Revista biomédica,
ISSN: 2007-8447
Articulo Original
Hugo Medina-Garza,
Carlos Contreras-Servín, María G. Galindo-Mendoza, José de Jesús
Mejía-Saavedra, Beatriz E. Arreola-Martínez
Universidad Autónoma de San Luis Potosí
Autor para correspondencia
Copyright © 2016 por autores (s) y Revista Biomédica.
Este trabajo esta licenciado bajo las atribuciones de la Creative Commons (CC BY).
http://creativecommons.org/licenses/by/4.0/
Resumen
Introducción. La enfermedad de Chagas es una infección
sistémica, causada por el protozoario Trypanosoma cruzi. Está
documentado como la influencia de factores ambientales favorecen la presencia
de la infección.
Objetivo. Comprender los patrones de distribución
espacial de riesgo y los factores ambientales y socioeconómicos que favorecen
la propagación de la enfermedad de Chagas.
Material y métodos. Se aplicó un análisis de
regresión espacial bayesiano a datos de la incidencia de la enfermedad de
Chagas en la Huasteca Potosina en el periodo de 2003–2012.
Resultados. Se observó un patrón claro de distribución
espacial en la incidencia de la enfermedad en la Huasteca Potosina, misma que
se vio significativamente correlacionada en el modelo de regresión
multivariante final con la temperatura mínima, los porcentajes de viviendas
con piso de tierra, de viviendas sin agua entubada, de población de tres años
y más que habla lengua indígena y no habla español, de población mayor a 15
años analfabeta, derechohabiente a servicios de salud, de viviendas con algún
nivel de hacinamiento y de viviendas habitadas que cuentan con servicios.
Conclusiones. El análisis pone de manifiesto que es la
población indígena la más afectada, ya que este grupo es el que más carece de
acceso a servicios (salud, educación, vivienda), por lo tanto, favorece la
presencia del vector causante de la enfermedad. En la Huasteca Potosina, esta
población habita en zonas de difícil acceso, lo que dificulta la
implementación de programas adecuados de control del vector y la infección.
Abstract
Bayesian spatial modeling of Chagas
disease in the Huasteca Potosina
Introduction. Chagas disease is a systemic infection
caused by the protozoan Trypanosoma cruzi. There is evidence that
environmental factors favor the maintenance of the infection.
Objective. To understand the spatial distribution
patterns of risk, and environmental and socioeconomic factors that favour the
spread of Chagas disease.
Material
and methods. Data on
Chagas disease incidence in the Huasteca Potosina were collected during
2003-2012 and then analyzed by a Bayesian method of spatial regression.
Results.
A clear pattern of
spatial distribution of incidence of the disease in the Huasteca was observed,
and it was significantly correlated with the final multivariate regression
model using variables such as the minimum temperature, % of households with
dirt floors, % of households without running water, % of population with three
years and over speaking indigenous languages only, % of population over 15
years illiterate, % entitled to health care, % of households with some level
of overcrowding and % of households with basic services.
Conclusions. The analysis showed that the
indigenous population is the most affected by Chagas disease and that was
related to lack to basic services (health, education, housing), therefore,
those conditions favor not only the presence of the vector but also the
disease. In the Huasteca, this population lives in areas of difficult access,
which hinders the implementation of appropriate programs to control the vector
and the infection.
INTRODUCCIÓN
La enfermedad de Chagas o Tripanosomiasis americana es una enfermedad
transmitida por vectores, principalmente triatominos de la familia Reduviidae,
orden Hemiptera, Subfamilia Triatominae. Es una infección
endémica causada por el parásito protozoario Trypanosoma cruzi (T.
cruzi). Esta enfermedad representa el principal problema de salud pública
en América Latina. Según estimaciones recientes, en todo el mundo hay
alrededor de ocho millones de personas infectadas (1).
Esta enfermedad se encuentra asociada a la pobreza y las malas
condiciones de la vivienda; se localiza ampliamente distribuida, en las áreas
rurales de Latinoamérica y en zonas marginadas de las grandes ciudades
principalmente (2). La enfermedad de Chagas, más que ninguna otra, está
íntimamente ligada con el desarrollo económico y social (3). A partir de 1993
la OMS la consideró como la enfermedad parasitaria más grave en América y es
parte de la lista de las catorce enfermedades "descuidadas o
desatendidas".
La infección con T. cruzi puede ser transmitida a los humanos de
manera congénita y connatal, por transfusiones de sangre o trasplantes de
órganos y por vía oral (4,5); sin embargo, el principal mecanismo de
transmisión es vectorial (6). Los triatominos (también conocidos como chinche,
chinche besucona, pic, talaje u otros nombres dependiendo de la región
geográfica) son los vectores naturales de T. cruzi, que pasa al huésped
cuando la chinche se alimenta de sangre y excreta heces infectadas con el
parásito, permitiendo que el protozoo penetre por las heridas o mucosas (7).
Su importancia epidemiológica se basa en la elevada adaptabilidad del vector,
debido a que habita diversos ecosistemas, entre las que se incluyen selvas húmedas
y secas (8), diferentes altitudes (50-1580 msnm) (9), explota diversas fuentes
alimenticias (10), tiene alta diversidad en sitios de descanso (11-13) gran
capacidad de colonización de las viviendas (14,15) y alta longevidad, puede
pasar varios días sin alimento (510 días en condiciones de laboratorio) y
capacidad de dispersión (16,17). Estos factores tienen un efecto directo sobre
las tasas de transmisión de T. cruzi a humanos.
