📊 estadística

Bayesian disease mapping from incomplete hospital-based surveillance: accounting for catchment and missing case origins in dengue surveillance in Makassar, Indonesia

Este artículo presenta un marco jerárquico bayesiano de procesos de puntos que mejora el mapeo del riesgo de dengue en Makassar, Indonesia, al modelar conjuntamente el comportamiento de captación hospitalaria y los orígenes de casos no observados para manejar eficazmente los datos de vigilancia incompletos y basados en instalaciones con distintos niveles de resolución espacial.

Autores originales: Bobby Poerwanto, Ian Hall, Emma L Fairbanks, Thomas House, Olatunji Johnson

Publicado 2026-10-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bobby Poerwanto, Ian Hall, Emma L Fairbanks, Thomas House, Olatunji Johnson

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El dengue es una enfermedad transmitida por mosquitos que prospera en las ciudades tropicales, causando una enfermedad generalizada y sobrecargando los sistemas de salud. Para detenerlo, los funcionarios de salud pública necesitan saber exactamente dónde es mayor el riesgo. Sin embargo, un gran obstáculo se interpone en el camino de respuestas claras: los datos que tenemos suelen estar incompletos. Cuando una persona enferma, acude a un hospital, y ese hospital registra el caso. Pero el hospital no siempre es el hogar del paciente. A veces, un paciente viaja lejos de su vecindario para recibir atención, y otras veces los registros son tan vagos que los funcionarios solo saben que el paciente proviene de un área general, o ni siquiera eso. Si los investigadores simplemente mapean dónde se trataron los pacientes, terminan mapeando dónde están los hospitales y cómo viaja la gente, en lugar de dónde se están criando realmente los mosquitos. Esta confusión dificulta la aplicación efectiva de las intervenciones, dejando algunas áreas peligrosas desatendidas mientras se desperdician recursos en otras.

Para resolver este rompecabezas, un equipo de investigadores de la Universidad de Manchester y la Universitas Negeri Makassar desarrolló una nueva forma de observar los datos del dengue en la ciudad de Makassar, Indonesia. En lugar de tratar los registros hospitalarios como un mapa directo de la enfermedad, construyeron un modelo estadístico que separa la enfermedad en sí misma del comportamiento de las personas que buscan atención. Comenzaron con la idea de que el riesgo de dengue no se distribuye uniformemente por toda la ciudad; se agrupa en vecindarios específicos debido a condiciones locales como la vegetación y el drenaje. También reconocieron que las personas no siempre van al hospital más cercano; eligen las instalaciones basándose en la distancia y otros factores, un patrón conocido como área de "captación". Los investigadores crearon un marco que estima simultáneamente dónde es más intensa la enfermedad y qué tan lejos está dispuesta a viajar una persona para recibir tratamiento. Este enfoque les permitió trabajar con datos desordenados, incluyendo casos donde la dirección residencial del paciente faltaba por completo, tratando la ubicación faltante como un misterio por resolver por el modelo en lugar de un callejón sin salida.

El estudio analizó 1,842 casos de dengue reportados entre 2021 y 2025 en ocho hospitales de Makassar. Los datos eran imperfectos: algunos pacientes tenían su ubicación exacta registrada, otros solo se conocían a nivel de subdistrito, y 220 casos no tenían información residencial en absoluto. Los investigadores probaron su nuevo método contra formas más antiguas y simples de manejar estos datos. Los métodos antiguos asumían que todos iban al hospital más cercano o adivinaban las ubicaciones faltantes basándose en el tamaño de la población. El nuevo modelo, sin embargo, utilizó un concepto de "gravedad", que asume que la probabilidad de que un paciente visite un hospital disminuye a medida que aumenta la distancia, pero no de forma tan brusca como asumían los modelos anteriores. Esto permitió al modelo inferir las ubicaciones de origen más probables para los 220 pacientes con datos faltantes, llenando eficazmente los vacíos en el mapa.

Cuando los investigadores probaron su modelo ocultando las ubicaciones conocidas de algunos hospitales y viendo si el modelo podía adivinar correctamente, este funcionó significativamente mejor que los métodos tradicionales. El nuevo enfoque fue mucho más preciso para predecir de dónde venían realmente los casos, demostrando que podía desenredar con éxito la diferencia entre dónde vive una persona y dónde busca tratamiento. Este éxito dio confianza a los investigadores para aplicar el modelo al conjunto completo de datos para encontrar las verdaderas áreas de alto riesgo. Los resultados revelaron una verdad sorprendente: los vecindarios con el mayor número de casos reportados no eran necesariamente los que tenían el mayor riesgo por persona. Por ejemplo, el subdistrito de Panakukkang tuvo el mayor número de casos registrados, pero debido a que también es muy poblado, el riesgo para un individuo que vive allí era en realidad menor al promedio.

