🌿 ecología

Bayesian spatial prediction of three medically important tick species in Illinois

Este estudio utilizó modelos espaciales jerárquicos bayesianos para predecir la abundancia relativa a nivel de condado de tres especies de garrapatas de importancia médica en Illinois, revelando distribuciones geográficas y factores ambientales distintivos, al tiempo que identificó áreas prioritarias para la vigilancia futura en regiones con escasez de datos.

Autores originales: Hussain, A., Bravo de Guenni, L., Mateus-Pinilla, N. E., Smith, R. L.

Publicado 2026-10-14

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hussain, A., Bravo de Guenni, L., Mateus-Pinilla, N. E., Smith, R. L.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Las garrapatas son más que simples insectos molestos; son portadoras móviles de enfermedades que pueden enfermar a personas y animales a través de vastas extensiones del paisaje estadounidense. En el estado de Illinois, tres tipos específicos de garrapatas representan los mayores riesgos para la salud: la garrapata de una sola estrella, la garrapata americana del perro y la garrapata de patas negras. Estos insectos transmiten patógenos responsables de afecciones que van desde la enfermedad de Lyme hasta la ehrlichiosis y el síndrome de alfa-gal, una alergia severa a la carne roja. Aunque los funcionarios de salud saben que estas garrapatas existen en el estado, su presencia no se registra de manera uniforme. Los esfuerzos de vigilancia, que consisten en recolectar físicamente garrapatas del entorno, suelen ser irregulares. Algunos condados cuentan con años de datos detallados, mientras que otros no tienen ninguno. Esto crea un punto ciego, lo que dificulta saber exactamente dónde es mayor el riesgo o dónde podrían estar emergiendo nuevas poblaciones. Sin una imagen completa, es difícil priorizar a dónde enviar recursos para el monitoreo o advertir al público de manera efectiva.

Para llenar estos vacíos, un equipo de investigadores de la Universidad de Illinois recurrió a un enfoque estadístico que trata al estado como un todo conectado en lugar de una colección de puntos de datos aislados. Recopilaron registros de vigilancia de 2019 a 2022, centráًndose en la proporción relativa de cada especie de garrapata encontrada en un condado determinado. En lugar de intentar contar cada una de las garrapatas, lo cual es imposible, analizaron la proporción de cada especie entre el total de garrapatas recolectadas. Luego combinaron estos datos biológicos con información sobre el entorno local, incluyendo patrones climáticos, los tipos de cobertura terrestre como bosques y pastizales, qué tan fragmentados están esos bosques y la idoneidad del hábitat para el ciervo de cola blanca, un huésped primario para muchas garrapatas. Utilizando una técnica de modelado sofisticada conocida como análisis espacial bayesiano, se plantearon una pregunta simple pero poderosa: ¿podemos predecir dónde es probable que se encuentren estas garrapatas en condados donde nadie ha buscado, utilizando las pistas ambientales de los condados donde sí se han encontrado?

Los resultados revelaron que las tres especies de garrapatas no siguen las mismas reglas, y un solo mapa no puede explicarlas a todas. Para la garrapata de una sola estrella, el modelo encontró una conexión clara con el entorno. Esta especie mostró su mayor abundancia predicha en la parte sur del estado, con focos de números elevados en los condados del centro-oeste. La señal más fuerte de dónde prospera esta garrapata no fue el clima o los árboles, sino la calidad del hábitat para el ciervo de cola blanca. Los datos sugirieron que, donde el hábitat del ciervo es adecuado, es más probable que la garrapata de una sola estrella esté presente. Esto concuerda con el entendimiento de que los ciervos ayudan a transportar estas garrapatas a través del paisaje, permitiéndoles establecer nuevas poblaciones. El modelo fue capaz de utilizar esta relación para realizar predicciones confiables incluso en condados donde no se había registrado oficialmente la presencia de la garrapata de una sola estrella.

La garrapata de patas negras contó una historia diferente. Su distribución se concentró principalmente en la parte norte de Illinois, con cierta presencia en la región central. Para esta especie, el clima fue el predictor más importante. El modelo indicó que los patrones estacionales específicos de temperatura y precipitación en el norte crearon condiciones favorables para esta garrapata, mientras que el clima del sur era menos adecuado. A diferencia de la garrapata de una sola estrella, la presencia de hábitat de ciervos o tipos específicos de cobertura terrestre no mejoró la predicción tanto como los datos climáticos generales. Esto sugiere que el rango de la garrapata de patas negras está estrechamente ligado al clima, lo que la hace más predecible basándose únicamente en la temperatura y la humedad.

