105380

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Distribución geográfica del Dengue y su relación con las condiciones climáticas de 2017 a 2019 en Villavicencio, Colombia Geographic distribution of Dengue and its relationship with climate from 2017 to 2019 in Villavicencio, Colombia by/por Paula Andrea Amaya Valderrama 11851091 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Leonardo Zurita

Villavicencio – Colombia, 2021

2

Compromiso de Ciencia Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Villavicencio, octubre de 2021

(Lugar, Fecha)

(Firma)

3

RESUMEN El Dengue es una enfermedad tropical emergente y reemergente donde el vector principal es el Aedes aegipti, causante de epidemias estacionales importantes que reflejan altas tasas de mortalidad y morbilidad, presenta grave impacto epidemiológico, económico y social que lo convierte en un problema de gran importancia de investigación. El dengue es una enfermedad considerada un problema prioritario de salud pública tanto en el contexto nacional como regional, es el producto de la interacción de diversas causas generadas por macrodeterminantes socioeconómicos, geográficos, políticos, culturales y climáticos.

La presente investigación tiene como objetivos conocer la distribución geográfica del dengue en la ciudad de Villavicencio - Colombia y evaluar su relación con variables climáticas. Para esto se realiza un telegrama epidemiológico para una ventana de tiempo de 10 años y se escogen como años de estudio 2017, 2018 y 2019, en los cuales se realizan mapas de riesgo a nivel trimestral y se evalúa si la cantidad de los casos de dengue tiene alguna relación visual con los mapas de precipitación acumulada para los tres años.

Se observa a nivel general que el mayor número de casos se presenta en temporadas húmedas que coinciden con el segundo y tercer trimestre del año. Se observa una relación entre la variable de precipitación y el número de casos evidenciando que el periodo con mayor número de casos sucede para el 2018 y 2019 es la época caracterizada por presentar mayores precipitaciones. Para los mapas de riesgo se encuentra que las comunas con mayor riesgo son la 4 y la 5. Se comprueba que la variable precipitación está relacionada con la incidencia del dengue en Villavicencio, la variabilidad de los casos de dengue del 2018 está relacionada en un 62% con la precipitación y en un 86% para el 2019. Las variables temperatura y precipitación pueden predecir de un 30 a un 90 % de la variabilidad de los casos de dengue que se presentan en Villavicencio para el año 2018.

Se recomienda realizar estudios a más detalle con las variables de temperatura que corresponden a las estaciones climáticas, así como incluir variables sociales en las regresiones espaciales.

Palabras clave: Virus del dengue, Aedes, Sistemas de información geográfica, distribución geográfica.

4

ABSTRACT Dengue is an emerging and re-emerging tropical disease where the main vector is the mosquito Aedes aegipti. This disease is the cause of important seasonal epidemics with high mortality and morbidity rates, which has serious epidemiological, economic, and social impacts, making it an issue of great importance for research. Dengue is a disease considered as a public health priority problem both in national and regional contexts. It is the product of the interaction of various causes generated by socioeconomic, geographic, political, cultural and climatic macro determinants.

This research aimed to describe the geographical distribution of dengue in the city of Villavicencio - Colombia and evaluate its relationship with climatic variables. To achieve this, an epidemiological telegram was elaborated for a time window of 10 years. Risk maps were made at the quarterly level for three study years 2017, 2018 and 2019.

Additionally, it was evaluated whether there was a relationship between the number of dengue cases and the accumulated precipitation maps for the three chosen years.

In general, it was observed that the highest number of cases occurred during wet seasons which correspond with the second and third quarters of the year. It was identified a relationship between the variable precipitation and the number of cases, showing that the periods with the highest number of cases for 2018 and 2019 were characterized by higher rainfall. Regarding the risk maps, it is found that the communities with the highest risk were 4 and 5. The results show that the precipitation variable was significantly associated with the incidence of dengue in Villavicencio. The variability of dengue cases was related to precipitation by 62 % in 2018 and 86% in 2019. Temperature and precipitation variables can predict 30 to 90% of the variability of dengue cases that occurs in Villavicencio for 2018.

Finally, it is recommended to carry out more detailed studies including temperature variables that correspond to the climatic seasons, as well as incorporating social variables in the spatial regressions.

Keywords: Dengue virus, Aedes, Geographic Information Systems, Geographic Distribution.

5

TABLA DE CONTENIDO RESUMEN ................................................................................................................................... 3 ABSTRACT ................................................................................................................................. 4 TABLA DE CONTENIDO ......................................................................................................... 5 LISTA DE FIGURAS ................................................................................................................. 7 LISTA DE TABLAS ................................................................................................................... 8 ACRONIMOS ............................................................................................................................. 9 1. INTRODUCCIÓN................................................................................................................. 10 1.1.

Antecedentes del problema ....................................................................................... 11

1.2.

Objetivos y preguntas de investigación ................................................................... 12

1.3.

Preguntas de investigación ....................................................................................... 12

1.4.

Hipótesis ..................................................................................................................... 13

1.5.

Justificación ............................................................................................................... 13

1.6.

Alcance ....................................................................................................................... 15

1.7.

Socios / aplicación ...................................................................................................... 15

2. REVISIÓN DE LITERATURA ........................................................................................... 17 2.1.

El dengue .................................................................................................................... 17

2.2.

El dengue en Colombia .............................................................................................. 18

2.3.

Estudios en Colombia y Villavicencio...................................................................... 21

2.4.

El clima ....................................................................................................................... 24

El clima y las enfermedades transmitidas por vectores ..................................................... 27 3. METODOLOGÍA ................................................................................................................. 32 3.1.

Área de estudio .......................................................................................................... 32

3.2.

Flujograma de metodología ...................................................................................... 37

3.3.

Métodos ...................................................................................................................... 38

3.3.1.

Información de Dengue ..................................................................................... 38

3.3.2.

Información climática ....................................................................................... 42

3.3.3.

Análisis de correlación ...................................................................................... 45

4. RESULTADOS ...................................................................................................................... 48 4.1.

Distribución espacial ................................................................................................. 54

Mapas de riesgo ................................................................................................................. 58

6 4.2.

El clima en la ciudad de Villavicencio ..................................................................... 62

4.2.1.

Estaciones IDEAM ............................................................................................ 62

4.2.2.

WorldClim ......................................................................................................... 81

4.3.

Regresiones y correlaciones ...................................................................................... 84

4.3.1.