Además, los factores socioeconómicos pueden influir en la transmisión:
una mayor incidencia tiende a ocurrir en zonas rurales, con población indígena
y marginada. En San Luis Potosí, de acuerdo a los datos de la Secretaría de
Salud del Estado, se han reportado un total de 257 infectados en el periodo de
2003 al 2012, siendo la Jurisdicción Sanitaria Número V y VI (correspondiente
a la región Huasteca) registran el mayor número de casos (de acuerdo a datos
proporcionados por la Secretaría de Salud del Estado de San Luis Potosí vía
INFOMEX).
El aumento de la frontera humana también puede incrementar la
incidencia de la enfermedad, al entrar en contacto directo con los insectos
vectores (18). Por lo tanto, podemos suponer que la distribución espacial de
la tripanosomiasis americana se determina por factores ambientales (incluido el
uso de suelo y cambios en el uso de suelo), que influyen en la distribución de
las chinches, y factores socioeconómicos, que pueden alterar el patrón de
contacto entre los humanos y los vectores.
Pocos estudios han analizado la distribución espacial de la
tripanosomiasis americana con relación a las condiciones ambientales y
características socioeconómicas de la población, a pesar de la importancia de
estos factores en la transmisión de enfermedades. Dumonteil y Gourbiere (19)
exploraron las relaciones entre la distribución geográfica de Triatoma
dimidiata y factores bioclimáticos en la península de Yucatán, México para
obtener el primer mapa de riesgo de transmisión natural de la enfermedad de
Chagas en esa zona, pero no incluyeron variables socioeconómicas de la
población en su análisis.
A continuación se presenta un análisis espacial de la incidencia de
tripanosomiasis americana en San Luis Potosí entre 2003 y 2012 que considera
variables climáticas y socioeconómicas. Se incorporó un marco bayesiano, con
inclusión de efectos aleatorios correlacionados y no correlacionados
espacialmente para estimar rigurosamente la variación espacial en el riesgo de
la enfermedad, mientras se cuantificaron los efectos de las covariables. Este
tipo de enfoque se utiliza comúnmente para estimar la variación espacial en el
riesgo de enfermedad en áreas pequeñas (por ejemplo, áreas administrativas) y
garantiza la plena representación de la incertidumbre en los parámetros
estimados (20,21). Por lo tanto, esta investigación, explora la influencia de
variables ambientales y socioeconómicas en la distribución espacial de la
enfermedad de Chagas en la Huasteca Potosina, y proporcionará una mayor
comprensión del patrón de riesgo de esta enfermedad.
MATERIALES Y METODOS
La investigación se centró en la Huasteca Potosina, localizada en la
parte oriental del Estado de San Luis Potosí, México. Tiene como límites por
el occidente la sierra madre oriental y los estados de Tamaulipas al norte,
Veracruz al este e Hidalgo y Querétaro por el sur. El área se encuentra
delimitada en las coordenadas geográficas 22°40´ latitud norte, 99°40´
longitud oeste en el municipio de Ciudad del Maíz; 22°25´ latitud norte,
98°40´ longitud oeste en el municipio de Ébano; 21°34´ latitud norte, 99°43´
longitud oeste en el municipio de San Ciro Acosta y 21°08´ latitud norte,
98°50´ longitud oeste en el municipio de Tamazunchale. En esta región
predominan climas cálidos húmedos y subhúmedos y semicálidos húmedos. Se
caracteriza por tener población indígena y presentar un grado de marginación
medio y alto (el 61% de la población presenta grado de marginación alto y muy
alto), además de que las condiciones de las viviendas de estas zonas (22)
presentan las características idóneas para albergar a los vectores de la enfermedad
de Chagas. (Figura 1).
Los datos sobre el número de enfermos de Chagas y municipios donde se
presentaron los casos entre 2003 y 2012 se obtuvieron mediante una solicitud
de información a través de INFOMEX. La base de datos proporcionada contenía información
por año y por municipio del total de casos registrados de cada una de las
localidades de la Huasteca Potosina que presentaron casos de enfermos de
Chagas en el periodo 2003-2012. Se utilizó además una base de datos de
variables ambientales (temperatura mínima, máxima, media, precipitación) y
socioeconómicas (población total, índice de marginación, porcentaje de
viviendas con piso de tierra, porcentaje de viviendas sin agua entubada, sin
drenaje, sin energía eléctrica, población de tres años y más que habla lengua
indígena y no habla español, población de 15 años y más analfabeta, población
derechohabiente y no derechohabiente a servicios de salud, población con
hogares censales indígenas, población ocupada con ingresos de hasta dos
salarios mínimos, población ocupada, % de viviendas con algún nivel de
hacinamiento, viviendas particulares habitadas con luz, agua y drenaje,
viviendas particulares habitadas sin
ningún bien). El conjunto de datos climáticos fue obtenido de la red de
estaciones meteorológicas de la Comisión Nacional del Agua (CNA). Se usaron
las normales climatológicas de 1981-2010 para obtener la temperatura mínima,
media y máxima (en grados centígrados, °C) y la precipitación media anual (en
milímetros, mm). Se extrajeron los valores medios de temperatura y
precipitaciones de toda la zona usando ArcMap 9.3 (ESRI) (23). La información
socioeconómica fue obtenida del censo de población y vivienda 2010 del
Instituto Nacional de Estadística y Geografía (INEGI) a excepción del índice
de marginación y las variables usadas para su cálculo, que se obtuvieron del
Consejo Nacional de Población (CONAPO).
