Aplicación de Modelos de Nicho Ecológico para estudios Epidemiológicos: Triatoma dimidiata, vector de la 1 Enfermedad de Chagas en Ecuador
##plugins.themes.bootstrap3.article.main##
Resumen
Resumen: Los modelamientos estadísticos y estocásticos son en la actualidad una herramienta importante paracomprensión de fenómenos ecológicos. En este trabajo, se realizaron modelamientos de nicho de la especie  Triatomadimidiata vector de la enfermedad de Chagas con cuatro técnicas de modelamiento ecológico: Regresión logística,DOMAIN, Bioclim y Maxent; los cuales fueron evaluadas con el uso del test estadístico AUC. En virtud de esteresultado, se determinó el modelo que permite comprender de una manera correcta la dinámica de esta especie y sudistribución, la regresión logística es el modelo que presentó mayor exactitud, además se determinó que la relaciónde variables es importante para ejecutar cualquier tipo de modelamiento discutiendo la práctica de ejecutarmodelamientos ecológicos simplemente aplicando todas las variables e insumos disponibles. El modelo de regresiónlogística  fue utilizado para hacer una distribución de rangos con la finalidad de asignar valores categóricos ydeterminar la superficie con mayor idoneidad para la presencia de la especie, además de utilizar este como un ejemplopara la gestión de territorio, tomándolo como una herramienta de entomología médica. Se utilizó el sector geográficocon alta idoneidad como límite de un posible riesgo epidemiológico  en el cual, se debería considerar trabajar enmedidas de prevención para evitar una infección masiva de la enfermedad de Chagas.
Application of Ecological Niche Models for Epidemiologic studies: Triatoma dimidiata, vector of Chagas disease in Ecuador
Abstract: Nowadays, statistical and stochastic models and their application have become important tools forunderstanding natural phenomena. In this work, ecologycal niche modeling was performed for the specie Triatomadimidiata vector of the Chagas disease. For this purpose, four ecological modeling techniques were used: Logisticregression, DOMAIN, Bioclim and Maxent. These models were evaluated using the statistical test AUC. Resultsshowed that logistic regression determined the highest specificity (0.8). Categorical values were assigned throughranking, in order to locate the most suitable area for the presence of the studied species. Additionally, this model wasapplied for territory management, serving as a tool of medical entomology. The geographical area with highersuitability was established as a threshold at which a epidemiological risk occur. This threshold should be consideredfor developing preventive measures to avoid a massive spread of Chagas.
Â
Descargas
Descargas
Detalles del artículo
Citas
Abad-Franch, F., Aguilar, M. (2003). "Control de la enfermedad de hagas
en el Ecuador". Ministerio de salud Pública del Ecuador. Quito. Ecuador.
Beard. C.B., Pye, F.J., Steurer, R., Rodriguez, R., Campman, A., Peterson,
J.T., Ramsey, R.A., Wirtz, L.E., Robinson, E. (2003). "Chagas Disease in a
domestic transmission cycle in Southern Texas, USA". Emerg. Infect. Dis., 9:103-105.
Carpenter. S., Caraco, R., Correll, R., Howarth, R., Sharpley, R., Smith, H.
(1993). Nonpoint pollution of surface waters with phosphorus and nitrogen. Ecological Applications 8: 559-568.
Costa. J., Peterson, A.T., Beard, C.B. (2002). Ecologic niche modeling and
differentiation of populations of Triatoma brasiliensis. Am J Trop. Med Hyg. 67: 516-520.
ESRI. (2008). ArcGIS a Complete Integrated System. Environmental Systems Research Institute. Inc. Redlands, California.
Fielding. A., Bell, H. (1997). Review of methods for the assessment of
prediction errors in conservation presence/ absence models. Environmental Conservation, 24:38-49.
Franco-Paredes, C., Von, A., Hidron, A.J., Rodríguez-Morales, A., Tellez, I.,
Barragán, M., Jones, D.C., Náquira, G., Mendez J. (2007). Chagas disease: an impediment in achieving the Millennium Development Goals in Latin
America. BMC Int. Health Hum. Rights.
Guisan, A.E., Zimmermann, N.E. (2000). Predictive habitat distribution
models in ecology. Ecological Modelling 135: 147-186.