Análisis de correlación ...................................................................................... 84

4.3.2.

Regresiones OLS ............................................................................................... 89

5. DISCUSIÓN........................................................................................................................... 94 5.1.

Distribución del dengue y mapas de riesgo ......................................................... 95

5.2.

Comportamiento climático ................................................................................... 98

5.3.

Relación clima y dengue ..................................................................................... 100

6. CONCLUSIONES ............................................................................................................... 105 REFERENCIAS ...................................................................................................................... 107

7

LISTA DE FIGURAS Figura 1. Mapa de área de estudio ............................................................................................. 32 Figura 2. Climograma para Villavicencio. ................................................................................. 34 Figura 3. División administrativa por comunas para la ciudad de Villavicencio....................... 35 Figura 4. Flujograma metodológico ........................................................................................... 37 Figura 5. Telegrama epidemiológico por meses del 2010 al 2019 para Villavicencio .............. 49 Figura 6. Datos de dengue totalizados por año 2010-2019 para la ciudad de Villavicencio...... 49 Figura 7. Telegrama epidemiológico. Casos totalizados por meses desde 2017 a 2019. ........... 52 Figura 8. Casos totalizados por trimestres desde 2017 a 2019 ................................................... 53 Figura 9. Geocodificación de datos de dengue para 2017 a 2019 para la ciudad de Villavicencio ..................................................................................................................................................... 56 Figura 10. Mapa de distribución de casos de dengue en Villavicencio para 2017 a 2019 según comunas....................................................................................................................................... 57 Figura 11. Mapa de riesgo de dengue para Villavicencio de 2017 a 2019................................. 58 Figura 12. Mapa de riesgo de dengue en Villavicencio para 2017 ............................................ 59 Figura 13. Mapa de riesgo de dengue en Villavicencio para 2018 ............................................ 60 Figura 14. Mapa de riesgo de dengue en Villavicencio para 2019 ............................................ 61 Figura 15. Buffer de escogencia de estaciones climáticas ......................................................... 63 Figura 16. Estaciones climáticas seleccionadas para incluir en la investigación. ...................... 68 Figura 17. Total de casos de dengue en referencia con la precipitación acumulada del 2017 ... 74 Figura 18. Total de casos de dengue en referencia con la precipitación acumulada del 2018 ... 74 Figura 19. Total de casos de dengue en referencia con la precipitación acumulada del 2019 .. 75 Figura 20. Precipitación acumulada 2017. ................................................................................. 78 Figura 21. Precipitación acumulada 2018. ................................................................................. 79 Figura 22. Precipitación acumulada 2019. ................................................................................. 80 Figura 23. Precipitación acumulada por trimestres para el año 2018 ........................................ 81 Figura 24. Temperatura mínima promedio por trimestres para el año 2018. ............................. 82 Figura 25. Temperatura máxima promedio por trimestres para el 2018 .................................... 83 Figura 26. Regresión lineal Dengue-Precipitación para 2017-2019 ......................................... 85 Figura 27. Regresión polinomial de tercer grado para Precipitación - Dengue del 2017 ......... 86 Figura 28. Regresión polinomial de tercer grado para Precipitación -Dengue del 2018 ......... 86 Figura 29. Regresión polinomial de tercer grado para Precipitación -Dengue del 2019 .......... 87

8

LISTA DE TABLAS Tabla 1 . Valores ONI a nivel mundial. ..................................................................................... 26 Tabla 2. Casos de dengue totalizados por mes de 2017 a 2019.................................................. 50 Tabla 3. Estadísticos descriptivos de los casos de dengue a nivel mensual desde 2010 hasta 2019 ............................................................................................................................................. 51 Tabla 4. Prueba de normalidad para los casos de Dengue de 2010-2019 .................................. 51 Tabla 5. Casos de dengue totalizados por mes de 2017 a 2019. En rojo se observa el mayor volumen de casos y en amarillo el menor. .................................................................................. 52 Tabla 6. Casos de dengue por trimestre de 2017 a 2019. ........................................................... 53 Tabla 7. Casos geocodificados para los periodos 2017 a 2019 de los casos notificados ........... 54 Tabla 8. Episodios cálidos y fríos por temporada según NOAA................................................ 63 Tabla 9. Exploración y estadística descriptiva de datos de precipitación de las 27 estaciones seleccionadas para la investigación desde 1970 a 2017. ............................................................. 64 Tabla 10. Exploración y selección de estaciones para la toma de información de precipitación para 1990 a 2017. ........................................................................................................................ 65 Tabla 11. Precipitación mensual 2010-2019. ............................................................................. 67 Tabla 12. Exploración y estadística descriptiva de datos de temperatura de las 7 estaciones seleccionadas para la investigación. En color verde se observan las estaciones que cumplen con el mínimo de datos faltantes (<30%) para ser escogidas en el análisis, en rojo y naranja aquellas que superan el 30% de datos faltantes ......................................................................................... 69 Tabla 13. Exploración y estadística descriptiva de datos de humedad relativa de las 7 estaciones seleccionadas para la investigación ............................................................................................. 70 Tabla 14. Estadísticos descriptivos para la variable precipitación mensual acumulada de 2010 a 2019 ............................................................................................................................................. 71 Tabla 15. Humedad relativa y temperatura promedio mensual de 2010-2017 ........................... 71 Tabla 16. Estadísticos descriptivos para las variables humedad relativa y temperatura promedio de 2010 a 2017 ............................................................................................................................ 71 Tabla 17. Prueba de normalidad para la precipitación acumulada anual de 2010-2019 ............ 72 Tabla 18. Prueba de normalidad para la humedad relativa y la temperatura promedio anual de 2010-2017 ................................................................................................................................... 73 Tabla 19. Episodios fríos y cálidos por temporadas. Índice ONI para los años de estudio ........ 75 Tabla 20. Correlación no paramétrica para los años 2010 - 2019 .............................................. 84 Tabla 21. Correlación de Spearman para el número de casos de dengue y la precipitación del año 2017 ...................................................................................................................................... 87 Tabla 22. Correlación de Spearman para el número de casos de dengue y la precipitación del año 2018 ...................................................................................................................................... 88 Tabla 23. Correlación de Spearman para el número de casos de dengue y la precipitación del año 2019 ...................................................................................................................................... 88 Tabla 24. Datos de dengue geocodificados y su porcentaje para el año 2018 ........................... 89 Tabla 25. Resumen de los resultados de la regresión OLS para el primer trimestre de 2018 .... 90 Tabla 26. Diagnósticos de la regresión OLS para el primer trimestre de 2018 .......................... 90 Tabla 27. Resumen de los resultados de la regresión OLS para el segundo trimestre de 2018.. 92 Tabla 28. Diagnósticos de la regresión OLS para el segundo trimestre de 2018 ....................... 92 Tabla 29. Resumen de los resultados de la regresión OLS para el tercer trimestre de 2018 ...... 92

