Predicción de la epidemia del virus sincitial respiratorio en Bogotá, D.C., utilizando variables climatológicas

Gilberto González-Parra, José F. Querales, Diego Aranda, .

Palabras clave: teorema de Bayes, virus sincitiales respiratorios, predicción, climatología, epidemias

Resumen

Introducción. El virus sincitial respiratorio es uno de los principales causantes de mortalidad de niños y adultos mayores en el mundo. Objetivo. Predecir las semanas de inicio de los brotes de infección por el virus sincitial respiratorio en Bogotá entre 2005 y 2010, utilizando variables climatológicas como variables de predicción. Materiales y métodos. Se establecieron las fechas de inicio de los brotes en niños menores de cinco años ocurridas entre 2005 y 2010, en Bogotá D.C., Colombia. Se seleccionaron las variables climatológicas utilizando una matriz de correlación y, posteriormente, se construyeron 1.020 modelos resultado de la combinación de las distintas variables climatológicas y las semanas de antelación al inicio del brote. Se seleccionaron los modelos utilizando los datos correspondientes a periodos de seis (2005-2010), cuatro (2005-2008) y dos años (2009-2010). Se determinaron los mejores modelos y las variables climatológicas más relevantes, utilizando clasificadores bayesanos ingenuos y curvas características de operación del receptor (Receiver Operating Characteristic, ROC). Resultados. Los mejores resultados se obtuvieron con los modelos que utilizaron el periodo de dos años (2009-2010) y la semana 0, con 52 y 60 % de aciertos, respectivamente. La humedad mínima fue la variable que más apareció en los mejores modelos (62 %). Los clasificadores bayesanos ingenuos permitieron establecer cuáles eran los mejores modelos para predecir la semana de inicio del brote. Conclusiones. Los resultados sugieren que los modelos en que se utilizaron la humedad mínima, la velocidad del viento y la temperatura mínima serían los modelos de predicción más eficaces.

Descargas

Los datos de descargas todavía no están disponibles.
  • Gilberto González-Parra Grupo de Matemática Multidisciplinar, Universidad de Los Andes, Mérida, Venezuela Centro de Investigaciones en Matemática Aplicada, Universidad de Los Andes, Mérida, Venezuela
  • José F. Querales Grupo de Matemática Multidisciplinar, Universidad de Los Andes, Mérida, Venezuela
  • Diego Aranda Grupo Signos, Departamento de Matemáticas, Facultad de Ciencias, Universidad El Bosque, Bogotá, D.C., Colombia

Referencias bibliográficas

Benguigui Y, López FJ, Sdhmunis G, Yunes J. Infecciones respiratorias en niños. Serie HCT/AIEPI-1. Washington, D.C.: Organización Panamericana de la Salud; 1997. p. 496.

López-Cuadrado T, de Mateo S, Jiménez-Jorge S, Savulescu C, Larrauri A. Influenza-related mortality in Spain, 1999-2005. Gac Sanit. 2012;26:325-9. http://dx.doi.org/10.1016/j.gaceta.2011.09.033

van Woensel JB, van Aaldersen WM, Kimpen JL. Viral lower respiratory tract infection in infants and young children. BMJ. 2003;327:36-40. http://dx.doi.org/10.1136/bmj.327.7405.36

Aranda-Lozano DF, González-Parra GC, Querales J. Modelamiento de la transmisión del virus respiratorio sincitial (VRS) en niños menores de cinco años. Rev Salud Pública. 2013;15:637-47.

Rodríguez J, Prieto S, Correa C, Arnold Y, Álvarez L, Bernal P, et al. Dynamics of the dengue epidemic in Colombia: Predictions of the epidemic trajectory. Rev Fac Med. 2013;21:38-45.

Núñez LM, Aranda DF, Jaramillo AC, Moyano LF, Osorio ED. Chronology of a pandemic: The new influenza A (H1N1) in Bogotá, 2009-2010. Rev Salud Pública. 2011;13:480-91. http://dx.doi.org/10.1590/S0124-00642011000300010

González-Parra GC, Villanueva-Micó RJ, Segovia L. Dinámica del virus pandémico AH1N1/09 en la población de Venezuela. Interciencia. 2012;37;306-11.

González-Parra G, Villanueva RJ, Ruiz-Baragaño J, Moraño JA. Modelling influenza A (H1N1) 2009 epidemics using a random network in a distributed computing environ-ment. Acta Trop. 2015;143:29-35. http://dx.doi.org/10.1016/j.actatropica.2014.12.008

Adarme LV, Castellanos JE. Diagnóstico virológico de la infección por virus sincitial respiratorio. Revista Salud Bosque. 2015;3:23-36.

