Una red de senderos urbanos y la enfermedad cardiovascular: un experimento natural

Se utilizarán dos métodos de series de tiempo diferentes para estimar el efecto de la expansión de un sendero urbano (es decir, "intervención") que ocurrió en WInnipeg, Manitoba Canadá, entre 2010 y 2012. El estudio está diseñado para determinar si se observó una reducción en los eventos cardiovasculares adversos mayores (MACE) en los vecindarios que recibieron la intervención en relación con las tendencias entre los vecindarios de control que no recibieron la intervención. En primer lugar, se utilizará una regresión segmentada multigrupo de datos de series de tiempo interrumpido para evaluar el efecto de la intervención en la incidencia de ECV, tanto de forma inmediata (cambio de nivel) como a lo largo del tiempo (cambio de tendencia) mediante la creación de variables indicadoras. El nivel será la tasa base de los puntos finales relacionados con las ECV al comienzo del período previo a la intervención (2000) y el valor inmediatamente posterior a cada punto de cambio en el que se unen los segmentos sucesivos hasta 2010. La tendencia es la tasa de cambio en los puntos finales de MACE (en otras palabras, la pendiente) durante un segmento. Los errores autorregresivos se modelarán para dar cuenta de los resultados correlacionados. En segundo lugar, se ajustará un modelo de promedio móvil integrado autorregresivo (ARIMA) para la serie de tiempo de incidencia de CVD utilizando el enfoque estándar para la identificación, estimación y verificación. Se aplicará una tendencia y términos estacionales periódicos a todo el período de estudio (noviembre de 2000 a octubre de 2019). También se construirá un modelo ARIMA separado para el período previo a la intervención para pronosticar la evolución de ECV de los barrios tratados. El número de puntos finales de ECV prevenidos por la intervención se estimará calculando la diferencia entre el número previsto y el número observado de casos. En caso de que haya dificultades para ajustar un modelo ARIMA a un conjunto de datos relativamente pequeño, se utilizarán modelos de suavizado exponencial o el algoritmo de Holt Winters. Aunque requieren tamaños de muestra más grandes, son ideales para este proyecto ya que (1) permiten modelar explícitamente una variedad de diferentes tipos de efectos de intervención, y (2) son muy adecuados para pronosticar tendencias futuras.