Anàlisi d'Impacte en Salut de la Contaminació Atmosfèrica

Aquest document implementa un model DLNM multi-contaminant amb estimació de casos atribuïbles i intervals de confiança mitjançant bootstrap.

1. Metodologia

S'utilitza un model Distributed Lag Non-Linear Model (DLNM) per capturar:

Casos atribuïbles = casos × (RR - 1) / RR
---

2. Preparació del model


library(dlnm)
library(mgcv)
library(boot)
library(dplyr)
library(readr)
library(lubridate)

df <- read_csv("meteocontamsivicMartorell.csv.txt") %>%
  mutate(
    date = as.Date(date),
    temps_numeric = as.numeric(date),
    dia_setmana = as.factor(wday(date, week_start = 1))
  ) %>%
  na.omit()
---

3. Construcció del DLNM multi-contaminant


lag_max <- 7

cb_no2 <- crossbasis(df$no2, lag=lag_max,
                     argvar=list(fun="ns", df=3),
                     arglag=list(fun="ns", df=3))

cb_pm10 <- crossbasis(df$pm10, lag=lag_max,
                      argvar=list(fun="ns", df=3),
                      arglag=list(fun="ns", df=3))

fit <- gam(
  casos_total ~ 
    cb_no2 +
    cb_pm10 +
    s(temp_mean, k=5) +
    s(rh, k=5) +
    s(temps_numeric, k=30) +
    dia_setmana +
    offset(log(poblacio_total)),
  family=quasipoisson(link="log"),
  data=df,
  method="REML"
)
---

4. Càlcul de casos atribuïbles


rr <- exp(predict(fit, type="link"))
af <- (rr - 1) / rr

casos_atribuibles <- sum(df$casos_total * af, na.rm=TRUE)

casos_atribuibles
---

5. Bootstrap per intervals de confiança

El bootstrap consisteix en remostrejar les dades per estimar la variabilitat de l'estimació. 

calc_attr <- function(data, indices) {
  
  d <- data[indices, ]
  
  cb_no2 <- crossbasis(d$no2, lag=7,
                       argvar=list(fun="ns", df=3),
                       arglag=list(fun="ns", df=3))
  
  cb_pm10 <- crossbasis(d$pm10, lag=7,
                        argvar=list(fun="ns", df=3),
                        arglag=list(fun="ns", df=3))
  
  fit <- gam(
    casos_total ~ 
      cb_no2 +
      cb_pm10 +
      s(temp_mean, k=5) +
      s(rh, k=5) +
      s(temps_numeric, k=30) +
      dia_setmana +
      offset(log(poblacio_total)),
    family=quasipoisson(link="log"),
    data=d
  )
  
  rr <- exp(predict(fit, type="link"))
  af <- (rr - 1) / rr
  
  sum(d$casos_total * af, na.rm=TRUE)
}

set.seed(123)

boot_res <- boot(df, calc_attr, R=500)
---

6. Interval de confiança (95%)


ci <- boot.ci(boot_res, type="perc")

mean_val <- mean(boot_res$t)
low <- ci$percent[4]
high <- ci$percent[5]

cat("Casos atribuïbles:", mean_val, "\n")
cat("IC 95%:", low, "-", high)
---

7. Interpretació

Exemple interpretatiu:

"Es van estimar 120 casos atribuïbles (IC 95%: 80–160), suggerint un impacte substancial de la contaminació atmosfèrica en la salut poblacional."
---

8. Conclusions