Walton NA, Poynton MR, Gesteland PH, Maloney C, Staes C, Facelli JC. Predicting the start week of respiratory syncytial virus outbreaks using real time weather variables. BMC Med Inform Decis Mak. 2010;10:68. http://dx.doi.org/10.1186/1472-6947-10-68

Russell S, Norvig P. Intelligence A. A modern approach. Artificial Intelligence. Prentice-Hall, Englewood Cliffs. 1995; 25:27.

Domingos P, Pazzani M. On the optimality of the simple Bayesian classifier under zero-one loss. Mach Learn. 1997; 29:103-30. http://dx.doi.org/10.1023/A:1007413511361

Noguera T. Metodología ROC en la evaluación de medidas antropométricas como marcadores de la hipertensión arterial. Aplicación a población gallega adulta (tesis). Santiago de Compostela: Universidad Santiago de Compostela; 2010.

Lim TS, Loh WY, Shih YS. An empirical comparison of decision trees and other classification methods. Technical report 979. Madison, WI: University of Wisconsin; 1997.

Noyola DE, Mandeville PB. Effect of climatological factors on respiratory syncytial virus epidemics. Epidemiol Infect. 2008;136:1328-32. http://dx.doi.org/10.1017/S0950268807 000143

Omer SB, Sutanto A, Sarwo H, Linehan M, Djelantik IG, Mercer D, et al. Climatic, temporal, and geographic characteristics of respiratory syncytial virus disease in a tropical island population. Epidemiol Infect. 2008;136:1319-27. http://dx.doi.org/10.1017/S0950268807000015

Yusuf S, Piedimonte G, Auais A, Demmler G, Krishnan S, van Caeseele P, et al. The relationship of meteorological conditions to the epidemic activity of respiratory syncytial virus. Epidemiol Infect. 2007;135:1077-90. http://dx.doi.org/10.1017/S095026880600776X

Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett. 2006;27:861-74. http://dx.doi.org/10.1016/j.patrec.2005.10.010

Ting SL, Ip WH, Tsang AH. Is naive Bayes a good classi-fier for document classification? International Journal of Software Engineering and its Applications. 2011;5:37-46.

Welliver R. The relationship of meteorological conditions to the epidemic activity of respiratory syncytial virus. Paediatr Respir Rev. 2009;10(Suppl.1):6-8. http://dx.doi.org/10.1016/S1526-0542(09)70004-1

Tang JW, Loh TP. Correlations between climate factors and incidence –a contributor to RSV seasonality. Rev Med Virol. 2014;24:15-34. http://dx.doi.org/10.1002/rmv.1771

Welliver RC. Temperature, humidity, and ultraviolet B radiation predict community respiratory syncytial virus activity. Pediatr Infect Dis J. 2007;26(Suppl.11):S29-35. http://dx.doi.org/10.1097/INF.0b013e318157da59

Meerhoff TJ, Paget JW, Kimpen JL, Schellevis F. Variation of respiratory syncytial virus and the relation with meteorological factors in different winter seasons. Pediatr Infect Dis J. 2009;28:860-6. http://dx.doi.org/10.1097/INF. 0b013e3181a3e949

Stewart PD. Seasonality and selective trends in viral acute respiratory tract infections. Med Hypotheses. 2016;86:104-19. http://dx.doi.org/10.1016/j.mehy.2015.11.005

Rodríguez-Martínez CE, Sossa-Briceño MP, Acuña-Cordero R. Relationship between meteorological condi-tions and respiratory syncytial virus in a tropical country. Epidemiol Infect. 2015;143:2679-86. http://dx.doi.org/10. 1017/S0950268814003793

Onozuka D. The influence of diurnal temperature range on the incidence of respiratory syncytial virus in Japan. Epidemiol Infect. 2015;143:813-20. http://dx.doi.org/10.1017/S0950268814001575

Cómo citar
1.
González-Parra G, Querales JF, Aranda D. Predicción de la epidemia del virus sincitial respiratorio en Bogotá, D.C., utilizando variables climatológicas. biomedica [Internet]. 1 de septiembre de 2016 [citado 19 de marzo de 2024];36(3):378-89. Disponible en: https://revistabiomedica.org/index.php/biomedica/article/view/2763

Algunos artículos similares:

Publicado
2016-09-01
Sección
Artículos originales

Métricas

Estadísticas de artículo
Vistas de resúmenes
Vistas de PDF
Descargas de PDF
Vistas de HTML
Otras vistas
QR Code