Modelo bayesiano para el estudio de la enfermedad del dengue en el departamento de Atlántico, Colombia, años 2010 a 2013

Autores/as

  • Angie Andrea Montoya González Universidad Distrital Francisco José de Caldas
  • Fabián Gabriel Ortiz Beltrán Universidad Distrital Francisco José de Caldas
  • Luis Fernando Santa Guzmán Universidad Nova de Lisboa

DOI:

https://doi.org/10.19053/01233769.7603

Palabras clave:

Atlántico, Colombia, dengue, epidemiología, estadística espacial, modelo bayesiano

Resumen

El propósito en este artículo es estudiar la relación entre los casos de dengue y las variables dadas por los datos sociales, geográficos y económicos de los 23 municipios del departamento del Atlántico, Colombia, mediante el uso de modelos espaciales completamente bayesianos para el período 2010 a 2013. Se analizaron 7.786 casos de dengue presentados en los cuatro años de estudio, encontrando que los municipios más afectados por cantidad de población fueron Tubará, Candelaria, Puerto Colombia, Baranoa, Polonuevo y Ponedera. Se escogió el mejor modelo por cada año de estudio, basados en el Criterio de Información de Desviación (DIC), se encontró que las variables afines a las características sociales presentes en las viviendas y el crecimiento desordenado del casco urbano fueron las que mayor influencia tuvieron en el aumento del número de casos de dengue. El modelo bayesiano permitió identificar la relación del dengue con factores fuera del sector de salud estableciendo áreas de mayor riesgo de enfermedad.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Angie Andrea Montoya González, Universidad Distrital Francisco José de Caldas

Ingeniera catastral y geodesta

Fabián Gabriel Ortiz Beltrán, Universidad Distrital Francisco José de Caldas

Ingeniero catastral y geodesta

Luis Fernando Santa Guzmán, Universidad Nova de Lisboa

Ingeniero Catastral y Geodesta, Estadista y Magíster en Geomática. Integrante del Grupo de Investigación Estadística Espacial. Aspirante a doctor en Geoinformática de la Universidad Nova de Lisboa.

Referencias

Aburas, H. M., Cetiner, B. G. y Sari, M. (2010). Dengue confirmed-cases prediction: A neural network model. Expert Systems with Applications, 37(6), 4256-4260. http://doi.org/10.1016/j.eswa.2009.11.077

Alto Comisionado de las Naciones Unidas para los Refugiados

(ACNUR). (s. f.). Diagnóstico departamental Atlántico. Recuperado de http://www.acnur.org/t3/uploads/media/COI_2163.pdf?view=1

Bhatt, S., Gething, P. W., Brady, O. J., Messina, J. P., Farlow, A. W., Moyes, C. L., … Hay, S. I. (2013). The global distribution and burden of dengue. Nature, 496(7446), 504-507. http://doi.org/10.1038/nature12060

Brady, O. J., Gething, P. W., Bhatt, S., Messina, J. P., Brownstein, J. S., Hoen, A. G., … Hay, S. I. (2012). Refining the Global Spatial Limits of Dengue Virus Transmission by Evidence-Based Consensus. PLoS Neglected Tropical Diseases, 6(8), e1760. http://doi.org/10.1371/journal.pntd.0001760

Cadena, M., Guzmán, D. y Ruíz, J.F. (2014). Regionalización de Colombia según la estacionalidad de la precipitación media mensual, a través de análisis de componentes principales (ACP). Grupo de modelamiento de tiempo, clima, y escenarios de cambio climático. Subdirección de meteorología - IDEAM. Recuperado de http://www.ideam.gov.co/documents/

Departamento Administrativo Nacional de Estadística (DANE). (2005). Recuperado de http://www.dane.gov.co/index.php/poblacion-y-demografia/proyecciones-de-poblacion

Del Valle, J. A. (2016). Introducción a las Cadenas o Procesos de Markov. Recuperado de http://www.ingenieria.unam.mx/javica1/ingsistemas2/Simulacion/Cadenas_de_Markov.htm

Dom, N. C., Hassan, A. A., Latif, Z. A. y Ismail, R. (2013). Generating temporal model using climate variables for the prediction of dengue cases in Subang Jaya, Malaysia. Asian Pacific Journal of Tropical Disease, 3(5), 352-361. http://doi.org/10.1016/S2222-1808(13)60084-5

Echavarria, A. y Quintero, O. L. (2012). Estudio de los factores climaticos y geográficos que influyen en la presencia de casos de dengue y criaderos de Aedes aegypti en el municipio de Bello. Recuperado de http://repository.eafit.edu.co:80/handle/10784/4614

Espinosa, R. (1998). La problemática de los desplazados en el Atlántico. Recuperado de http://www.eltiempo.com/archivo/documento/MAM-824868

Feres, J. C. y Mancero, X. (2001). El método de las necesidades básicas insatisfechas

(NBI) y sus aplicaciones en América Latina. CEPAL. Recuperado de http://dds.cepal.org/infancia/guide-to-estimating-child-poverty/bibliografia/capitulo-III/Feres%20Juan%20Carlos%20y%20Xavier%20Mancero%20%282001b%29%20El%20metodo%20de%20las%20necesidades%20basicas%20insatisfechas%20%28NBI%29%20y%20sus%20aplicaciones%20en%20America%20Latina.pdf

Gobernación de Atlántico. Secretaría de planeación Atlántico (2010). Anuario estadístico del Atlántico 2010. Recuperado de http://atlantico.gov.co

González, R., Infante, S. y Hernández, A. (2012). Modelos jerárquicos espacio temporales para mapear riesgos relativos de dengue, en el Municipio Girardot, Estado Aragua, Venezuela. Boletín de Malariología y Salud Ambiental, 52(1), 33-45. Recuperado de http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S1690-46482012000100004&lng=es&nrm=iso&tlng=es