9 Tabla 30. Diagnósticos de la regresión OLS para el tercer trimestre de 2018 ........................... 92 Tabla 31. Resumen de los resultados de la regresión OLS para el cuarto trimestre de 2018 ..... 93 Tabla 32. Diagnósticos de la regresión OLS para el cuarto trimestre de 2018 .......................... 93

ACRONIMOS AIC: criterio de Akaike, es una medida del rendimiento para las regresiones OLS, este es solo comparable para modelos que analizan la misma variable dependiente API: interfaz de programación de aplicaciones API, por sus siglas en inglés (Application Programming Interfaces).

DANE: Departamento Administrativo Nacional de Estadística. Entidad responsable de la planeación, levantamiento, procesamiento, análisis y difusión de las estadísticas oficiales de Colombia ENSO: “El Niño” Oscilación Sur, o ENSO, siguiendo la sigla en inglés (El Niño Southern Oscillation). Consiste en intercambios de calor entre el océano y la atmósfera que afectan a la temperatura media global de la Tierra y crean situaciones extremas en el ciclo hidrológico como pueden ser lluvias torrenciales y sequías.

ESRI: por sus siglas en inglés (Environmental Systems Research Institute) es una empresa estadounidense líder mundial en el desarrollo y comercialización de software especializado en Sistemas de Información Geográfica.

ETV: enfermedades transmitidas por vectores IDEAM: Instituto de Hidrología, Meteorología y Estudios Ambientales INS: Instituto Nacional de Salud IPCC: el Grupo Intergubernamental de Expertos sobre el Cambio Climático por sus siglas en ingles Intergovernmental Panel on Climate Change.

NOAA: administración nacional oceánica y atmosférica por sus siglas en inglés (National Oceanic and Atmospheric Administration) OLS: regresión de mínimos cuadrados ordinarios por sus siglas en inglés (Ordinary least squares).

OMS: Organización Mundial de la Salud ONI: El Índice Niño Oceánico, por sus siglas en inglés (El Niño-Southern Oscillation) es una medida de la condición de El Niño-Oscilación del Sur SIVIGILA: Sistema de Vigilancia Epidemiológica, tiene como responsabilidad el proceso de observación y análisis objetivo, sistemático y constante de los eventos en salud.

TMS: Temperatura Superficial del Mar

10

1. INTRODUCCIÓN El Dengue es una enfermedad tropical emergente y reemergente transmitida por su vector principal el mosquito Aedes aegypti. Es considerada como un grave problema de salud pública en el contexto nacional y regional (Ministerio de Salud y Protección Social de Colombia, 2013; Padilla et al., 2012). El virus es causante de epidemias estacionales importantes que se reflejan en altas tasas de mortalidad y morbilidad sobre todo en poblaciones con bajos recursos económicos (Londoño et al., 2014; Sánchez et al., 2012).

Es una enfermedad de grave impacto epidemiológico, social y económico que se ha convertido en un problema creciente para la salud pública a nivel mundial (Instituto Nacional de Salud, 2017b). Por lo cual el dengue es considerado un problema prioritario en salud pública en Colombia (Instituto Nacional de Salud, 2017a).

El dengue es una enfermedad considerada un problema de salud pública tanto en el contexto nacional como regional, es producto de la interacción de diversas causas generadas por macrodeterminantes socioeconómicos, geográficos, políticos y culturales.

Entre estos se destaca la ubicación geográfica que determina el clima (temperatura, pluviosidad y humedad relativa), la urbanización no planeada, las condiciones de calidad de vida de la población, aspectos conductuales y culturales, el bajo desarrollo y respuesta institucional, la vulnerabilidad de la población expuesta, la expansión de Aedes aegypti en el territorio nacional y la circulación de diferentes serotipos. Los principales factores que determinan la persistencia y la agudización de las epidemias son la urbanización no planificada y el déficit en la cobertura de servicios públicos y saneamiento básico (Padilla et al., 2012).

Entre las macrodeterminantes del dengue se encuentran las condiciones ambientales directamente relacionadas y que favorecen la reproducción del vector, entre estos son la latitud, altitud, temperatura, humedad relativa y pluviosidad (Koopman et al., 1991; Padilla et al., 2012). La temperatura y la humedad relativa influyen en el desarrollo larvario y la replicación del virus en el vector, aspecto que cobra mayor importancia en la ocurrencia de epidemias de dengue y la presencia del fenómeno del Niño en Colombia (Padilla et al., 2012).

El dengue en Colombia se extiende desde los 4°13’30’’ de latitud sur hasta los 12°27’46’’ de latitud norte, y desde los 66° 50´ 54” hasta 79° 0´23” de longitud oeste, esta ubicación en el área tropical ofrece adecuadas condiciones ecológicas para la transmisión de la

11

enfermedad. La altitud es un factor que limita la distribución de Aedes aegipti, en Colombia se registra infestación del vector entre 0 y 2200 metros sobre el nivel del mar.

Villavicencio es uno de los municipios endémicos de trasmisión del dengue (Padilla et al., 2012).

1.1. Antecedentes del problema En Colombia se ha mostrado una tendencia ascendente en los brotes de Dengue (19782010) (Padilla, 2002; Padilla et al., 2012). Villavicencio, capital del departamento del Meta, ocupa anualmente los primeros puestos en incidencia del virus en el país (Instituto Nacional de Salud, 2019). Debido al aumento de la incidencia se resalta la necesidad de conocer y entender cómo se comporta el virus en varios periodos de tiempo, evaluando su relación con diferentes variables debido a que el ciclo de transmisión está influenciado por factores de riesgo sociales (densidad poblacional, estructura habitacional, disposición de agua y residuos) (Ayllón et al., 2018; Carbajo et al., 2006) y ambientales, teniendo en cuenta que las variables climáticas se ha observado que pueden aumentar la probabilidades de la proliferación de las poblaciones de Aedes aegypti (Cassab et al., 2011; Hales et al., 1996).