La garrapata americana del perro, sin embargo, desafió la expectativa de que los factores ambientales impulsarían el mapa. Esta especie se distribuyó ampliamente por todo el estado, apareciendo en casi todos los condados donde había datos disponibles. Los investigadores descubrieron que añadir detalles sobre el clima, la cobertura terrestre o el hábitat del ciervo no ayudó realmente a predecir dónde se encontraría esta garrapata mejor que simplemente observar a sus vecinas. El mejor modelo para la garrapata americana del perro fue uno que dependía casi por completo de los patrones espaciales, asumiendo esencialmente que si se encuentra una garrapata en un condado, es probable que también se encuentre en los condados circundantes. Esto implica que esta garrapata es una generalista, capaz de sobrevivir en una amplia variedad de condiciones, y su presencia depende menos de disparadores ambientales específicos que la de las otras dos especies.

Al generar predicciones para los 102 condados de Illinois, el estudio proporcionó un mapa completo de riesgo, incluyendo áreas que nunca habían sido muestreadas. Los investigadores también calcularon qué tan inciertas eran estas predicciones para cada ubicación. Encontraron que la incertidumbre era mayor en regiones específicas: el noreste para la garrapata de una sola estrella, el área del centro-oeste para la garrapata americana del perro, y la región del este-centro para la garrapata de patas negras. Estos son los lugares donde el modelo tiene menos certeza, lo que indica que son precisamente los lugares donde los futuros esfuerzos de vigilancia serían más valiosos. El estudio no pretendía haber resuelto el misterio de la distribución de las garrapatas, pero sí proporcionó un marco claro y basado en evidencia para comprender dónde es probable que se encuentren estos insectos y dónde debemos buscar después. Demostró que, si bien algunas garrapatas son impulsadas por necesidades ambientales específicas, otras son tan adaptables que su presencia se comprende mejor viendo el paisaje como una red conectada. Este enfoque ofrece una forma práctica de guiar a los funcionarios de salud pública y a los investigadores hacia las áreas que requieren atención con mayor urgencia, convirtiendo puntos de datos dispersos en una imagen coherente del riesgo en todo el estado.

Resumen Técnico: Predicción Espacial Bayesiana de Tres Especies de Garrapatas de Importancia Médica en Illinois

Planteamiento del Problema
Las enfermedades transmitidas por garrapatas (ETG) se reportan cada vez más en todo Illinois, sin embargo, los datos de vigilancia siguen siendo espacialmente desiguales. Muchos condados carecen de observaciones específicas de especies debido a la naturaleza logística y de uso intensivo de recursos del muestreo activo y las presentaciones pasivas. Esta escasez limita la capacidad de inferir la abundancia relativa en áreas insuficientamente muestreadas y dificulta la identificación de zonas prioritarias para una vigilancia adicional. Además, aunque se sabe que los factores ambientales (clima, cobertura terrestre, disponibilidad de huéspedes) influyen en las distribuciones de las garrapatas, aún no está claro si estos factores mejoran la precisión predictiva más allá de la estructura espacial residual para especies médicas específicas.

Metodología
El estudio desarrolló modelos espaciales jerárquicos bayesianos para predecir la abundancia relativa a nivel de condado para tres especies focales: Amblyomma americanum (garrapata de una sola estrella), Dermacentor variabilis (garrapata del perro americano) e Ixodes scapularis (garrapata negra de patas negras) en los 102 condados de Illinois utilizando datos de vigilancia de 2019–2022.

Variable de Respuesta: La abundancia relativa se definió como la proporción de la especie respecto al total de garrapatas focales recolectadas (conteo de la especie dividido por el conteo total de las tres especies focales). Esto se modeló utilizando una verosimilitud beta-binomial para dar cuenta de la variación extra-binomial, utilizando el número total de garrapatas recolectadas como el denominador ( $N_i$ ) para controlar indirectamente el esfuerzo de muestreo.
Covariables: Los predictores ambientales incluyeron variables climáticas (derivadas de WorldClim 2.1), métricas de cobertura terrestre (de NLCD 2019), índices de fragmentación forestal y puntuaciones de idoneidad de hábitat para el ciervo de cola blanca. Para abordar la multicolinealidad, se aplicó un Análisis de Componentes Principales (PCA) por separado a los conjuntos de datos de clima y cobertura terrestre.
Modelado Espacial: Los modelos se implementaron utilizando la Aproximación de Laplace Integrada (INLA). El componente espacial utilizó la parametrización BYM2 (Besag, York y Mollié), que combina efectos espaciales estructurados con efectos aleatorios no estructurados.
Selección de Modelos: Se ajustaron seis modelos candidatos para cada especie, que variaban desde modelos solo espaciales (BYM2) hasta modelos ambientales completos (clima, cobertura terrestre y aptitud para el ciervo) combinados con efectos espaciales. Los modelos se compararon mediante el Criterio de Información de Watanabe-Akaike (WAIC), el Criterio de Información de Deviance (DIC) y el Logaritmo del Orden Predictivo Condicional (LCPO).
Validación: Se realizó una validación cruzada espacial de cinco pliegues para evaluar el desempeño de la predicción fuera de la muestra geográfica. Esto evaluó si las covariables ambientales mejoraban las métricas de predicción (RMSE, MAE) en comparación con los modelos solo espaciales.

