Las razones estandarizadas, aun cuando son muy utilizadas en el análisis geográfico de eventos en salud, tienen algunas limitaciones. En primer lugar, no tiene en cuenta las diferencias en el tamaño de población entre áreas geográficas y, por lo tanto, cuando el tamaño de las poblaciones son muy pequeñas las razones se vuelven inestables, pasando de cero a razones muy altas, cuando se pasa de ninguno a unos pocos casos de la enfermedad. El otro problema es que los casos observados generalmente varían más que los esperados, produciéndose lo que se denomina extra-variabilidad. Un análisis detallado de los problemas del uso directo de la razón estandarizada sin ajustar se presenta en Cressie-Chan y Clayton-Kaldor ^{(1, 2)}.

Para solventar estos problemas, se estiman las razones estandarizadas suavizadas. Se han propuesto varias alternativas para suavizar las razones estandarizadas y reducir la extravariación. Según la literatura ^(2-6) el método de estimación denominado bayesiano empírico y los modelos jerárquicos bayesianos completos son los que proporcionan los resultados más consistentes respecto a otras alternativas. No obstante, los modelos completamente bayesianos son preferidos porque son capaces de modelizar la dependencia (extravariabilidad) espacial ⁽⁷⁾.

Otro problema en el análisis geográfico de eventos en salud es que la mayoría de aplicaciones empíricas utilizan elanálisis puramente espacial dejando de lado la dimensión temporal. El resultado es un patrón promedio del riesgo a lo largo del periodo analizado y como consecuencia los resultados no aportan información sobre la variabilidad que sufre el riesgo a lo largo del tiempo y no se sabe si un riesgo alto es sostenido o ha cambiado con el tiempo ⁽⁸⁾.

El uso de periodos de tiempo agregados puede producir un sesgo en las estimaciones de los riesgos relativos de manera que el exceso de eventos observados en algunas áreas geográficas podría ser sólo el reflejo de una situación pasada que continúa visualizándose debido a la agregación de información ⁽⁹⁾.

Estos problemas se resuelven con la utilización de modelos bayesianos jerárquicos espaciotemporales ya que permiten mostrar la distribución geográfica de riesgos y cómo evolucionan éstos a lo largo del tiempo. Por este motivo, el uso de modelos bayesianos jerárquicos espacio-temporales se han generalizado en la cartografía de enfermedades ^(10-13).

Los modelos bayesianos jerárquicos espaciotemporales permiten capturar correctamente elementos de dependencia entre áreas de salud y la posible relación de los datos en el tiempo que no se pueden modelar en la estadística clásica. Los resultados de estos modelos nos brindan los insumos para el mapeo de enfermedades y la identificación de posibles patrones geográficos persistentes en el tiempo que son de utilidad para la vigilancia epidemiológica y la priorización de intervenciones en zonas de alto riesgo.