Modelos espacio-temporales bayesianos para estudiar la incidencia de dengue en el Perú

Abstract

La prevención del dengue requiere un sistema para identificar las áreas con mayor riesgo, utilizando datos epidemiológicos con estructura espacial y temporal. Los enfoques bayesianos, que integran información previa y manejan estructuras jerárquicas, proporcionan un enfoque flexible y robusto, que permite estimaciones más precisas de la incertidumbre, además de captar la correlación espacial y espacio-temporal, registrando esta variabilidad en las estimaciones de riesgo de enfermedades.

Estos enfoques jerárquicos bayesianos, a menudo requieren métodos numéricos sofisticados para proporcionar estimaciones de los parámetros. En este sentido, se pueden aplicar métodos como el Monte Carlo basado en cadenas de Markov (MCMC) o la Aproximación Anidada Integrada de Laplace (INLA), siendo esta última una alternativa computacionalmente más eficiente para modelos gaussianos latentes (MGL), incluyendo modelos espaciales como el modelo jerárquico de Besag, York y Mollié (BYM), el cual puede extenderse a contextos espacio-temporales, que son de gran utilidad para evaluar el conteo de casos a lo largo del tiempo.

En este marco, el presente trabajo evaluó tres modelos bayesianos: un modelo jerárquico de tendencia lineal paramétrica, un modelo jerárquico modelado dinámicamente usando un paseo aleatorio o random walk, y un modelo de tendencia dinámica no paramétrica con interacción espacio-temporal. Para mostrar el aporte de esta propuesta, los tres modelos se ajustaron a datos reales que incluyeron tanto los casos de dengue como su incidencia. En el procedimiento de selección del modelo no solo se comparó la idoneidad de los modelos, sino también de distintas distribuciones de conteo, añadiendo al análisis covariables climáticas.

The prevention of dengue requires a system to identify areas at higher risk, using epidemiological data with spatial and temporal structure. Bayesian approaches, which integrate prior information and handle hierarchical structures, provide a flexible and robust method that allows for more accurate uncertainty estimates, as well as capturing spatial and spatiotemporal correlation, accounting for this variability in disease risk estimates. These hierarchical Bayesian approaches often require sophisticated numerical methods to provide parameter estimates. In this context, methods such as Markov Chain Monte Carlo (MCMC) or Integrated Nested Laplace Approximation (INLA) can be applied, the latter being a more computationally efficient alternative for latent Gaussian models (LGM), including spatial models such as the hierarchical Besag, York, and Molli´e (BYM) model, which can be extended to spatiotemporal analyses, being very useful for evaluating the count of cases over time. In this framework, the present study evaluated three Bayesian models: a hierarchical model with a parametric linear trend, a hierarchical model dynamically modeled using a random walk, and a non-parametric dynamic trend model with spatiotemporal interaction. To demonstrate the contribution of this proposal, the three models were fitted to real data that included both dengue cases and their incidence. In the model selection procedure, not only was the suitability of the models compared, but also different count distributions were analyzed, adding climatic covariates to the analysis.