Honorato, T., Lapa, P. P. de A., Sales, C. M. M., Reis-Santos, B., Tristão-Sá, R., Bertolde, A. I., y Maciel, E. L. N. (2014). Spatial analysis of distribution of dengue cases in Espírito Santo, Brazil, in 2010: use of Bayesian model. Revista Brasileira de Epidemiologia, 17, 150-159. http://doi.org/10.1590/1809-4503201400060013

Instituto Nacional de Salud. (2013). Situación del dengue en Colombia, 2013. Recuperado de http://www.ins.gov.co/noticias/paginas/situaci%C3%B3n-del-dengue-en-colombia-hasta-el-16-de-febrero-de-2013.aspx#.V2n3vVnKuU4

Lawson, A. (2008) Bayesian Disease Mapping: Hierarchical Modeling in Spatial Epidemiology. Boca Raton: Chapman and Hall/CRC.

Mena, N., Troyo, A., Bonilla-Carrión, R. y Calderón-Arguedas, Ó. (2011). Factors associated with incidence of dengue in Costa Rica. Revista Panamericana de Salud Pública, 29(4), 234-242. http://doi.org/10.1590/S1020-49892011000400004

Ministerio de Educación Nacional. (2012) Región Caribe (Costa Atlántica) en Educación, Recuperado de http://www.mineducacion.gov.co/1621/articles-283230_archivo_pdf_perfil.pdf

Monsalve, N. C., Rubio-Palis, Y. y Pérez, M. E. (2010). Modelaje Bayesiano espacio-

temporal de factores asociados con la incidencia del dengue en el área metropolitana de Maracay, Venezuela. Boletín de Malariología y Salud Ambiental, 50(2), 219-232. Recuperado de http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S1690-46482010000200006&lng=pt&nrm=iso&tlng=es

Mosquera, M., Obregón, R., Lloyd, L. S., Orozco, M. y Peña, A. (2010). Reflexiones sobre el alcance de la investigación formativa en comunicación en salud en los programas de prevención y control de dengue. El caso de Barranquilla (Colombia). Investigación y Desarrollo, 18(1), 186-217. Recuperado de https://dialnet.unirioja.es/servlet/articulo?codigo=3685496

Murcia, C. E. y Sarmiento F.J. (2015) Modelos bayesianos para describir el comportamiento del cáncer gástrico en Colombia en el periodo 2005-2012 (tesis de pregrado). Universidad Distrital Francisco José de Caldas, Bogotá, Colombia.

Organización Mundial de la Salud (OMS). (2012). Dengue. Recuperado de http://www.who.int/topics/dengue/es/

Padilla, J. C., Rojas, D. P. y Sáenz Gómez, R. (2012). Dengue en Colombia: epidemiología de la reemergencia a la hiperendemia. Bogotá, Colombia: Guías de Impresión Ltda.

Pfeiffer, D., Robinson, T., Stevenson, M., Stevens, K., Rogers, D. y Clements, A. (2008) Spatial Analysis in Epidemiology. Oxford: University Press

Phung, D., Huang, C., Rutherford, S., Chu, C., Wang, X., Nguyen, M., … Manh, C. D. (2015). Identification of the prediction model for dengue incidence in Can Tho city, a Mekong Delta area in Vietnam. Acta Tropica, 141, Part A, 88-96. http://doi.org/10.1016/j.actatropica.2014.10.005

Santos, S. L. dos, Parra-Henao, G., Silva, M. B. C. e, & Augusto, L. G. da S. (2014). Dengue in Brazil and Colombia: a study of knowledge, attitudes, and practices. Revista Da Sociedade Brasileira de Medicina Tropical, 47(6), 783-787. http://doi.org/10.1590/0037-8682-0048-2014

Segebre, J. A. (2012). Plan de desarrollo 2012 – 2015. Gobernación de Atlántico- Atlántico más social. Recuperado de http://www.atlantico.gov.co/images/stories/plan_desarrollo/plan_desarrollo_2012-2015.pdf

Silveira, G. P. y de Barros, L. C. (2015). Analysis of the dengue risk by means of a Takagi–Sugeno-style model. Fuzzy Sets and Systems, 277, 122-137. https://doi.org/10.1016/j.fss.2015.03.003

SIVIGILA. (2013). Vigilancia Rutinaria. Recuperado de http://www.ins.gov.co/lineas-de-accion/Subdireccion-Vigilancia/sivigila/Paginas/vigilancia-rutinaria.aspx

Torres, C., Barguil, S., Melgarejo, M. y Olarte, A. (2014). Fuzzy model identification of dengue epidemic in Colombia based on multiresolution analysis. Artificial Intelligence in Medicine, 60(1), 41-51. http://doi.org/10.1016/j.artmed.2013.11.008

Waller, L. A. y Gotway, C. A. (2004). Applied spatial statistics for public health data. Hoboken, N.J: John Wiley & Sons.

Wongkoon, S., Jaroensutasinee, M. y Jaroensutasinee, K. (2012). Development of temporal modeling for prediction of dengue infection in Northeastern Thailand. Asian Pacific Journal of Tropical Medicine, 5(3), 249-252. http://doi.org/10.1016/S1995-7645(12)60034-0

Descargas

Publicado

2017-12-19

Cómo citar

Montoya González, A. A., Ortiz Beltrán, F. G., & Santa Guzmán, L. F. (2017). Modelo bayesiano para el estudio de la enfermedad del dengue en el departamento de Atlántico, Colombia, años 2010 a 2013. Perspectiva Geográfica, 22(2). https://doi.org/10.19053/01233769.7603

Número

Sección

Artículos

Métrica