El modelo identificó un área diferente como el verdadero punto crítico. El subdistrito de Manggala surgió como el que tenía el mayor riesgo relativo estimado, con un nivel de riesgo casi tres veces superior al promedio de la ciudad. Este hallazgo se mantuvo incluso después de contabilizar el tamaño de la población y los patrones de viaje de los pacientes. Los investigadores también identificaron otros tres subdistritos —Tamalate, Rappocini y Tallo— como áreas de alto riesgo. El estudio sugiere que el alto riesgo de Manggala está vinculado a su entorno específico: es una zona de baja altitud con mal drenaje y un vertedero cercano, lo que crea charcos de agua estancada que son terrenos de cría perfectos para los mosquitos que transmiten el dengue. Si bien el estudio confirma que la vegetación está generalmente asociada con un mayor riesgo, también mostró que simplemente contar los casos puede ser engañoso si no se ajusta según cuántas personas viven allí y hacia dónde van para recibir ayuda.

Esta investigación ofrece una nueva y poderosa herramienta para los funcionarios de salud pública en ciudades como Makassar y más allá. Al utilizar un método que tiene en cuenta los datos incompletos y el comportamiento de viaje de los pacientes, los funcionarios pueden ir más allá de los simples recuentos de casos para ver el verdadero panorama del riesgo de la enfermedad. El estudio no pretende haber resuelto el problema del dengue, pero proporciona una imagen mucho más clara de dónde reside el peligro. Los hallazgos sugieren que los recursos deben dirigirse hacia áreas como Manggala, donde el riesgo para los individuos es más alto, en lugar de solo hacia las áreas con más visitas hospitalarias. En última instancia, el trabajo demuestra que, incluso cuando los datos son desordenados e incompletos, es posible extraer conocimientos fiables y vitales mediante la comprensión del comportamiento humano detrás de los números.

Resumen Técnico: Mapeo de Enfermedades Bayesiano a partir de Vigilancia Hospitalaria Incompleta

Planteamiento del Problema
Los datos de vigilancia del dengue en muchos entornos, particularmente en países de ingresos bajos y medios, se recolectan en instalaciones de atención médica en lugar de en las residencias de los pacientes. En consecuencia, la ubicación de los casos reportados refleja tanto el comportamiento de búsqueda de atención médica como la dinámica de captación hospitalaria como el proceso de la enfermedad subyacente. Un desafío significativo surge de la heterogeneidad de los datos de ubicación: algunos casos están geolocalizados con coordenadas exactas, otros se registran solo por subdistrito y otros no portan información residencial alguna. Tratar estos datos incompletos como totalmente observados o imputar los orígenes faltantes mediante reglas deterministas introduce una clasificación espacial errónea y sesgos en las estimaciones de riesgo. Además, los modelos espaciales estándar suelen fallar al no distinguir explícitamente entre la intensidad latente de la enfermedad y el proceso de observación (atracción hospitalaria), lo que conduce a inferencias espaciales poco fiables.

Metodología
Los autores proponen un marco bayesiano jerárquico unificado que modela conjuntamente el proceso de enfermedad latente y el proceso de observación hospitalaria. El enfoque consta de dos componentes principales:

Intensidad de la Enfermedad Latente (IPP–BYM2): La intensidad espacial subyacente del dengue se modela como un proceso de Poisson no homogéneo (IPP) con una intensidad logarítmica ajustada por población. La estructura de intensidad sigue una especificación de Besag–York–Mollié (BYM2), que combina un efecto aleatorio espacialmente estructurado (mediante un prior de autorregresión condicional intrínseca) y un efecto aleatorio no estructurado. Esto permite la estimación del riesgo relativo per cápita a nivel de subdistrito, contabilizando la autocorrelación espacial y la heterogeneidad no estructurada.
Proceso de Observación Hospitalaria (Núcleo de Gravedad): El vínculo entre la residencia de un paciente y el hospital de reporte se modela mediante un núcleo de gravedad (ley de potencia) basado en la distancia. La probabilidad de que un caso de un subdistrito $j$ sea observado en un hospital $h$ disminuye con la distancia de viaje $d_{hj}$ de acuerdo con $k(d) = (1 + \gamma_h d)^{-b}$ , donde $\gamma_h$ es un parámetro de escala específico del hospital y $b$ es un exponente de forma compartido.
Gestión de Datos Faltantes: El marco permite tres niveles de resolución espacial dentro de una única función de verosimilitud:
- Casos geolocalizados: Aportan distancias de viaje exactas.
- Casos a nivel de subdistrito: Aportan la distancia desde el centroide del subdistrito hasta el hospital.
- Casos no ubicados: Son tratados como variables latentes. Sus orígenes son marginalizados sobre todos los subdistritos posibles, con la distribución posterior de sus orígenes inferida conjuntamente con la superficie de riesgo y los parámetros de captación. Esto propaga la incertidumbre en lugar de fijar los orígenes mediante imputación.