La correlación entre la enfermedad de Chagas y cada una de las
covariables enumeradas anteriormente se examinó usando diagramas de dispersión
y la regresión Poisson univariado en el paquete estadístico R. Las variables
que fueron significativamente correlacionadas con el resultado fueron
evaluadas para la co-linealidad con otras variables significativas. Cuando dos
o más variables que fueron medidas de fenómenos relacionados (por ejemplo
temperatura mínima y temperatura promedio) producían una correlación alta
(>0.75), la variable con el más pequeño valor del criterio de Akaike (AIC)
en el modelo de regresión univariada fue seleccionada para usarse y las otras
fueron omitidas. Cuando dos o más variables estaban fuertemente
correlacionadas, pero eran consideradas mediciones de fenómenos no
relacionados, se utilizaron en la comparación de modelos en el análisis de
regresión de Poisson no espacial.
Una regresión de Poisson multivariada se llevó a cabo utilizando las
covariables que se encontraron asociados significativamente durante el
análisis exploratorio (p≤0.2 de la regresión de Poisson univariada). Los
modelos candidatos contenían una de las covariables marcadas como colineales
entre sí (Cuadro 1), junto con todas las otras covariables, no
colineales (Cuadro 1). Cualquier variable que no fue estadísticamente
significativa (p>0.05) se eliminó posteriormente del modelo; si múltiples
variables no fueron significativas, la variable con el mayor valor de p fue
eliminada primero, se evaluó la significancia del resto de las variables y
después, si era necesario, se eliminaron las variables adicionales. Para
comprobar la autocorrelación espacial de los residuos del modelo de Poisson
multivariado (lo que indicaría que las covariables en el modelo no capturaron
completamente el patrón espacial de la enfermedad de Chagas) se calculó el
estadístico I de Moran usando los residuales de Poisson.
Las influencias de autocorrelación espacial (donde las observaciones
más cercanas en el espacio son más propensas a tener valores similares de
observaciones que están muy separados) se abordaron, y la sobredispersión en
los datos fue contabilizada, utilizando un modelo de regresión de Poisson
log-normal con un efecto aleatorio no espacial y un efecto aleatorio
estructurado espacialmente dependiente utilizando un modelo condicional
autoregresivo previo (CAR) (21,24). El componente CAR utilizó una matriz de
adyacencia espacial sencilla para representar relaciones espaciales entre
áreas administrativas. Efectos aleatorios no espaciales también se incluyeron
en la comparación de modelos. Las covariables seleccionadas en el análisis de
regresión de Poisson multivariante no espacial descrito anteriormente se
incluyeron como efectos fijos en esta etapa del análisis.
El modelo, realizado en WinBugs, asumió que la cuenta observada de
casos de enfermos de Chagas yi por municipio i (i = 1 a 20) seguido de la
distribución Poisson con una media de µi:
yi ̴ Poisson (µi)
y
log µi = log Ei + θi
donde Ei (el número de casos esperados de la enfermedad de Chagas en el
área administrativa i) es un término de desplazamiento utilizado para el
control del tamaño de la población dentro de las áreas administrativas y θi es
el log relativo de riesgo.
El logaritmo relativo del riesgo fue modelado así:
θi = α+ β1…i C1…i + Si + Ui
donde α es el término de intersección; β1…i es un vector de
coeficientes de las covariables, C1…i; Si un efecto aleatorio espacialmente
correlacionados estructurado utilizando CAR previo de que se le asignó una
sencilla matriz de adyacencias espacial (para identificar qué polígonos son
directamente adyacentes entre sí) y precisión τ; y Ui un efecto aleatorio no
correlacionada espacialmente con media cero y precisión τ.
Después de un periodo de ablande inicial de 10.000 iteraciones, se
realizaron otras 200.000 iteraciones, y cada décima iteración se almacenó
durante la estimación de parámetros para reducir la autocorrelación en las
muestras. Las cadenas de Markov-Monte Carlo (MCMC) fueron inspeccionados para
comprobar la convergencia y múltiples valores iniciales para cada parámetro se
utiliza para asegurar que los algoritmos MCMC convergían en el mismo espacio
de parámetros desde diferentes puntos de partida. Medidas de resumen para la
distribución posterior de cada parámetro (posterior media, desviación estándar
y el 95% intervalo de credibilidad [CrI]) se almacenaron para proporcionar
estimaciones de los parámetros.
Se compararon cuatro modelos candidatos: (i) solo los efectos fijos;
(ii) los efectos fijos y efectos aleatorios no espaciales; (iii) los efectos
fijos y efectos aleatorios espacialmente correlacionados; y (iv) los efectos
fijos, efectos aleatorios espacialmente correlacionadas y efectos aleatorios
no espaciales. Los modelos se compararon mediante el criterio de desviación de
la información (DIC): el modelo con el criterio más bajo DIC fue seleccionado
como el de mejor ajuste. Todas las covariables, incluyendo aquellos que no
mantienen la significancia estadística (p> 0,05), fueron retenidos para
proporcionar un resumen de todos los efectos de la covarianza.
