Spatial Distribution and Environmental-Climatic Determinants of Malaria Infection Among Children Under Five in Liberia

Resumen Técnico: Distribución Espacial y Determinantes Climáticos y Ambientales de la Infección por Malaria en Niños Menores de Cinco Años en Liberia

Planteamiento del Problema
La malaria sigue siendo una amenaza crítica para la salud pública en el África subsahariana, siendo los niños menores de cinco años quienes soportan la mayor carga. Si bien Liberia ha demostrado un progreso significativo en la reducción de la prevalencia de la malaria (cayendo del 27% en 2011 al 10% en 2022), la enfermedad sigue siendo hiperendémica, siendo el Plasmodium falciparum el responsable del 98% de las infecciones. Un desafío clave en los esfuerzos de control de Liberia es la alta heterogeneidad espacial de la enfermedad; el riesgo no es uniforme, sino que se concentra en áreas geográficas específicas. La investigación previa se ha basado mayoritariamente en datos agregados a nivel de condado o resúmenes espaciales gruesos, los cuales a menudo oscurecen las variaciones geográficas a escala fina y no logran capturar la dinámica de transmisión localizada dentro y entre los conglomerados de muestreo (clusters). Además, existe una falta de estudios en Liberia que apliquen plenamente métodos de regresión espacial y autocorrelación para identificar puntos calientes (hotspots) y puntos fríos (coldspots) específicos, identificando simultáneamente la influencia de los impulsores climáticos y ambientales.

Metodología
Este estudio empleó un análisis cuantitativo secundario de la Encuesta de Indicadores de Malaria de Liberia de 2022 (LMIS), centrándose en 2,864 niños de 6 a 59 meses en 150 conglomerados en los 15 condados de Liberia. La investigación integró datos de la encuesta con conjuntos de datos ráster climáticos y ambientales de alta resolución, incluyendo:

• Datos Climáticos: Temperatura mensual media y aridez (WorldClim 2020), y precipitación (CHIRPS 2022).
• Datos Ambientales: Proximidad a cuerpos de agua permanentes (HydroRIVERS 2025) e Índice de Vegetación Mejorado (EVI) (USGS 2022).

El flujo de trabajo analítico consistió en:

1. Integración de Datos: Vinculación de las variables ambientales con los polígonos de los conglomerados de la LMIS para asegurar una medición precisa de la exposición a nivel de conglomerado.
2. Análisis de Autocorrelación Espacial:
   • Moran's I Global: Para evaluar la agrupación espacial general de la prevalencia de la malaria.
   • Indicadores Locales de Asociación Espacial (LISA): Para identificar conglomerados locales específicos (puntos calientes y puntos fríos) y valores atípicos espaciales.
3. Modelado de Regresión:
   • Mínimos Cuadrados Ordinarios (OLS): Utilizado como modelo base no espacial para cuantificar las relaciones entre las covariables y la prevalencia de la malaria.
   • Modelo de Rezago Espacial (SLM): Implementado para abordar la dependencia espacial, incorporando una variable dependiente con rezago espacial para considerar la influencia de los conglomerados vecinos.
   • Selección de Modelo: Se utilizaron el Criterio de Información de Akaike (AIC) y los diagnósticos del Multiplicador de Lagrange (LM) para determinar el ajuste superior del modelo.

Resultados Clave

• Heterogeneidad Espacial: El estudio reveló una variación sustancial en la prevalencia de la malaria, que va desde el 0% en algunos conglomerados hasta un máximo del 81% en el condado de Sinoe.
• Agrupamiento Espacial: El Moran's I global indicó una autocorrelación espacial positiva débil pero estadísticamente significativa (I = 0.111, p = 0.002). El análisis LISA identificó conglomerados significativos de "Alto-Alto" (puntos calientes) predominantemente en las regiones del Sur y Sudeste (por ejemplo, Sinoe, Maryland, Grand Kru) y conglomerados de "Bajo-Bajo" (puntos fríos) en las regiones del Noroeste y Central.
• Determinantes Ambientales:
  • Predictores Significativos: La precipitación ($\beta=0.083$, p<0.003), el Índice de Vegetación Mejorado ($\beta=0.055$, p<0.009) y la Proximidad al Agua ($\beta=0.701$, p<0.026) fueron identificados como predictores positivos significativos de la prevalencia de la malaria en el modelo OLS.
  • Predictores No Significativos: La temperatura media y la aridez no fueron predictores estadísticamente significativos en ninguno de los dos modelos, probablemente debido al clima uniformemente cálido y húmedo de Liberia.
• Desempeño del Modelo: El Modelo de Rezago Espacial (SLM) superó al modelo OLS, evidenciado por un $R^2$ más alto (0.305 frente a 0.182) y un AIC más bajo (1184.01 frente a 1185.13). El parámetro de rezago espacial significativo ($\rho=0.290$, p<0.045) confirmó que la prevalencia de la malaria en un determinado conglomerado está significativamente influenciada por la prevalencia en los conglomerados adyacentes, lo que indica efectos de desbordamiento (spillover) espacial.

Significancia y Reivindicaciones
El artículo afirma proporcionar uno de los primeros mapas de riesgo espacial de alta resolución para la malaria en Liberia, yendo más allá de las agregaciones administrativas hacia un análisis a nivel de conglomerado. La principal significancia de los hallazgos radica en demostrar que el riesgo de malaria es impulsado por una interacción compleja de las condiciones ambientales locales (precipitación, vegetación, proximidad al agua) y los efectos de desbordamiento espacial de las comunidades vecinas.

Los autores argumentan que estos hallazgos requieren un cambio de las estrategias nacionales de control de la malaria uniformes hacia intervenciones geográficamente diferenciadas. Específicamente, el estudio respalda la priorización de recursos hacia los puntos calientes hiperendémicos identificados, particularmente en los condados del sur. Al dirigir estos conglomerados específicos con un control vectorial intensificado y educación comunitaria, el Programa Nacional de Control de la Malaria puede optimizar el impacto y acelerar el progreso hacia las metas de eliminación. El estudio también destaca la utilidad de los modelos de rezago espacial para capturar la dinámica de transmisión que los modelos de regresión estándar omiten, sugiriendo que los futuros esfuerzos de control deben tener en cuenta la conectividad entre las comunidades adyacentes.