Primera entrega de los detalles de un reciente estudio que analizó modelos de control de brote al inicio de la pandemia en las dos principales ciudades de la costa atlántica colombiana.
El estudio fue titulado bajo el título “Modelos
geoespaciales para control de brotes de SARS-CoV-2 en Cartagena y Barranquilla,
Colombia, 2020”, es de autoría de Silvana Zapata Bedoya, Diana Marcela Walteros
Acero y Marcela Mercado del Instituto Nacional de Salud y fue publicado el pasado
abril 13 por la revista panamericana de salud pública de la Organización
Panamericana de la Salud.
ANÁLISIS INTRODUCTORIO
Luego de hacer una reseña de la pandemia
en el mundo, la investigación expone que en Colombia, los primeros casos de Covid-19
se diagnosticaron durante la primera semana de marzo del 2020, cuando el 6 de
marzo se diagnostica el primer caso importado en Bogotá, y al 4 de julio del
2020 se confirmaron más de 117 110 casos en todo el país. En las ciudades de
Cartagena y Barranquilla se han pre- sentado 9 377 y 14 487 casos,
respectivamente, que corresponde a 20% de los casos del todo el país.
Las autoras indicaron que el seguimiento
habitual de casos y contactos por personal de salud pública requiere muchos
recursos, especialmente tecnológicos; sin embargo, existen estrategias como la
epidemiología espacial que, a través de la información disponible basada en la
ubicación de los casos, pueden apoyar las medidas tomadas. Esto permite ser más
eficiente no solo en el uso de recursos, sino en la administración del tiempo,
variable que juega suma importancia en esta enfermedad, ya que una de las
claves es el aislamiento oportuno de los casos.
Para las científicas es claro que en la
medida que el SARS-CoV-2 se propaga, se van conociendo más características de
la dinámica de su transmisión. En este sentido, la aplicación de geoestadística
con sistemas de información geográfica (SIG), y específicamente para el
artículo, tuvo como objetivo determinar la estructura temporal y espacial del
SARS-CoV-2 como técnica para analizar la situación actual de brotes y como
apoyo a la estrategia de búsqueda de contactos, aportando a los procesos de
gestión de riesgo, sobre todo en regiones vulnerables o las más afectadas por
la enfermedad. Además, permite una mejor distribución de recursos y
optimización en tiempos de respuesta para el aislamiento oportuno de casos,
técnica que es aplicable a otras enfermedades de interés en salud pública.
MATERIALES Y MÉTODOS
Para llevar a cabo el análisis espacial,
se realizó un estudio ecológico transversal donde fue necesario cumplir con una
serie de etapas previas, las cales se desarrollaron puntualmente.
Cartografía e información censal
Se adquirió la cartográfica base, así
como los datos de población y vivienda del último censo nacional. Dicha
información se utilizó como base para los análisis posteriores. Se utilizaron
los programas informáticos reconocidos para los datos descriptivos.
Población estudiada
Los datos fueron proporcionados por la
Subdirección de Prevención, Vigilancia y Control en Salud Pública en Instituto
Nacional de Salud de Colombia. Se utilizaron todos los casos confirmados al
sistema de vigilancia epidemiológica SIVIGILA para Covid-19 de las ciudades de
Cartagena y Barranquilla, sumados a todas las alertas correspondientes de la
aplicación CoronApp implementada en el país. Se definió como alerta como
aquella situación en la que un usuario de la aplicación ha informado varios
síntomas establecidos como marcadores de la infección.
El análisis espacial se hizo con 1758
domicilios de residencia y 561 alertas de CoronApp, con datos de latitud y
longitud para el municipio de Cartagena, y 2290 domicilios de residencia y 8325
alertas de aplicación CoronApp con datos de latitud y longitud para el distrito
turístico de Barranquilla, además de las capas geográficas de vulnerabilidad y
el índice de pobreza multidimensional (IPM) por manzana suministrados por el
Departamento Administrativo Nacional de Estadística (DANE) y la capa de
densidad poblacional obtenida de la página web Humanitarian Data Exchange.
Geoespacialización
En esta etapa se elaboraron los
siguientes 5 mapas temáticos. Uno correspondiente a los puntos con la localización
de los casos clasificados como activos, asintomáticos, fecha de inicio de
síntomas (FIS) menor de 14 días, FIS menor de 21 días y FIS mayor de 22 días.
El segundo mapa contentivo de puntos con
la ubicación de las alertas de CoronApp, el tercero de polígonos con las
manzanas de vulnerabilidad, un cuarto mapa de puntos de la densidad poblacional
de cada una de las ciudades y un ultimo mapa de polígonos con las manzanas de
IPM.
Espacialización de la información
La información descrita caracteriza
procesos de naturaleza continua o discreta. Por ejemplo, los datos continuos en
el espacio son mediciones tomadas en puntos fijos, pero de naturaleza continua.
Los procesos discretos en el espacio se refieren a la localización de eventos,
como los domicilios de los casos.
La espacialización de estos datos
mediante modelos facilita la identificación de patrones para conocer si la
intensidad de los eventos varía según la zona en estudio. De esta manera, a
través del modelo espacial de riesgo, fue posible representar y analizar la
heterogeneidad de valores en sus dimensiones espaciales y temporales.
Zonas de influencia
Con el fin de establecer las zonas de
influencia, se consignaron anillos concéntricos a 50 metros alrededor de los
casos con FIS menor a 21 días, y en las que se pueden identificar los contactos
para toma de muestra y aislamiento oportuno.
El producto obtenido fue un mapa de
buffer múltiple de base tres. Se asumió una distancia máxima de 150 metros para
estratificar el barrio en tres zonas objeto de vigilancia epidemiológica (ZOV).
Esta información se utilizó en forma complementaria para identificar el área
bajo influencia de los casos y zonas objeto de vigilancia para aplicación de
rastreo, pruebas, aislamiento selectivo y sostenible (PRASS).
Superposición temática
La superposición de información a través
de mapas tiene la ventaja de analizar diferentes contenidos temáticos con el
objeto de establecer patrones espaciales, ya sea en forma visual o analítica.
Para cada una de las unidades de puntos
se calculó la densidad kernel. Este parámetro calcula la densidad de las
entidades de punto de alrededor de cada celda ráster de salida, y lo que genera
una superficie curva uniforme sobre cada punto, usando cálculos de vecindad local
definida por bloques de celdas o píxeles.
Por último, se realizó un análisis de
superposición espacial para combinar las características de varias capas en
una. En la superposición de rásteres, cada celda de cada capa hace referencia a
la misma ubicación geográfica. Esto la hace apta para combinar las
características de varias capas en una sola capa.
En general, se asignan valores numéricos
a cada característica, lo que le permite combinar matemáticamente las capas y
asignar un nuevo valor a cada celda en la capa de salida. Este enfoque se suele
utilizar para clasificar los valores de atributos según la adecuación o el
riesgo, para luego sumarlos a fin de producir una clasificación general para
cada celda y se realiza con el fin de
buscar ubicaciones o zonas específicas que tienen un determinado conjunto de
valores de atributos, es decir, que concuerdan con los criterios de zonas
objeto de vigilancias epidemiológicas combinadas con los buffers.
Espere mañana en el segundo informe los resultados del estudio.
){kind=link}
0 Comentarios
El Observador Siglo XXI no se hace responsable por el contenido de los comentarios. Este es un espacio de libre opinión, amablemente solicitamos por favor compartirla con respeto.