Resumen Objetivo: Obtener estimadores de salud en áreas pequeñas (como los barrios) utilizando datos de encuestas supone hacer frente al problema de insuficiente tamaño muestral. Para superar esta limitación exploramos técnicas de alisado con el fin de estimar la prevalencia de mala salud mental a nivel de barrio y analizar su patrón por renta en la ciudad de Barcelona (España). Método: Se aplicó un modelo de alisado bayesiano con transformación logística-normal a cuatro muestras transversales repetidas de la Encuesta de Salud de Barcelona para los años 2001, 2006, 2011 y 2016. La salud mental fue identificada con el Cuestionario General de Salud de 12-items. Las desigualdades de ingreso se analizaron por cuantiles de la renta por barrio para cada año y las tendencias en el análisis conjunto. Resultados: La prevalencia de mala salud mental oscila entre el 14,6% en 2001 y el 18,9% en 2016. La diferencia entre barrios fue del 12,4% en 2001, del 16,7% en 2006, del 14,2% en 2011 y del 20,0% en 2016. La odds ratio y el intervalo creíble al 95% (IC95%) de experimentar mala salud mental fue 1,4 veces superior (IC95%: 1,02-1,91) en los barrios menos aventajados respecto de los más aventajados en 2001, de 1,61 (IC95%: 1,01-2,59) en 2006 y de 2,31 (IC95%: 1,57-3,40) en 2016. Conclusiones: Este estudio muestra que las técnicas de alisado bayesiano permiten la detección de desigualdades en salud a nivel de barrios para su monitorización e intervención con el fin de reducirlas. En Barcelona, los problemas de salud mental son más prevalentes en los barrios de menor renta y se incrementaron en 2016.
Abstract Objective: Obtaining reliable health estimates at the small area level (such as neighbourhoods) using survey data usually poses the problem of small sample sizes. To overcome this limitation, we explored smoothing techniques in order to estimate poor mental health prevalence at the neighbourhood level and analyse its profile by income in Barcelona city (Spain). Method: A Bayesian smoothing model with a logit-normal transformation was applied to four repeated cross-sectional waves of the Barcelona health survey for 2001, 2006, 2011 and 2016. Mental health status was identified from the 12-item General Health Questionnaire. Income inequalities were analysed with neighbourhood income in quantiles for each year and trends in the pooled analysis. Results: The prevalence of poor mental health ranged from 14.6% in 2001 to 18.9% in 2016. The yearly difference between neighbourhoods was 12.4% in 2001, 16.7% in 2006, 14.2% in 2011, and 20.0% in 2016. The odds ratio and 95% credible interval (95%CI) of experiencing poor mental health was 1.40 times higher (95%CI: 1.02-1.91) in less advantaged neighbourhoods than in more advantaged neighbourhoods in 2001, 1.61 times higher (95%CI: 1.01-2.59) in 2006 and 2.31 times higher (95%CI: 1.57-3.40) in 2016. Conclusions: This study shows that the Bayesian smoothed techniques allows detection of inequalities in health in neighbourhoods and monitoring of interventions against them. In Barcelona, mental health problems are more prevalent in low-income neighbourhoods and raised in 2016.