Las variaciones climáticas producidas por el calentamiento global del planeta podrían crear condiciones para el incremento en la intensidad de la transmisión potencial del dengue y favorecer la circulación de diversos serotipos. Así pues, se reduciría el tiempo de transmisión, produciendo y facilitando la aparición del dengue grave (Ooi y Gubler, 2009; Padilla et al., 2012). El entendimiento de cómo se comporta el dengue en comparación a variables climáticas podría dar dirección a estudios que tengan en cuenta el comportamiento de la enfermedad en condiciones de cambio climático.

Existen estudios que muestran los factores que hacen persistir el virus del dengue como variables del clima, pero en especial las interacciones sociales (Ministerio de Salud y Protección Social de Colombia, 2013; Uribe et al., 2012). Sin embargo, se presenta un vacío de investigación respecto a la interacción de las variables climáticas con la enfermedad en periodos específicos de tiempo, presentando una baja existencia de información en Colombia. Se ha descrito una correlación moderadamente fuerte entre la presentación de epidemias del dengue y los cambios climáticos característicos del fenómeno del Niño, debido a que los vectores son muy sensibles a la variación de precipitación y la temperatura ambiental (Uribe et al., 2012). En Colombia se observó en

12

1998 una estrecha asociación entre el aumento sostenido de la temperatura y el incremento inusitado del número de casos del dengue, por encima de lo esperado (Padilla et al., 2012). Este caso coincide con estudios que describen una correlación moderada entre las epidemias del dengue y los cambios producidos por el aumento de condiciones cálidas de la superficie del mar y la reducción de lluvias (Koopman et al., 1991; Uribe et al., 2012). Existen otros estudios que muestran que hay regiones donde las lluvias pueden contribuir a incrementar el número de criaderos potenciales (Aiken et al., 1980). Así mismo, hay registros que muestran que las infecciones de dengue muestran un comportamiento cíclico que muy posiblemente se repite cada tres o cuatro años, esto puede responder a cambios sociales y climáticos (Castrillón et al., 2015). Sin embargo, no hay estudios suficientes que demuestren cómo se comporta el virus del dengue en relación a variables climáticos en el Meta. Lo que corrobora que se requiere estudios en Villavicencio que evalúen la posible correlación de las variables ambientales con el número de casos de dengue y si existe algún patrón geográfico o cíclico, para de esta manera ver si las herramientas de información geográfica permiten tomar decisiones en salud pública.

1.2. Objetivos y preguntas de investigación Objetivo General Conocer la distribución geográfica del dengue en la ciudad de Villavicencio (Colombia) y su relación con variables climáticas entre 2017 y 2019.

Objetivos específicos Caracterizar la distribución geográfica mensual y multianual del dengue en la ciudad de Villavicencio entre los años 2017 a 2019.

Caracterizar el comportamiento climático mensual y multianual en la ciudad de Villavicencio entre los años 2017 a 2019.

Identificar la relación entre los casos de dengue anuales y mensuales con las variables climáticas pluviosidad y temperatura en la ciudad de Villavicencio para el año 2018.

1.3. Preguntas de investigación ¿Existe algún patrón de distribución geográfica multianual en los casos de dengue de la ciudad de Villavicencio entre los años 2017 a 2019?

13

¿Existe algún patrón de distribución geográfica estacional en los casos de dengue de la ciudad de Villavicencio entre los años 2017 a 2019? ¿Existe correlación entre las variables climáticas pluviosidad y la temperatura y los brotes de Dengue en la ciudad de Villavicencio durante para el 2018?

1.4. Hipótesis Se plantean dos hipótesis referentes a la distribución del dengue y su relación con las variables climáticas: 1. Ha: Existen patrones de distribución geográfica trimestral o multianual en los casos de dengue de la ciudad de Villavicencio entre los años 2017 a 2019.

2. Ha: Existe correlación entre las variables climáticas, pluviosidad, la temperatura y los brotes de Dengue para el 2018 para la ciudad de Villavicencio.

1.5. Justificación Según la Organización mundial de las Salud (OMS), el dengue es la enfermedad transmitida por vectores que más se presenta a nivel global y su incidencia se ha multiplicado 30 veces durante los últimos 50 años (IntraMed, n.d.). A nivel mundial se han planteado estrategias para la prevención de las enfermedades transmitidas por vectores, la OMS propone el manejo ambiental teniendo en cuenta el adecuado manejo del recurso hídrico, la disposición adecuada de desechos, y la educación comunitaria en la prevención de la propagación de la enfermedad y sus vectores transmisibles (Instituto Nacional de Salud, 2019; Penilla, 2007; Vargas, 2003).

Teniendo en cuenta la

importancia del recurso hídrico en la investigación se tendrán en cuenta las variables climáticas precipitación, humedad relativa y temperatura.

En Colombia se ha mostrado una tendencia ascendente en los brotes de dengue (Instituto Nacional de Salud, 2019), con el paso de los años los ciclos epidémicos son cada vez más cortos y se presentan aumento en la frecuencia de casos graves en ciclos de cada dos o tres años (Instituto Nacional de Salud, 2017b). La gestión de riesgo para prevención y control del dengue en Colombia se compone de la vigilancia en salud pública (clínico epidemiológica, laboratorio y virológica), la atención de pacientes, la promoción (políticas públicas e intersectoriales, participación social y comunitaria) y el control integrado de vectores (rutinario y de contingencia) (Ministerio de Salud y Protección Social de Colombia, 2013).

14

En este sentido, el vector Aedes aegypti se caracteriza por ser una especie tropical y subtropical distribuida en latitudes y altitudes que limitan su distribución. La transmisión de la enfermedad por el vector es prevalente por debajo de los 1000 metros de altitud, donde la temperatura y humedad relativa influyen en el desarrollo larvario y la replicación del virus, aspecto que cobra mayor importancia al evaluar las variaciones climáticas como lo son el fenómeno del Niño, en estos eventos climáticos, se ha registrado que el incremento en las lluvias se asocia a un aumento en los brotes del dengue (Ministerio de Salud y Protección Social de Colombia, 2013; Padilla et al., 2012). Se ha comprobado que la temperatura media durante las temporadas de lluvia puede ser un predictor fuerte de la infección del dengue (Koopman et al., 1991). De esta forma, es importante realizar un análisis de variables climáticas en periodos de tiempo de más de un año, donde se pueda observar las dinámicas climáticas y su relación con la presencia de los brotes de dengue.