RESULTADOS
De 2003 a 2012 se reportaron un total de 257 casos de enfermos de
Chagas en la Huasteca Potosina con una tasa media de incidencia de 116.97
casos por año por cada 10,000 habitantes. Dentro de los 20 municipios de la Huasteca
Potosina, los recuentos acumulativos de casos oscilaron entre 1 y 50 con un
promedio de 12.85 y una mediana de 9.5. Una comparación las figuras 2 y 3
muestra una alta incidencia de la enfermedad en áreas donde el porcentaje de
hogares donde el jefe del hogar o su cónyuge hablan alguna lengua indígena
(principalmente Náhuatl, Huasteco y Pame). (Figuras 2 y 3)
A excepción de porcentaje de viviendas sin drenaje, porcentaje de
viviendas sin energía eléctrica, población con 2 salarios mínimos y viviendas
sin bienes (p>0.05), el resto de las variables se correlacionaron
significativamente con la enfermedad de Chagas usando una regresión no
espacial de Poisson (p<0.05) (Cuadro 1).
Cuadro 1. Parámetros del análisis de regresión
Poisson univariado
Variable |
Estimado |
Intervalo de confianza |
Valor z |
p |
AIC |
Índice de marginación |
0.23047 |
0.0418 – 0.4204 |
2.386 |
* |
278.33 |
Población total |
7.427e-06 |
4.8e-06 – 9.7e-06 |
5.951 |
*** |
255.07 |
Precipitación |
0.0004628 |
0.00015 – 0.00076 |
2.956 |
** |
275.36 |
Temperatura Máxima |
0.17023 |
0.0451 – 0.3062 |
2.560 |
* |
276.74 |
Temperatura Media |
0.15344 |
0.0831 – 0.2326 |
4.039 |
*** |
262.87 |
Temperatura Mínima |
0.24215 |
0.1406 – 0.3631 |
4.276 |
*** |
254.26 |
% viviendas con piso tierra |
0.019308 |
0.0064 – 0.0317 |
2.996 |
** |
275.49 |
% viviendas sin agua entubada |
0.016529 |
0.0098 – 0.0233 |
4.783 |
*** |
260.4 |
% viviendas sin drenaje |
-0.06813 |
-0.1659 – 0.0257 |
-1.39 |
|
282.08 |
% viviendas sin energía eléctrica |
0.005844 |
-0.0182 – 0.0290 |
0.485 |
|
283.84 |
Población de 3 años y más que habla
lengua indígena y no español |
0.06545 |
0.0329 – 0.0971 |
4.003 |
*** |
268.91 |
Población de 3 años y más que habla
alguna lengua indígena |
0.014367 |
0.0093 – 0.0195 |
5.557 |
*** |
251.25 |
Población de 15 años y más
analfabeta |
0.04635 |
0.0209 – 0.0719 |
3.557 |
*** |
271.25 |
Población derechohabiente a servicios
de salud |
-0.04781 |
-0.0603 - -0.0351 |
-7.45 |
*** |
230.74 |
Población con hogares censales
indígenas |
0.013501 |
0.0089 – 0.0182 |
5.706 |
*** |
247.42 |
Población ocupada con ingresos de
hasta 2 salarios mínimos |
-0.005306 |
-0.0165 – 0.0062 |
-0.91 |
|
283.25 |
Población ocupada |
0.13462 |
0.0558 – 0.2158 |
3.302 |
*** |
272.63 |
Población sin derechohabiente a
servicios de salud |
0.046424 |
0.0336 – 0.0590 |
7.179 |
*** |
234.73 |
% de viviendas con algún nivel de
hacinamiento |
0.036331 |
0.0173 – 0.0551 |
3.775 |
*** |
270.08 |
Viviendas particulares habitadas que
disponen de luz, agua y drenaje |
-0.010554 |
-0.0105 - -0.0036 |
-2.932 |
** |
274.99 |
Viviendas particulares habitadas sin
ningún bien |
0.01658 |
-0.0049 – 0.0377 |
1.521 |
|
281.79 |
La variable temperatura media fue excluida por presentar colinealidad
con otras variables relacionadas con el fenómeno, lo mismo para la población
sin derechohabiencia a servicios de salud. La variable viviendas con luz, agua
y drenaje correlacionó de manera negativa con el total de casos, lo que era de
esperarse, ya que estas viviendas tienen menos espacios para ser ocupados por
las chinches. Lo mismo pasó con la variable población derechohabiente a
servicios de salud, también correlacionó de manera negativa con el total de
casos. El resto de las variables que correlacionaron de manera negativa no
fueron significativas.
