Predicción espacio-temporal de dengue en Costa Rica, 2005-2018

Contenido principal del artículo

MD Jason F. Madrigal-Miranda https://orcid.org/0000-0002-5578-3853
MD Christian D. Valverde-Solano https://orcid.org/0000-0002-2808-8265
MSc Roger Bonilla-Carrión https://orcid.org/0000-0002-8789-4494
MSc Ronald Evans-Meza https://orcid.org/0000-0002-0875-9770
MSc Roberto Salvatierra-Durán https://orcid.org/0000-0003-4442-7877

Keywords

Dengue, modelo de predicción, regresión lineal, geoespacial, Costa Rica

Resumen

Objetivo: Aplicar un programa para predicción espacio temporal probabilístico de dengue en Costa Rica. Metodología: Se utilizan datos numéricos anuales sobre el dengue total y grave en Costa Rica obtenidos por el Ministerio de entre 1993 y 2018. Se utilizan los datos de los 12 años previos al año de estimación y se ejecuta un modelo de regresión lineal para calcular las estimaciones de los casos de dengue del periodo 2005-2018. Resultados: En promedio, 8 años de 14 se encuentran dentro del rango de estimación. Los resultados que sobrepasan las estimaciones máximas corresponden a epidemias. La región Chorotega se presenta en primer lugar con más casos y la región Pacífico Central en el tercer lugar a lo largo del periodo de estudio tanto en la realidad como en las estimaciones. La incidencia promedio notificada para cada región socioeconómica coincide casi completamente con las incidencias promedio estimadas medias. Conclusiones: El uso de modelos predictivos para el dengue podría contribuir en la toma de decisiones generando impacto en la salud pública. Se deben continuar los esfuerzos para mejorar la comprensión del comportamiento del dengue a nivel local teniendo en cuenta la mayor cantidad posible de variables y realizar modelos predictivos más elaborados.

Abstract 848 | PDF Downloads 625

Citas

1. Virus transmitidos por artrópodos y otros virus zoonóticos | Sherris. Microbiología médica, 6e | AccessMedicina | McGraw-Hill Medical [Internet]. [citado el 26 de febrero de 2020]. Disponible en: https://bit.ly/3faKcux

2. Dengue y dengue grave [Internet]. [citado el 8 de mayo de 2022]. Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/dengue-and-severe-dengue

3. Reich NG, Lauer SA, Sakrejda K, Iamsirithaworn S, Hinjoy S, Suangtho P, et al. Challenges in Real-Time Prediction of Infectious Disease: A Case Study of Dengue in Thailand. PLoS Negl Trop Dis. el 15 de junio de 2016;10(6):e0004761.

4. Buczak AL, Baugher B, Moniz LJ, Bagley T, Babin SM, Guven E. Ensemble method for dengue prediction. PLoS ONE. el 3 de enero de 2018;13(1):e0189988.

5. Dengue Forecasting Project NOAA [Internet]. [citado el 23 de enero de 2020]. Disponible en: https://dengueforecasting.noaa.gov/docs/project_description.pdf

6. Rodríguez-Velásquez JO, Prieto-Bohórquez SE, Pérez-Díaz CE, Pardo-Oviedo JM, Correa-Herrera SC, Mendoza-Beltrán F del C, et al. Predicción espacio-temporal probabilista de la epidemia de dengue total y grave en Colombia. Rev Salud Pública. junio de 2018;20(3):352–8.

7. Trejos AM, Rodríguez RM, Ávila-Agüero ML. evolución histórica, situación actual y desafíos. :21.

8. Vásquez P, Loría A, Sanchez F, Barboza LA, Vásquez P, Loría A, et al. Climate-driven statistical models as effective predictors of local dengue incidence in costa rica: a generalized additive model and random forest approach. Rev Matemática Teoría Apl. junio de 2020;27(1):1–22.

9. Solano AMR, Garcia HAC, Sojo JCF. El Fenómeno ENOS y el dengue, Regiones Pacífico Central y Huetar Atlántico, Costa Rica, 1990 a 2011. Poblac Salud En Mesoamérica [Internet]. el 30 de junio de 2017 [citado el 22 de abril de 2022]; Disponible en:
https://revistas.ucr.ac.cr/index.php/psm/article/view/26189

10. Hapuarachchi HC, Koo C, Rajarethinam J, Chong CS, Lin C, Yap G, et al. Epidemic resurgence of dengue fever in Singapore in 2013-2014: A virological and entomological perspective. BMC Infect Dis. el 17 de junio de 2016;16:300.

11. Virus del dengue de serotipo 1 (DENV-1) de Colombia: su contribución a la presentación del dengue en el departamento de Santander | Biomédica [Internet]. [citado el 22 de abril de 2022]. Disponible en: https://revistabiomedica.org/index.php/biomedica/article/view/717

12. Ribeiro GS, Hamer GL, Diallo M, Kitron U, Ko AI, Weaver SC. Influence of herd immunity in the cyclical nature of arboviruses. Curr Opin Virol. febrero de 2020;40:1–10.

13. Matloff N. Probability and Statistics for Data Science: Math + R + Data. CRC Press; 2019. 445 p.

14. Horton NJ, Kleinman K. Using R and RStudio for Data Management, Statistical Analysis, and Graphics. CRC Press; 2015. 280 p.

15. Run R code online [Internet]. [citado el 15 de mayo de 2022]. Disponible en: https://rdrr.io/snippets/

16. Climate of Costa Rica - IMN [Internet]. [citado el 22 de abril de 2020]. Disponible en: https://www.imn.ac.cr/en/52

17. Center NCP. NOAA’s Climate Prediction Center [Internet]. [citado el 22 de abril de 2022]. Disponible en: https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.php

18. Alerta Epidemiológica: Dengue [Internet]. [citado el 12 de abril de 2020]. Disponible en: https://www.paho.org/hq/dmdocuments/2013/21-June-2013-Dengue-1.pdf

19. Informe anual preliminar de vigilancia basada en laboratorio del dengue, Enero a Diciembre 2013.pdf [Internet]. [citado el 19 de abril de 2020]. Disponible en: https://bit.ly/3LGTN8G

20. Elizondo MG. Informe de vigilancia basada en laboratorio. Tres Ríos, Costa Rica. Inciensa, 2014.

21. Ministerio de Salud Costa Rica. Memoria institucional 2016 [Internet]. [citado el 22 de abril de 2020]. Disponible en: https://www.ministeriodesalud.go.cr/images/stories/docs/DPI/2017/DPI_memoria_institucional_2016.pdf

22. Morin Cory W., Comrie Andrew C., Ernst Kacey. Climate and Dengue Transmission: Evidence and Implications. Environ Health Perspect. el 1 de enero de 2013;121(11–12):1264–72.

Artículos más leídos del mismo autor/a

1 2 3 > >>