La transmisión del virus del dengue puede ser muy explosiva, incluso durante períodos entre epidemias en entornos altamente endémicos (Instituto Nacional de Salud y Padmanabha, 2010b), por tanto es importante investigar qué variables pueden estar relacionadas con la enfermedad para poder realizar a futuro modelos predictivos para el apoyo en la toma de decisiones por parte de las entidades encargadas de la salud pública.

Principalmente, en municipios con alta incidencia de la enfermedad se requiere una comprensión a profundidad del fenómeno. Villavicencio ocupa anualmente los primeros puestos en incidencia del virus en el país (Instituto Nacional de Salud, 2019). Teniendo en cuenta que uno de los objetivos de la vigilancia del dengue en Colombia es detectar oportunamente los patrones de ocurrencia de dengue a través del seguimiento periódico de los casos (Instituto Nacional de Salud, 2017b), se resalta la necesidad de conocer y entender los patrones de distribución espacial del virus en diferentes meses a lo largo de tres años evaluando su relación con variables climáticas debido a que el ciclo de transmisión está influenciado por factores de riesgo no solo sociales sino ambientales.

Algunos estudios nombran que el fenómeno del Niño puede ser un factor de influencia, por lo cual es importante determinar si las variables climáticas influyen en la presencia del virus en la ciudad. El presente estudio permitirá resaltar la importancia del monitoreo y la ubicación espacial de los eventos, lo cual ayudará en la toma de decisiones estimando las principales zonas de riesgo, contando así con el conocimiento que permita la priorización de acciones en sectores de alto riesgo.

15

1.6. Alcance Con este trabajo se pretende conocer la distribución geográfica del dengue en la ciudad de Villavicencio (Colombia) y su relación con variables climáticas. La intención es profundizar en el análisis de las dinámicas climáticas y su relación con la presencia de los brotes de dengue debido a que otros estudios muestran correlación moderada de las epidemias del dengue y las variables de temperatura y precipitación.

Comprender los cambios en la dinámica del dengue en Colombia es necesario con el fin de apoyar la vigilancia en salud pública para la promoción de políticas públicas e intersectoriales. Esta investigación posibilitará resaltar la importancia del monitoreo y la ubicación espacial de los eventos, lo cual puede sustentar la toma de decisiones estimando las principales zonas de riesgo, contando así con el conocimiento que permita la priorización de acciones en sectores de alto riesgo. Los resultados obtenidos contribuirán al apoyo en la vigilancia en salud pública por parte de la secretaría de salud para la promoción de políticas públicas e intersectoriales del municipio respecto al manejo y acciones a tomar en las epidemias de dengue en la ciudad.

1.7. Socios / aplicación La dirección general de Salud Pública del Ministerio de Salud, en coordinación con el Instituto Nacional de Salud y la cooperación técnica de la Organización Mundial de la Salud (OMS) plantean realizar procesos de fortalecimiento institucional de los programas departamentales, distritales y municipales de control y prevención del dengue para aportar en el mejoramiento de la gestión operativa y técnica en los territorios para garantizar la capacidad de respuesta adecuada al problema de esta enfermedad en Colombia (Ministerio de Salud y Protección Social de Colombia, 2013).

La OMS recomienda nuevos enfoques estratégicos para abordar la problemática del dengue que se deben contextualizar en la promoción y prevención de la enfermedad. La colaboración con otros sectores gubernamentales y no gubernamentales junto con las acciones a nivel comunitario permitirán el incremento de factores protectores (Ministerio de Salud y Protección Social de Colombia, 2013). Debido a esto, se realizó una gestión con la Secretaría Municipal de salud quienes estuvieron interesados en el desarrollo de la investigación y mostraron un apoyo con la suministración de los datos.

16

En concordancia con lo anteriormente planteado, se desarrolló la visualización geográfica de los casos de dengue en la ciudad de Villavicencio para identificar los patrones espaciales, que permitirá poder formular a futuro estrategias operativas para la vigilancia epidemiológica y el control del Aedes aegypti, contribuyendo a la disposición de herramienta técnicas de apoyo que faciliten la toma de decisiones. Esta tesis será apoyada con la provisión de los datos por parte de la Secretaría Municipal de la ciudad de Villavicencio, Colombia, con el interés de tener una visión generalizada a nivel geográfico de las dinámicas de los brotes, su comportamiento, modelación y mejor entendimiento para la priorización y toma de decisiones.

17

2. REVISIÓN DE LITERATURA El estudio del dengue y su relación con las condiciones climáticas de una región demanda de comprender aspectos del virus mismo, su vector y las condiciones que favorecen su presencia. Es por ello que la revisión de literatura se centrará en varias secciones, primero se describirá el dengue como una enfermedad de gran importancia en la salud pública a nivel mundial, luego se describirá cual es la situación de éste en Colombia, los estudios realizados y finalmente cómo está documentada su relación con variables climáticas.

2.1. El dengue El dengue es una enfermedad tropical transmitida por su vector principal el mosquito Aedes aegypti, es considerada como un grave problema de salud pública en el contexto nacional y regional (Ministerio de Salud y Protección Social de Colombia, 2013; Padilla et al., 2012). En el mundo hay aproximadamente 2.5 a 3 billones de individuos viviendo en áreas de riesgo de transmisión del dengue y se estima que 50 millones de infecciones ocurren anualmente que incluyen 21000 muertes. La transmisión del dengue se ha reportado en 100 países de África, mediterráneo, Américas, Sudeste de Asia y el pacífico Oeste. De acuerdo con la OMS, se ha estimado que el dengue es la enfermedad transmitida por vectores virales más extendida del mundo. Tambén reporta un incremento de la transmisión de 454 durante los cincuentas a 49,2829 en los 90s y 877,888 entre el 2000 y 2003 (Guzmán et al., 2004). El hábitat del vector se ha expandido con la urbanización, los suministros de agua inadecuados, el saneamiento deficiente y el aumento de los residuos de envases, dando mayor oportunidad de transmisión y propagación del vector acompañado las tendencias en el movimiento de personas.