Resultos Clave
El estudio identificó distintos impulsores ecológicos y estructuras predictivas para cada especie:

Amblyomma americanum: El modelo con mayor soporte incluyó efectos ambientales completos más el componente espacial BYM2. La idoneidad del hábitat del ciervo fue el predictor positivo más claro (Razón de Probabilidades = 2.51). La inclusión de covariables ambientales mejoró la predicción geográfica fuera de la muestra (el RMSE se redujo en un 5.4% y el MAE en un 10.9%) en comparación con el modelo solo espacial. La abundancia relativa predicha fue mayor en el sur de Illinois.
Dermacentor variabilis: El modelo espacial solo BYM2 recibió el mayor apoyo. La adición de covariables ambientales no mejoró el ajuste del modelo y, de hecho, aumentó el error de predicción (el RMSE aumentó un 8.3%). Esto sugiere que, para esta especie generalista ampliamente distribuida, la estructura espacial residual captura mejor los patrones de distribución que los gradientes ambientales medidos a nivel de condado.
Ixodes scapularis: Se seleccionó el modelo que combina covariables climáticas (específicamente el PC1 del Clima) con el efecto espacial BYM2. El PC1 del clima se asoció negativamente con la abundancia relativa, lo que indica que el régimen climático estacional específico del norte de Illinois (trimestres más cálidos más frescos, trimestres más húmedos más cálidos, menor precipitación) es un predictor fuerte. La inclusión ambiental mejoró la predicción (el RMSE se redujo en un 7.3%). La abundancia predicha se concentró en el norte de Illinois.

Incertidumbre y Brechas de Vigilancia
Los modelos generaron con éxito predicciones para los 102 condados, incluidos aquellos sin observaciones específicas de la especie. Se utilizó el ancho de los intervalos de credibilidad del 95% para cuantificar la incertidancia de la predicción. El análisis identificó regiones específicas donde la incertidumbre seguía siendo alta: el noreste de Illinois para A. americanum, el centro-oeste de Illinois para D. variabilis y el este-centro de Illinois para I. scapularis. Estas áreas representan zonas prioritarias donde una vigilancia estandarizada adicional podría mejorar la precisión de la predicción de manera más efectiva.

Significancia y Reivindicaciones
El artículo sostiene que el modelado espacial específico de cada especie es esencial para extender la inferencia más allá de las ubicaciones muestreadas en regiones con pocos datos. El estudio demuestra que:

Los predictores ambientales mejoran la predicción para A. americanum e I. scapularis, pero no para la más ubicua D. variabilis, lo que destaca la necesidad de enfoques de modelado específicos para cada especie en lugar de un marco de "talla única".
Los modelos jerárquicos bayesianos cuantifican eficazmente la incertidumbre, lo que permite a los funcionarios de salud pública distinguir entre áreas de alta abundancia predicha y áreas donde las predicciones son inciertas debido a la falta de datos.
El marco proporciona una base para priorizar los esfuerzos de vigilancia, dirigiéndose específicamente a los condados donde la incertidumbre es mayor y donde la incidencia de enfermedades (por ejemplo, la enfermedad de Lyme, la ehrlichiosis) ya se reporta pero los datos de vectores son escasos.

Los autores señalan las limitaciones relativas a los métodos de vigilancia heterogéneos y el potencial de la agregación a nivel de condado para oscurecer las variaciones ecológicas a escala fina, pero mantienen que el enfoque ofrece un método robusto para el mapeo de riesgos en todo el estado en ausencia de un muestreo uniforme.

Resumen Técnico: Predicción Espacial Bayesiana de Tres Especies de Garrapatas de Importancia Médica en Illinois

Más como este