Cuadro 2. Modelo de
regresión de Poisson multivariada final con algunos parámetros del análisis de
regresión
Variable |
Estimado |
Intervalo de confianza |
p |
(Intercepto) |
-1.922e+03 |
|
|
Población total |
7.653e-04 |
6.1587e-04 – 1.6557e-01 |
*** |
Temperatura mínima |
-9.810e-01 |
-1.511e+00 - -5.204e-01 |
*** |
% viviendas con piso
tierra |
-1.421e+00 |
-1.898e+00 - -9.543e-01 |
*** |
% viviendas sin agua
entubada |
-7.141e-01 |
-9.7523e-01 -
-4.6591e-01 |
*** |
% Población de 3 años y
más que habla lengua indígena y no español |
-1.802e+00 |
-2.896e+00 - -6.845e-01 |
*** |
% Población de 15 años
y más analfabeta |
3.083e+00 |
2.3270e+00 – 3.7993e+00 |
*** |
% Población derechohabiente
a servicios de salud |
1.902e+01 |
1.3356e+01 – 2.4217e+01 |
*** |
% de viviendas con algún nivel de
hacinamiento |
8.758e-01 |
4.5355e-01 – 1.3162e+00 |
*** |
% Viviendas
particulares habitadas que disponen de luz, agua y drenaje |
-9.541e-01 |
-1.224e+00 - -6.827e-01 |
*** |
Significado códigos: ‘***’ 0.001 ‘**’ 0.01
‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
El modelo final de regresión no espacial (el modelo con el más bajo
valor de AIC), incluía las siguientes covariables: población total, temperatura
mínima, porcentaje de ocupantes en viviendas con piso de tierra, porcentaje de
ocupantes en viviendas sin agua entubada, población de tres años y más que
habla alguna lengua indígena y no habla español, población de 15 años y más
analfabeta, población derechohabiente a servicios de salud, porcentaje de
viviendas con algún nivel de hacinamiento y viviendas que disponen de luz
eléctrica, agua entubada de la red pública y drenaje. (Cuadro 2).
Ajustando para los efectos de las otras covariables, pero no representando la
autocorrelación espacial en los datos, porcentaje de viviendas con piso de
tierra, población de tres años y más que habla alguna lengua indígena y no
habla español, produce una correlación negativa con el total de casos de
enfermos de Chagas, lo que era contrario a la asociación observada durante el
análisis univariado. porcentaje de ocupantes en viviendas sin agua entubada
también se correlacionó negativamente con el resultado, mientras que el resto
de las variables demostraron ser un factor de riesgo. La prueba I de Moran no
fue muy clara en la detección de autocorrelación espacial en el modelo de
correlación no espacial de Poisson, aunque un tanto dispersa, el patrón puede
deberse a la casualidad, lo que indica que las covariables incluidas en el
modelo no espacial no explicaban plenamente la variación espacial de la
enfermedad de Chagas. Por lo tanto, un análisis de regresión espacial de
Poisson fue ajustado utilizando las covariables del modelo de regresión no
espacial, para hacer frente a la autocorrelación espacial de los residuales. (Cuadro
2).
Cuadro
3. Parámetros finales estimados del modelo multivariable que incluye efectos
fijos y efectos aleatorios correlacionados y no correlacionados
Variable |
Media posterior(DS*) |
Rate Ratio (95% CrI†) |
Intercept |
-195.3 (12.31) |
|
Población total |
-0.05229(0.1132) |
0.0053(-0.2409-0.1522) |
Viviendas con piso
de tierra |
0.3035(1.087) |
0.05141(-1.413 – 2.02) |
Población de 3 años
habla lengua indígena y no español |
0.6079(1.755) |
0.0828(-2.029 – 4.404) |
Población de 15 años
y más analfabeta |
-0.8239(2.552) |
0.1207(-5.446 – 3.284) |
Población con
derechohabiencia a los servicios de salud |
2.069(0.1664) |
0.007857(1.737–2.357) |
Viviendas con
hacinamiento |
0.9796(0.2735) |
0.01292(0.5446–1.552) |
Viviendas con
servicios |
0.1129(0.2464) |
0.01163(-0.3756–0.5685) |
Efectos aleatorios
no correlacionados |
326.6 (893.7) |
|
Efectos aleatorios
correlacionados |
0.000295 (0.000106) |
|
*Desviación estándar; †Intervalo
de confianza |
El modelo multivariado que contiene efectos fijos y efectos aleatorios
espacialmente correlacionados y no correlacionados, tuvo el más bajo DIC. (Cuadro
3) Los resultados del modelo mostraron correlaciones positivas
estadísticamente significativas con la enfermedad de Chagas para viviendas con
piso de tierra, población menor de tres años que habla lengua indígena y no
español, con derechohabiencia a servicios de salud, viviendas con hacinamiento
y servicios. La población total y la población de 15 años y más analfabeta se
asociaron negativamente con la enfermedad de Chagas.
Los mapas de riesgo relativo de acuerdo solo a efectos fijos y a
efectos fijos y efectos aleatorios se muestran en las figuras 4 y 5,
respectivamente. De acuerdo con ambas figuras el mayor riesgo relativo para la
enfermedad de Chagas se localiza en los municipios del centro y sur de la
Huasteca Potosina, lo que coincide con la ubicación del número de casos del
periodo analizado. Sobresale en caso del municipio de El Naranjo, que presenta
una alta prevalencia de la enfermedad (Figura 3), pero en el análisis
bayesiano no presenta un riesgo alto (Figuras 4 y 5), lo que se debe a
que esta área administrativa se encuentra en una zona con características
diferentes a la zona media y sur de la Huasteca; por ejemplo, solo 0,7 % de su
población es indígena contra 35% de población indígena de toda el área, en
general la parte norte de la Huasteca se caracteriza por tener un grado más
alto de industrialización, así como un mayor índice de desarrollo humano y un
menor grado de marginación comparado con el resto de la zona, lo que se ve
reflejado en un menor número de viviendas con piso de tierra y sin agua
entubada, menor analfabetismo, mayor derechohabiencia a servicios de salud
entre otras, por lo que debemos tomar con reserva los casos reportados en este
sitio, ya que probablemente sea ahí donde se hayan contabilizado, pero tal vez
hayan ocurrido en un lugar diferente.
