Multi-state modeling of multimorbidity trajectories in older adults: A simulation study and application to a Swedish cohort

Multimorbidity - defined as the presence of two or more chronic conditions within a person - is an increasingly common condition in modern aging society. Advances in the treatment of previously lethal diseases, such as heart disease, stroke, and cancer, have extended life expectancy; however, this has resulted in a higher burden of chronic conditions in older populations. The identification of diseases clusters and their trajectories can contribute to recognize homogeneous groups of people with similar needs and prognosis, and assisting clinicians and healthcare systems in the personalization of clinical interventions and preventive strategies. These clusters can be seen as representation of latent states of multimorbidity that are inferred from observed chronic pathologies developed by patients. Traditional approaches to multimorbidity trajectory modeling often overlook the uncertainty arising from the latent nature of these clusters, potentially leading to biased estimates and inaccurate interpretations. Additionally, longitudinal studies on multimorbidity typically assume that transitions occur at the time of follow-up visits. In reality, many conditions develop between observations, making this assumption unrealistic and potentially leading to inaccurate modeling of multimorbidity progression. This thesis explores the application of multi-state methods to study how individuals move between clusters of multimorbidity over time, assesses their robustness through a simulation study, and evaluates how incorporating uncertainty in cluster assignment impacts estimation accuracy in various scenarios. Multimorbidity clusters and observed states are based on a predefined latent class model. Furthermore, an application of these methodologies on data from a Swedish cohort of older adults, belonging to the Swedish National study on Aging and Care - Kungsholmen (SNAC-K), is included in this work. Hidden Markov models, accounting both for the misclassification and the time-inhomogeneous nature of the process, emerge as the preferable modeling choice and are applied to the longitudinal data to investigate the impact of socioeconomic and lifestyle factors on transitions towards more complex multimorbidity states.

La multimorbilità - definita come la presenza di due o più condizioni croniche in un individuo - è una condizione sempre più diffusa nella società moderna caratterizzata dall'invecchiamento della popolazione. I progressi nel trattamento di malattie un tempo letali, come malattie cardiovascolari, l'ictus e il cancro, hanno portato ad un aumento dell'aspettativa di vita; tuttavia, ciò ha comportato un aumento del carico di condizioni croniche nelle popolazioni più anziane. L'identificazione di cluster di malattie e delle loro traiettorie può aiutare a riconoscere gruppi omogenei di persone con bisogni e prognosi simili, supportando medici e sistemi sanitari nella personalizzazione degli interventi clinici e delle strategie di prevenzione. Questi cluster possono essere considerati come rappresentazioni di stati latenti di multimorbilità, dedotti dalle patologie osservate nei pazienti. Gli approcci tradizionali alla modellizzazione delle traiettorie di multimorbilità spesso trascurano l'incertezza derivante dalla natura latente di questi cluster, con il rischio di produrre stime distorte e interpretazioni imprecise. Inoltre, gli studi longitudinali sulla multimorbilità generalmente assumono che le transizioni tra stati avvengano al momento delle visite di follow-up. In realtà, molte condizioni si sviluppano tra un'osservazione e l'altra, rendendo questa ipotesi irrealistica e prone ad introdurre innacuratezza nella modellizzazione della progressione della multimorbidità. Questa tesi esplora l’applicazione di metodi multi-stato per studiare come gli individui si spostano tra i cluster di multimorbilità nel tempo, ne valuta la robustezza attraverso uno studio di simulazione e analizza come la misclassificazione nell’assegnazione ai cluster influenzi l’accuratezza delle stime in diversi scenari. I cluster di multimorbilità e gli stati osservati si basano su un modello di classe latente definito a priori. Inoltre, il lavoro include l’applicazione di queste metodologie ai dati di una coorte svedese di anziani, appartenenti allo studio Swedish National Study on Aging and Care – Kungsholmen (SNAC-K). I modelli Hidden Markov, capaci di tenere conto sia della misclassificazione che della natura tempo-inomogenea del processo, emergono come la scelta di modellazione preferibile e vengono applicati ai dati longitudinali per indagare l’impatto di alcuni dei fattori socioeconomici e di stile di vita sulle transizioni verso stati di multimorbilità più complessi.