Finalmente, cambios en el clima que han sido acelerados por las fuentes antropogénicas han aumentado la probabilidad de la presencia del vector en áreas pobladas vulnerables (Guzmán et al., 2004) La situación epidemiológica del dengue en las Américas presenta un comportamiento endemo-epidémico cada 3 a 5 años en los cuales hay aumento en número y frecuencia de brotes de dengue y mortalidad por esta causa. Los picos epidemiológicos son multifactoriales, donde se relaciona con la expansión geográfica de la infestación del Aedes aegypti y la circulación de diferentes serotipos con escenarios de transmisión hiperendémicos o endemo-epidémicos (Ministerio de Salud y Protección Social de Colombia, 2013), la urbanización no planificada, las migraciones poblacionales, aspectos

18

culturales, las calidad de servicios sanitarios, entre otros (Instituto Nacional de Salud, 2017b).

Aedes aegypti es una especie tropical y subtropical distribuida en latitudes entre los 35° norte y los 35° sur, se presenta en altitudes por debajo de los 2000 msnm con temperaturas entre 15 y 40° C y humedad relativa de moderada a alta (Ministerio de Salud y Protección Social de Colombia, 2013) La transmisión es prevalente en los municipios por debajo de los 1000msnm donde se produce el 70% de los casos, la temperatura y humedad relativa influyen en el desarrollo de larvario y la replicación del virus en el vector, aspecto que cobra mayor importancia en la presencia de fenómeno del Niño en Colombia debido a que los vectores son sensibles a la variación de la temperatura y de las lluvias (Padilla et al., 2012).

Es de gran importancia conocer la ecología del vector y la variación en sus patrones geográficos para construir programas efectivos para la enfermedad. Existen modelos bioclimáticos como herramienta predictora para la vigilancia entomológica (Guzmán et al., 2004), sugieren la existencia de variables claves que pueden interactuar con el comportamiento humano y estar directamente vinculadas con la presencia del vector (Padmanabha et al., 2010). Estos factores contribuyen a un aumento en la incidencia y aparición de la enfermedad en nuevas zonas geográficas. En la última década se han registrado brotes de dengue con tendencia creciente en Brasil, Bolivia, Guatemala, Honduras, Nicaragua, México, Perú, Puerto Rico, República Dominicana, Venezuela, Colombia, entre otros (Instituto Nacional de Salud, 2017b). Según la OMS se estima la incidencia del dengue en 390 millones de personas, de los cuales 96 millones requieren atención médica por signos de alarma y 500mil padecen de dengue grave (Instituto Nacional de Salud, 2017b).

2.2. El Dengue en Colombia En Colombia alrededor de 25 millones de personas que habitan en zonas urbanas con transmisión endémica del dengue están en riesgo de adquirir la enfermedad, es una de las patologías infeccionas con mayor carga social y económica para la población en riesgo del país (Ministerio de Salud y Protección Social de Colombia, 2013).

El dengue es una enfermedad de particular interés por los múltiples factores que influyen en las epidemias donde se presenta una mayor frecuencia de brotes de dengue por la aparición de ciclos epidémicos más cortos. Entre estos la circulación simultanea de cuatro

19

serotipos; el desplazamiento de gran parte de la población rural a la zona urbana por problemas de violencia en el país y falta de oportunidades de trabajo en el campo; deficiencias en la prestación de servicios públicos y saneamiento básico; deficiencias en la capacidad operativa de respuesta de los programas de promoción y prevención; y la baja participación social e intersectorial (Ministerio de Salud y Protección Social de Colombia, 2013; Padilla et al., 2012). Esto en sinergia con los efectos de cambio climático en el vector y el virus hace más complejo el modelamiento y entendimiento de la enfermedad.

Colombia se clasifica como un país endémico con brotes epidémicos, esto quiere decir periodos de tiempo donde se presenta una reemergencia e intensa transmisión con tendencia creciente de la enfermedad con un aumento de la frecuencia de brotes graves, es el caso de 2010, 2013, 2016 (Instituto Nacional de Salud, 2017b) y 2019, casos registrados para este estudio. Para la vigilancia del dengue se deben tener en cuenta cuatro componentes: estrategias de gestión integradas para la prevención y control de la enfermedad; la focalización, caracterización y estratificación para el control y la transmisión; la vigilancia entomológica del Aedes aegypti; y la planeación, gestión y evaluación de las intervenciones (Ministerio de Salud y Protección Social de Colombia, 2013).

En la estrategia de gestión integrada para la prevención y control del dengue se tienen en cuenta los esfuerzos institucionales para la prevención y control de la enfermedad creando lineamientos y programas que permiten la comunicación y movilización social para la coordinación a través de directrices territoriales de salud

(Ministerio de Salud y

Protección Social de Colombia, 2013). Las herramientas de prevención son dirigidas a un diagnóstico precoz, atención integral de los pacientes con dengue y fortalecimiento de las actividades de educación de la comunidad para la prevención y conocimiento de ésta (Instituto Nacional de Salud, 2017b).

Para la focalización, caracterización y estratificación para el control del dengue hay que tener en cuenta la transmisión endémica e hiperendémica de la enfermedad es producto de la interacción multifactorial y compleja de factores que favorecen la existencia de diferentes escenarios de transmisión (Instituto Nacional de Salud, 2017b; Ministerio de Salud y Protección Social de Colombia, 2013), los factores determinantes los se pueden dividir en macrodeterminantes y microdeterminantes. Entre los primeros se tienen en

20

cuenta factores de riesgo ambientales (latitud, altitud, temperatura, humedad relativa) y sociales (densidad poblacional, patrones de asentamiento, culturales). Entre los factores microdeterminantes se encuentran los factores individuales del huésped (sexo, edad, ocupación, grado de inmunidad, etc.), factores del agente de la enfermedad (serotipos y subtipos) y factores de los vectores (densidad de hembras adultas, frecuencia de alimentación, etc.) (Ministerio de Salud y Protección Social de Colombia, 2013).

Debido a que la transmisión del dengue es multifactorial, genera la necesidad de optimizar adecuadamente los recursos disponibles para lograr una mayor efectividad y sostenibilidad de las actividades realizadas para la intervención de las causas ambientales y culturales que favorecen la transmisión del dengue. Es necesario priorizar los focos de mayor magnitud con el fin de controlar, reducir o eliminar la transmisión en forma sostenida (Ministerio de Salud y Protección Social de Colombia, 2013).

En Colombia la tasa de incidencia es fluctuante desde 1978 con tendencia al incremento a través del tiempo. La tasa de letalidad por dengue grave ha aumentado del 1,3% en el año 1999, a 19% en 2016. Según la OMS la letalidad por la enfermedad no debería superar el umbral del 2% debido a que el 98% es prevenible (Instituto Nacional de Salud, 2017b).