DISCUSIÓN
Cuantificar el efecto de las variables climáticas, ambientales y
socioeconómicas sobre la incidencia de la enfermedad de Chagas permite
comprender la epidemiología de la enfermedad y la distribución espacial
permitiendo la mejora de las iniciativas de control de enfermedades. El
análisis espacial presentado aquí muestra que la incidencia de la enfermedad
de Chagas incrementa con las variables material del piso de las viviendas
(piso de tierra), el acceso a servicios (viviendas sin agua, luz y drenaje),
analfabetismo; un alto riesgo de incidencia de la enfermedad se presenta en
áreas con mayor porcentaje de población indígena y sin acceso a servicios de
salud (parte centro y sur de la huasteca) y un bajo riesgo se presenta en la
zona norte (Figura 5).
Esta enfermedad que se encuentra asociada a la pobreza y las malas
condiciones de la vivienda; se localiza ampliamente distribuida, en las áreas
rurales de Latinoamérica y en zonas marginadas de las grandes ciudades
principalmente (2). La enfermedad de Chagas, más que ninguna otra, está
íntimamente ligada con el desarrollo económico y social (3). En este estudio,
basados en el análisis de regresión de Poisson univariado, encontramos que la
incidencia de la enfermedad de Chagas en la Huasteca Potosina se incrementa
con el analfabetismo, la carencia de servicios básicos en las viviendas, el
material de las mismas y la falta de servicios de salud, variables que
permiten un hábitat idóneo para la chinche transmisora, lo que favorece un
contacto de ésta con la población; como puede observarse en las Figuras 4 y 5,
a diferencia de la zona norte, donde las condiciones socioeconómicas de los habitantes
contrastan con los de la zona centro y sur, lo que se ve reflejado en una
disminución de casos de enfermos de Chagas.
La importancia del tipo y servicios con que cuentan las viviendas en
las que se ha detectado la presencia de la enfermedad indica que los programas
de atención y/o control de esta enfermedad deberían ir dirigidos a un cambio
en la infraestructura y tipo de construcciones en esta zona, ya que mientras
en esas localidades las casas sigan teniendo las condiciones idóneas para la
presencia de la chinche de nada servirán los programas dirigidos al control
vectorial.
La importancia del porcentaje de población que solamente habla lengua
indígena puede deberse a una combinación de factores. En México, este grupo es
de los más vulnerables ya que presenta un alto y muy alto grado de marginación
(24), viven en zonas de difícil acceso, lo que dificulta la cobertura de
servicios de salud e infraestructura de servicios básicos (agua, luz, drenaje,
educación) y en caso de la Huasteca Potosina, presenta características
ambientales que propician el desarrollo del vector. Por lo tanto, el
porcentaje de población indígena puede estar actuando como sustituto de una
combinación de estos factores más que como una correlación significativa que
se relacione en términos de su propio impacto en presencia de la enfermedad.
Los municipios con un mayor ingreso (reflejado en el porcentaje de viviendas
que cuentan con servicios básicos) presentan menor riesgo de presentar la
enfermedad de Chagas, lo que refuerza una relación con la situación
socioeconómica, así como variables climáticas y ambientales.
La población con hogares censales indígenas fue una variable que
correlacionó con la incidencia de la enfermedad de Chagas en el análisis
univariado (Cuadro 1), pero que perdió significancia en el análisis
final. Esto pudo deberse a la incorporación de otras variables
socioeconómicas. Por otro lado, la inclusión del porcentaje de población de
tres años y más que solamente habla lengua indígena en el análisis multivariado,
sugiere que la incidencia más alta no se presenta en lugares donde existen
hogares indígenas, sino en sitios donde la población no habla español, los
cuales no necesariamente tienen que coincidir.
El análisis de regresión Poisson univariado indica que todas las
variables evaluadas, a excepción de % de viviendas sin drenaje y sin energía
eléctrica, población ocupada sin ingresos de hasta dos salarios mínimos y las
viviendas particulares habitadas sin ningún bien, fueron significativamente
correlacionadas con la incidencia de la enfermedad de Chagas durante el
periodo de estudio. La mayor incidencia de la enfermedad se presentó en zonas
donde la mayor parte de la población es indígena. La forma en que se
distribuyen los indígenas a lo largo de la Huasteca no es homogénea, habiendo
una menor presencia de ellos al norte de la región, mientras que al centro y
sur hay una mayor concentración (25). Los poblados y comunidades en los que se
asientan comúnmente carecen de servicios básicos derivado del pequeño tamaño en
que se constituyen y de sus ubicaciones, zonas en el interior de las sierras
por lo regular segregadas, con casas construidas de materiales como palma y
madera, lo que resulta contrastante con las zonas urbanas en las que suelen
ubicase principalmente población no indígena, zonas bajas con casas
construidas de materiales como el concreto, tabique, etc.