Ortega-Calvo. M., Cayuela-Domínguez, A. (2002). Regresión logística no
condicionada y tamaño de muestra: una revisión bibliográfica. Rev. Esp. Salud Pública. 76: 85-93.
Guralnick. P., Hill, A., Lane, M. (2007). Towards a collaborative, global
infrastructure for biodiversity assessment. Ecology Letters, 10: 663-672.
Hanley. H., McNeil, N. (1982). Calculation of the Standard Error of the Area under the Curve (AUC) and of the difference between two AUCs. Radiology, 143(1): 29-36.
Hijmans, R., Luigi Guarino, J., Jarvis, A., Brien, R., Mathur, P., Bussink, C.,
Cruz, M., Barrantes, I., Rojas, E. (2005). DIVA-GIS Version 5.2 Manual.
LizardTech, Inc., and the University of California.
Hosmer, D.W., Lemeshow, S. (2000). Applied Logistic Regression. (2nd ed). JohnWiley and Sons.
Elith, J., Steven, J., Phillps, T.H., Miroslav, D., Yung, C., Colin-Yates, J.
(2011). A statistical explanation of MaxEnt for ecologists. Diversity and
Distributions. 17: 43-57
López-Cárdenas. J., González-Bravo, F.E., Salazar-Schettino, P.M., GallagaSolórzano,
J.C., Ramírez-Barba, E., Martínez-Méndez, J., Sánchez-Cordero,
V., Peterson, T., Ramsey, J.M. (2005). Fine-scale predictions of distribution of Chagas disease vectors in the state of Guanajuato, Mexico. J. Med. Entomol.
: 1068-1081.
Molinier. R, Vignes, R. (1976). Introducción a la ecobiocenología: los
biotopos, las biocenosis, los ecosistemas. Colección Tropos. Barcelona.
Vicens-Vives.
Nix, H.A. (1986). BIOCLIM. A Bioclimatic Analysis and Prediction System.
Research report, CSIRO Division of Water and Land Resources, 1983-1985.
Ottaviani, E., Malagoli, D., Franchini, A. (2004). Invertebrate humoral factors: cytokines as mediators of cell survival. Prog. Mol. Subcell. Biol. 34:1-25.
Papes, M., Gaubert, C. (2001). Modelling ecological niches from low numbers of occurrences: assessment of the conservation status of poorly known
viverrids (Mammalia, Carnivora) across two continents. Diversity and
distributions, 12(2): 125-136.
Pereira, H.M., Leadley, P.W., Proenca, V., Alkemade, R., Scharlemann, P.,
Fernandez-Manjarres, J.F. (2010). Scenarios for global biodiversity in the 21st century. Science. 330: 1496-1501.
Peterson. A.T., Sanchez-Cordero, V., Beard, C.B. (2002). Ramsey. Ecologic niche modeling and potential reservoirs for Chagas disease, Mexico. Emerg Infect Dis. 8:662-667.
Phillips, S.J., Anderson, R.P., Schapired, R.E. (2006). Maximum entropy
modeling of species, geographic distribution?. Ecological Modelling, 190:
-259.
Phillips. S.J., Dudík, M., Schapire, R.E. (2004). A maximum entropy approach to species distribution modeling. Proceedings of the Twenty-First International Conference on Machine Learning. 655-662.
Porcasi, X., Catalá, S.S., Hrellac, H., Scavuzzo, M.C., Gorla, D.E. (2006).
Infestation of rural houses by Triatoma infestans (Hemiptera: Reduviidae) in southern area of Gran Chaco in Argentina. J. Med. Entomol. 43: 1060-1067.
Ramsey, J.M., Ordóñez, R., Cruz-Celis, A., Alvear, A.L., Chávez, V., López,
R. (2000). Distribution of domestic Triatominae and stratification of Chagas disease transmission in Oaxaca, Mexico. Med. Vet. Entomol. 14: 1-12.
SPSS Inc. Released. 2006. PASW Statistics for Windows, Version 18.0.
Chicago: SPSS Inc.
World Health Organization. (2010). Chagas Disease: American
Trypanosomiasis. Fact sheet.