biometrics 2012;68(3):671-75; discussion 680-86.
4. Imbens GW, Rubin DB. Causal inference for statistics, social, and biomedical sciences: an introduction. 1st edition. New York, Cambridge University Press, 2015.
5. Baccini M, Mattei A, Mealli F, Bertazzi PA, Carugno M. Assessing the short term impact of air pollution on mortality: a matching approach. Environmental Health 2017;16(1):7.
6. Schwartz J, Austin E, Bind MA, Zanobetti A, Koutrakis P. Estimating causal associations of fine particles with daily deaths in Boston. Am J Epidemiol 2015;182(7):644-50.
7. Schwartz J, Bind MA, Koutrakis P. Estimating causal effects of local Air pollution on daily deaths: effect of low levels. Environ Health Perspect 2017;125(1):23-29.
8. Zigler CM, Dominici F, Wang Y. Estimating causal effects of air quality regulations using principal stratification for spatially correlated multivariate intermediate outcomes. Biostatistics 2012;13(2):289-302.
9. Zigler CM, Kim C, Choirat C et al. Causal inference methods for estimating long-term health effects of air quality regulations. Res Rep Health Eff Inst 2016;(187):5-49.
10. Zigler CM, Dominici F. Point: clarifying policy evidence with potential-outcomes thinking beyond exposure-response estimation in air pollution epidemiology. Am J Epidemiol 2014;180(12):1133-40.
11. Künzli N, Kaiser R, Medina S et al. Public-health impact of outdoor and traffic-related air pollution: a European assessment. Lancet 2000;356(9232):795-801.
12. Martuzzi M, Mitis F, Iavarone I, Serinelli M. Health Impact of PM10 and Ozone in 13 Italian Cities. Copenhagen, World Health Organization Regional Office for Europe, 2006. Disponibile all’indirizzo: http://www.euro.who.int/__data/assets/pdf_file/0012/91110/E88700.pdf
13. Ballester F, Medina S, Boldo E et al. Reducing ambient levels of fine particulates could substantially improve health: a mortality impact assessment for 26 European cities. J Epidemiol Community Health 2008;62(2):98-105.
14. Carugno M, Consonni D, Bertazzi PA, Biggeri A, Baccini M. Temporal trends of PM10 and its impact on mortality in Lombardy, Italy. Environ Pollut 2017;227:280-86.