Contribuciones Clave

Innovación Metodológica: El artículo introduce un enfoque fundamentado para el mapeo de enfermedades que separa explícitamente el proceso de la enfermedad del mecanismo de observación. Demuestra que tratar los orígenes de los casos no ubicados como variables latentes dentro de una única verosimilitud permite la estimación simultánea del riesgo, el comportamiento de captación y los orígenes faltantes.
Validación de los Núcleos de Captación: A través de la validación cruzada fuera de la muestra (deje un hospital fuera), el estudio proporciona evidencia empírica de que un núcleo de gravedad (ley de potencia) supera sustancialmente tanto al núcleo exponencial convencional como a las líneas base deterministas (uniforme y proporcional a la población) en la recuperación de los verdaderos orígenes residenciales de los casos retenidos.
Estimación de Riesgo Robusta: El marco recupera con éxito áreas de alto riesgo que difieren de las clasificaciones basadas en recuentos brutos de casos, demostrando la necesidad del ajuste poblacional y el modelado de captación.

Resultados
Aplicado a 1,842 casos de dengue de ocho hospitales en Makassar, Indonesia (2021–2025), el modelo arrojó los siguientes hallazgos:

Recuperación de Origen: El modelo propuesto con el núcleo de gravedad redujo la distancia de variación total media (TVD) entre las distribuciones de origen inferidas y observadas a 0.243, superando significativamente al núcleo exponencial (TVD 0.370) y a las líneas base deterministas.
Identificación de Riesgo: El modelo identificó a Manggala como el subdistrito con el mayor riesgo relativo estimado (RR = 2.73; 90% CrI: 2.41–3.06), con una probabilidad de excedencia (EP) de 1.00. Cuatro subdistritos cumplieron con el criterio de alto riesgo (EP $\ge$ 0.80): Manggala, Tamalate, Rappocini y Tallo.
Discrepancia con Recuentos Brutos: Las clasificaciones por riesgo relativo estimado por el modelo difirieron notablemente de las clasificaciones por recuentos de casos registrados. Por ejemplo, Panakukkang tuvo el mayor recuento de casos brutos (259) pero un RR estimado de 0.95, mientras que Biringkanaya (el subdistrito más poblado) tuvo un RR bajo de 0.91 a pesar de sus 94 casos registrados.
Efectos de Covariables: En una escala per cápita, el Índice de Vegetación de Diferencia Normalizada (NDVI) mostró una asociación positiva con el riesgo de dengue ( $\beta = 0.29$ ), sugiriendo que los entornos vegetados pueden facilitar la transmisión. La densidad de instalaciones de salud mostró una asociación negativa débil y no significativa.
Comportamiento de Captación: Las distancias de captación promedio estimadas fueron consistentes entre los hospitales (3–5 km), con un 75–84% de los casos inferidos originándose dentro de los 5 km de la instalación.

Significancia y Reivindicaciones
Los autores afirman que este marco ofrece un "enfoque fundamentado" para el mapeo de enfermedades a partir de datos de vigilancia basados en instalaciones incompletas, un escenario común en epidemiología. Al tratar los orígenes faltantes como variables latentes y marginalizarlos, el método evita el sesgo introducido por la imputación ad hoc. El estudio enfatiza que la identificación de áreas de alto riesgo (como Manggala) es impulsada por el efecto combinado del ajuste poblacional, el modelado de captación y la inferencia de los orígenes faltantes, más que por el ajuste poblacional por sí solo.

Los autores señalan que la identificación de Manggala como un punto caliente es ecológicamente plausible, alineándose con su geografía de cuenca de baja altitud, inundación estacional y proximidad a un vertedero, lo que crea microhábitats favorables para el Aedes aegypti.

Limitaciones y Alcance
El documento reconoce modestamente varias limitaciones:

Falacia Ecológica: Las asociaciones son a nivel de subdistrito y no pueden interpretarse como efectos a nivel individual.
Naturaleza Transversal: El análisis agrupa datos de 2021–2025, fallando en capturar la dinámica de transmisión estacional o interanual.
Saturación del Modelo: Con solo 14 subdistritos, el modelo está cerca de la saturación, lo que lleva a una identificación débil de algunos parámetros (por ejemplo, la mezcla espacial $\rho$ ).
Alcance de los Datos: Los datos se limitan a ocho hospitales principales y pueden omitir casos de atención primaria o aquellos que no buscan atención formal. El modelo de observación trata la elección del hospital de forma independiente en lugar de como un problema de destinos competitivos.
Generalizabilidad: Los hallazgos son específicos de Makassar y pueden no transferirse directamente a entornos con diferentes poblaciones o sistemas de salud.

Los autores concluyen que, si bien el marco proporciona un método robusto para los datos actuales, el trabajo futuro debería explorar extensiones espacio-temporales, la integración de la movilidad humana y modelos de observación de destinos competitivos.

Más como este