El análisis presentado se realizó usando una inferencia bayesiana. Si
bien los métodos bayesianos pueden ser computacionalmente intensivos y
requieren altos costos iniciales en términos de formación y comprensión, los
resultados que se obtienen ofrecen un marco sólido para el modelado de bases
de datos jerárquicos y auto-correlacionadas y permiten la incorporación de la
incertidumbre en los parámetros desconocidos del modelo (20). Nuestros
resultados deben tomarse con la consideración de las limitaciones de la
investigación. Debido a los diferentes tamaños de las áreas administrativas
utilizadas en el análisis, los valores utilizados para varias de las covariables
(por ejemplo, temperatura mínima, media y máxima, precipitación) tiene
diferentes niveles de precisión (es decir, la precipitación dentro de un área
administrativa pequeña tendrá una menor varianza que dentro de un área
administrativa grande, dependiendo del número de estaciones meteorológicas);
estas diferencias pueden tener un impacto en la estimación de los parámetros y
niveles de significancia. Además, la referencia espacial de los datos de
enfermos de Chagas donde se produjo la infección se basa en la presunta
localización donde se produjo, aunque puede ser difícil determinar la
ubicación precisa donde fue adquirida. No es posible evaluar la fiabilidad de
estos lugares, pero la agregación de casos en áreas administrativas ayudará a
negar cualquier imprecisión en la georreferenciación.
Si bien es cierto que está ampliamente documentada la influencia de las
variables climáticas en la distribución de vectores de la enfermedad (19,
26-30), en este estudio, dichas variables no resultaron significativas,
problablemente porque lo que se está modelando no es la presencia de los
vectores, sino la enfermedad, y ésta puede ser transmitida no solamente por la
picadura del insecto, sino también por transfusiones de sangre, vía congénita
y actualmente algunos brotes recientes se han dado por transmisión oral
(4-5,31-32), lo que pudiera explicar por qué en este estudio dichas variables
no fueron significativas.
La aplicación de la regresión de Poisson, incluyendo la regresión
espacial y no espacial, ha puesto de relieve la importancia de una serie de
factores en la distribución espacial de la enfermedad de Chagas en la Huasteca
Potosina. Esta investigación ha aportado evidencias de un mayor riesgo de la
enfermedad de Chagas en áreas donde la población es indígena. En la Huasteca
Potosina, esta población habita en áreas de difícil acceso, que carecen de
servicios básicos, de tamaño pequeño y con casas construidas de materiales
como palma y madera. Los programas dirigidos al control vectorial deben tomar
en cuenta estas consideraciones, ya que las características de la zona
favorecen una infestación estacional de los vectores, es decir, se lleva a
cabo un control vectorial, pero al no modificar la infraestructura de las
localidades, estas siguen permitiendo una reinfestación posterior.
Referencias
1.
WHO Enfermedad
de Chagas: control y eliminación. 63.a Asamblea Mundial de la Salud. [en
línea] WHO; 2010. Fecha de acceso Enero 2016. Disponible en: http://www.paho.org/hq/index.php?option=com_docman&task=doc_view&gid=15376&Itemid=
2.
Coura JR, Borges-Pereira J. Chagas disease: 100 years after its discovery.
A systemic review. Acta trop. 2010 Jul; 115 (1-2): 5-13.
3.
Secretaría de Salud. Programa de acción específico 2007-2012. Otras enfermedades
transmitidas por vector. Subsecretaría de Prevención y Promoción de la Salud.
[En línea] SSA; 2012; Fecha de acceso Septiembre 2015. Disponible en: http://www.cdi.salud.gob.mx:8080/BasesCDI/Archivos/Enfermedadestransmitidasporvector/etv.pdf
4.
WHO Control
of Chagas´disease. Report of a WHO Expert Committee. [En línea] WHO; 1991.
Fecha de acceso Noviembre 2015. Disponible en:
http://www.ircwash.org/sites/default/files/WHO-1991-Control.pdf
5.
WHO Control
of Chagas´disease. Second Report of the WHO Expert Committee. [En línea] WHO;
2002. Fecha de acceso Noviembre 2015. Disponible en:
http://apps.who.int/iris/bitstream/10665/42443/1/WHO_TRS_905.pdf
6.
Abad-Franch F, Santos WS, Schofield CJ. Research needs for Chagas disease prevention.
Acta trop. 2010 Jul; 115 (1-2): 44-54.
7.
Wendel S. Transfusion
transmitted Chagas disease: is it really under control?. Acta trop. 2010 Jul;
115 (1-2): 28-34.
8.
Zeledón R, Montenegro VM, Zeledón O. Evidence of colonization of man-made ecotopes
by Triatoma dimidiata (Latreille, 1811) in Costa Rica. Mem Inst Oswaldo
Cruz. 2001 Jul; 96 (5): 659-60.
9.
Tabaru Y, Monroy C, Rodas A, Mejia M, Rosales R. The geographical distribution of
vectors of Chagas disease and populations at risk of infection in Guatemala.
Med. Entomol. Zool. 1999 Oct; 50(1): 9-17.
10.
Sasaki H, Rosales R, Tabaru Y. Host feeding profiles of Rhodnius prolixus
and Triatoma dimidiata in Guatemala (Hemiptera: Reduviidae:
Triatominae). Med. Entomol. Zool. 2003 Jun; 54 (3): 283-89.
11.