Afortunadamente, la notificación de casos de dengue en Colombia es alta y ha venido en incremento (Padilla et al., 2012).

A nivel nacional se identifica la focalización de la transmisión del dengue, a nivel departamental se identifican los municipios con mayor carga de la enfermedad, se focalizan los conglomerados de riesgo y barrios prioritarios de alta carga de la enfermedad, se realiza una descripción epidemiológica de los conglomerados con el fin de establecer los patrones de transmisión del dengue, la frecuencia y la distribución de los factores de riesgo para la toma de decisiones. Lo cual resulta una labor dispendiosa para la necesidad del entendimiento de la dinámica de una enfermedad en curso (Ministerio de Salud y Protección Social de Colombia, 2013).

En la vigilancia entomológica del Aedes aegypti se tiene en cuenta un proceso continuo de recolección, tabulación, análisis e interpretación de la información sobre los aspectos de la biología de la especie para orientar las intervenciones regulares y evaluar su impacto (Ministerio de Salud y Protección Social de Colombia, 2013).

Por último, en la planeación, gestión y evaluación de intervenciones consiste en la preparación del grupo técnico funcional de enfermedades transmitidas por vectores

21

(Ministerio de Salud y Protección Social de Colombia, 2013). Esta vigilancia integral orientan las estrategias para el control y disminución de la morbi-mortalidad de la enfermedad en el país (Instituto Nacional de Salud, 2017b).

Por ser el dengue una enfermedad multicausal y compleja, su manejo y solución está vista desde la parte integral de la promoción de salud. Es una enfermedad estrechamente relacionada con el saneamiento del entorno domiciliario y la existencia de criaderos se debe a comportamientos humanos individuales, colectivos e institucionales (Ministerio de Salud y Protección Social de Colombia, 2013).

En enfermedades transmitidas por vectores se destaca la necesidad de mapear la distribución espacial tanto de los vectores como de la incidencia o prevalencia de la enfermedad (Ebenezer et al., 2014) el mapeo de las enfermedades son instrumento básico en el campo de la salud, desde 1990 se han mejorado las técnicas de identificación de mapas de riesgo, reflejándose en un apoyo en la atención de se brinda en los servicios de salud (Medronho, 2009) Los sistemas de información geográfica (SIG) se han destacado como herramientas de geoprocesamiento, especialmente en el análisis que involucra factores epidemiológicos y ambientales. Los SIG se consideran como instrumentos para integrar datos ambientales y de salud, lo que permite la caracterización y cuantificación de la exposición a la enfermedad y sus posibles resultados (Iñiguez et al., 1999).

2.3. Estudios en Colombia y Villavicencio En Colombia ocurrió el primer caso de fiebre hemorrágica por dengue en 1989, posteriormente hubo una clara tendencia de crecimiento de la transmisión con un aumento de cuatro veces entre 1997 y 2002 cuando más de 80,000 personas fueron contagiadas por dengue (The World Bank, 2012). Casi la mitad de la población colombiana vive en áreas donde la temperatura media está dentro del rango del vector del dengue. Es importante comprender los determinantes de la incidencia de esta enfermedad, algunos modelos sugieren que el aumento de dos grados centígrados en areas de incidencia produciría un aumento en la exposición además de la aparición de la enfermedad en sitios de climas templados donde no se ha experimentado previamente la transmisión (The World Bank, 2012). Un mayor entendimiento de cómo afectan las variables climáticas a la presencia de la enfermedad en Villavicencio podría ser base para evaluar en futuros estudios las implicaciones para el sector de la salud en diferentes escenarios de cambio climático.

22

En Colombia existen diferentes estudios que analizan las dinámicas de la epidemia del dengue, Londoño et al. en 2014 analizan la distribución espacial del dengue basado en herramientas del Sistema de Información Geográfica en el Valle de Aburrá; Cassab et al., en el 2011 analizan los factores climáticos y casos de Dengue en Montería de 2003-2008; Sánchez et al. en 2012 elaboran modelos de regresión espacial para el comportamiento de las enfermedades infecciosas dengue y malaria en Colombia para los años 2000, 2005 y 2010. Padilla et al. en el 2012 describen la epidemiología y la reemergencia del dengue en Colombia desde los años 1999 a 2010.

En cuanto a estudios que investiguen en Colombia las dinámicas climáticas y espaciales del dengue en una misma ciudad teniendo que las variables climáticas inciden en la incidencia de la enfermedad pues de estas depende el ciclo de vida del vector. Rúa-Uribe et al. en 2013 encuentran que el 34% de la variabilidad de los casos de dengue es explicado por variables climáticas donde la variable que más aporta es la precipitación; Cassab et al. en 2011 encuentran que las asociaciones en conjunto entre la temperatura, humedad relativa y precipitación son fuertes y consistentes en la transmisión del dengue en Montería. Incluso se han realizado estudios que muestran como los años posteriores a la ocurrencia del evento El Niño aumenta la incidencia de la enfermedad en la ciudad de Medellín donde dicha incidencia se asocia significativamente con la temperatura superficial del mar de la región El Niño 3,4, con un rezago de 3 a 6 meses (Uribe et al., 2012).

Estudios demuestran que la presencia del vector y los comportamientos humanos están acoplados de manera dependiente de la temperatura, donde dependiendo de los ciclos climáticos las poblaciones humanas tienen hábitos del uso del agua distintos (Padmanabha et al., 2010). Se asocia la producción de la pupa del vector con los comportamientos de almacenamiento de agua, donde se utiliza el agua almacenada en épocas de sequía o por interrupciones en el alcantarillado (Instituto Nacional de Salud y Padmanabha, 2010a). Este tipo de comportamiento podría ser una variable de influencia en la ciudad de Villavicencio debido a que la ciudad se caracteriza por en algunas épocas presentar cortes en el servicio de agua.

Se ha investigado que el potencial de la generación de brotes de dengue más o menos intensos en áreas altamente endémicas depende también de las condiciones demográficas y las prácticas específicas de la población para la amplificación viral, adicionalmente las

23

redes sociales ampliamente densas tienen un papel importante en la introducción viral local y la transmisión en la población susceptible (Padmanabha et al., 2015). La densidad de población humana también juega un papel importante en la transmisión del dengue, debido a su impacto potencial en el contacto ser humano-A. aegypti, tanto dentro del hogar de una persona como cuando visita a otros. La gran variación en la densidad de población dentro de las ciudades endémicas del dengue típico sugiere que debería ser una consideración importante en las políticas de control del dengue, por lo cual es una variable de interés para otros estudios (Padmanabha et al., 2012b).