Petana WB. American
trypanosomiasis in British honduras. X. Natural habitats and ecology of
Triatoma dimidiata (Hemiptera, Reduviidae) in the El Cayo and Toledo
districts, and the prevalence of infection with Trypanosoma (Schizotrypanum)
cruzi in the wild-caught bugs. Ann Trop Med Parasitol. 1971 Jun; 65(2):
169-78.
12.
Zeledón R, Rabinovich JE. Chagas disease: an ecological appraisal with special emphasis on its
insect vectors. Annu Rev Entom. 1981 Ene; 26: 101-33.
13.
Monroy MC, Bustamante DM, Rodas AG, Enriquez ME, Rosales RG. Habitats, dispersion and invasion
of sylvatic Triatoma dimidiata (Hemiptera: Reduviidae: Triatominae)
in Peten, Guatemala. J Med Entomol. 2003 Nov; 40(6): 800-6.
14.
Arzube M. Investigación
de la fuente alimenticia de Triatoma dimidiata Latreille 1811 (Hemiptera:
Reduviidae) mediante la reacción de precipitina. Rev Ecuatoriana de
Higiene Med Trop. 1966 May; 23, 137-52.
15.
Zeledón R, Solano G, Zúñiga A, Swartzwelder JC. Biology and ethology of Triatoma
dimidiata (Latreille, 1811). III. Habitat and blood sources. J Med Entomol.
1973 Jul; 10(4): 363-70.
16.
Rosabal R. Hallazgo
de Triatoma dimidiata silvestre infectado por Schizotrypanum cruzi
en Guapiles, provincia de Limón, Costa Rica. Arch Col Med El Salvador.
1969 Mar; 22(1): 77-78.
17.
Schofield CJ, Organización Panamericana de la Salud. Evolución y control del Triatoma
dimidiata. Taller para el establecimiento de pautas técnicas en el control
de Triatoma dimidiata. 2002 Mar; 12-8.
18.
Cruz-Reyes A, Pickering-López JM. Chagas disease in Mexico: an analysis of
geographical distribution during the past 76 years-A review. Mem Inst Oswaldo
Cruz. 2006 Jun; 101(4):345-54.
19.
Dumonteil E, Gourbiere S. Predicting Triatoma dimidiata abundance and infection rate: a
risk map for natural transmission of Chagas disease in the Yucatan peninsula
of Mexico. Am J Trop Med Hyg. 2004 May; 70(5): 514-9.
20.
Best N, Richardson S, Thomson A. A comparison of Bayesian spatial models for
disease mapping. Stats Methods Med Res. 2005 Feb; 14(1): 35-59.
21.
Lawson AB. Bayesian
disease mapping: hierarchical modeling in spatial epidemiology. 2nd ed. Boca
Raton: CRC Press; 2013
22.
Instituto Nacional de Estadística y Geografía. Censo de población y vivienda,
2010. Principales resultados por localidad (ITER) [Fecha de acceso: 10 de
septiembre del 2015] Disponible en: http://www.inegi.org.mx/sistemas/consulta_resultados/iter2010.aspx?c=27329&s=est
23.
ESRI. ArcGIS Desktop:
Release Redlands CA: Environmental Systems Research Institute. 2011
24.
Kéry M.
Introduction to WinBUGS for ecologists: Bayesian approach to regression,
ANOVA, mixed models and related analyses. Burlington: Academic Press; 2010.
25.
Gallardo-Arias P. Huastecos de San Luis Potosí: pueblos indígenas del México
contemporáneo. CDI PNUD. 2004
26.
Gorla DE.
Variables ambientales registradas por sensores remotos como indicadores de la
distribución geográfica de Triatoma infestans. Ecología Austral. 2002 Dic;
12:117-27.
27.
Rodrigueiro M, Grola D. Latitudinal gradient in species richness of the New World Triatominae
(Reduviidae). Global Ecol. Biogeograph. 2004 Ene; 13:75-84
28.
Bustamante DM, Monry C, Rodas A, Juarez J, Malone J. Environmental determinants of the
distribution of Chagas vectors in south-eastern Guatemala. Geospatial Healt.
2008 May; 2:199-211
29.
Arboleda S, Gorla D, Porcasi X, Saldaña A, Calzada J, Jaramillo N. Development of a geographical
distribution model of Rhodnius pallescens Barber, 1932 using
environmental data recorded by remote sensing. Infect Genet Evol. 2009 Jul; 9:
441-8.
30.
Carbajal de la Fuente AL, Porcasi X, Noireau F, Diotaiuti L, Gorla D. The association between geographic
distribution of Triatoma Pseudomaculata and Triatoma Wygodzinsky (Hemiptera:
Reduviidae) with environmental variables recorded by remote sensors. Infec
Genet Evol. 2009 Ene; 9:54-61.
31.
Toso A, Vial F, Galanti N. Transmisión de la enfermedad de
Chagas por vía oral. Rev Med Chile. 2011 Feb; 139:258-266.
32.
Shikanai-Yasuda MA, Carvalho NB. Oral transmission of Chagas Disease. Clin
Infect Dis. 2012 Ene; 845-52.
Imágenes
Figura 4. Riesgo relativo de la enfermedad de Chagas en municipios de la
Huasteca Potosina, de acuerdo solo a efectos fijos.
Figura 5.
Riesgo relativo de la enfermedad de Chagas en municipios de la Huasteca
Potosina, de acuerdo a efectos fijos y efectos aleatorios.
Enlaces refback
- No hay ningún enlace refback.