Existen acciones de prevención, control regular y contingencial del vector (Aedes aegypti) entre estos la movilización y comunicación social generando un cambio conductual por parte de la población frente a los factores de riesgo; el manejo del medio mediante la limpieza, protección y eliminación de depósitos de agua; el control biológico mediante peces, copépodos o alternativas propuestas por la comunidad; y el control químico mediante la aplicación de larvicidas, reguladores de crecimiento de insectos y la aplicación espacial de insecticidas organofosforados (Ministerio de Salud y Protección Social de Colombia, 2013). Estas acciones orientan a intervenir las causas que producen la transmisión del dengue, un adecuado programa de prevención debe no solo estar enfocado a un control regular y sostenido teniendo en cuenta los factores de riesgo del entorno domiciliario, sino analizar adicionalmente los comportamientos a nivel geográfico de los brotes de dengue teniendo presentes las variables pueden ayudar a generar estrategias de manejo previas a las situaciones de emergencia.

Villavicencio es la ciudad capital del departamento del Meta, ocupa anualmente los primeros puestos en incidencia del virus en el país (Instituto Nacional de Salud, 2019), Padilla et al. en el 2012 reportan al Meta como el décimo departamento con mayor número de casos entre 1999 a 2010, catalogando la transmisión presentada como endemoepidémica con un cambio en el patrón de transmisión a hiperendémica en el presente siglo, destacando a la ciudad de Villavicencio como el foco de transmisión más importante del departamento. Se reporta que unas de las variables macrodeterminantes de la enfermedad son la ubicación geográfica y el clima (Padilla et al., 2012), que se ha observado que la influencia de la temperatura, pluviosidad y humedad relativa pueden aumentar la probabilidades de la proliferación de las poblaciones de Aedes aegypti (Cassab et al., 2011), por lo cual se resalta la necesidad de conocer y entender los patrones de distribución espacial del virus en diferentes meses a lo largo de tres años evaluando su

24

relación con variables climáticas debido a que el ciclo de transmisión está influenciado por factores de riesgo no solo sociales sino ambientales.

Se han realizado estudios en Villavicencio que reportan como el conocimiento sobre el dengue, conductas protectoras y actitudes de la comunidad que favorecen la presencia del vector son diferentes en los estratos bajos y altos, donde los estratos bajos están relacionados con comportamientos que favorecen la proliferación del vector, entre los cuales está incluido un ineficiente o no frecuente lavado de tanques de agua y el no reconocimiento de las basuras como elemento favorecedor de criadero para el vector (Aponte Garzón, 2006). En estudios realizados en la ciudad muestran que un alto porcentaje de la población no reconoce el ciclo de vida del vector y no son conscientes que la eliminación de los criaderos y destrucción de recipientes con agua puede ayudar con la prevención de la transmisión de la enfermedad, además de quienes conocen las medidas no las implementan por falta de interés o apatía (Jaramillo Ramírez y Álvarez, 2017).

2.4. El clima Las fases extremas de la variación climática inciden de maneras diversas en la sociedad al generar impactos socioeconómicos ambientales de gran magnitud. Una de las formas en que las variaciones del clima repercuten en la sociedad es a través de los efectos en la disponibilidad de agua que abastece a la población, en la salud y generación de desastres por eventos extremos asociados al déficit o exceso de agua (Pabón, 2006). La variabilidad climática influye en la incidencia de ciertas enfermedades como el dengue, debido a que afecta la dinámica poblacional de los vectores y el periodo de incubación extrínseca del virus (Uribe et al., 2012) Los periodos con exceso de precipitación propician la ocurrencia de desbordamientos, inundaciones y deslizamientos con consecuencias catastróficas para la población y las actividades que éstas realizan. De tal manera que el clima ha impactado a la población desde tiempos remotos y sigue ocurriendo en la actualidad (McMichael et al., 2012).

La salud a largo plazo depende de la estabilidad continua y la función de los sistemas ecológicos y físicos de la biosfera, con frecuencia reflejado en los sistemas de soporte vital. El sistema del clima mundial es una parte integral de este complejo de procesos de soporte de vida, uno de tantos sistemas naturales está viéndose presionados por el

25

incremento del peso de la población humana y las actividades económicas que se desarrollan (McMichael et al., 2012) El conocimiento del clima pasado, de las oscilaciones climáticas a diversa escala temporal, de los impactos que en cada época han tenido los fenómenos meteorológicos y el conocimiento del impacto de la variabilidad climática en la sociedad y el medio ambiente tienen un valor práctico como herramienta básica para diagnosticar la relación del clima-sociedad en el presente y poder prever lo que podría ocurrir en el futuro (Pabón, 2006). De ahí la importancia de conocer la variabilidad climática en una región y cómo afecta a su ecosistema natural y relaciones con la sociedad.

La NOAA o administración nacional oceánica y atmosférica por sus siglas en inglés (National Oceanic and Atmospheric Administration) es una agencia científica perteneciente al departamento de comercio de los Estados Unidos, se encarga de monitorear las condiciones de la atmosfera y los océanos. Esta entidad emite advertencia cuando existen condiciones meteorológicas peligrosas y guía sobre el uso y la protección de recursos oceánicos y costeros, permiten visualizar la variabilidad climática por medio de índices como el ONI. Índice del Niño oceánico (ONI) por sus siglas en inglés (Oceanic Niño Index) muestra las descripciones de los episodios del Niño y la Niña, conocido como la “El Niño-Oscilación del Sur” (El Niño-Southern Oscillation) (NOAA, 2017) En términos generales, el ONI se expresa como la anomalía de la temperatura de la superficie del Océano Pacífico con respecto al promedio en la región Niño 3.4, esta anomalía se calcula con los promedios móviles de tres meses. Se dice que se presenta un fenómeno del Niño cuando la diferencia es mayor a +0.5°C durante cinco meses o más, por el contrario, se declara un fenómeno de La Niña cuando la diferencia es menor a -0.5°C (Euscategui y Hurtado, 2011). Es el índice más usado para la medición de El Niño-oscilación del Sur por su incidencia sobre el clima a nivel global.

Durante el fenómeno de “la Niña”, la presión a nivel del mar tiende a ser más más alta en el Pacífico oriental y baja en el Pacífico occidental, ocurre lo contrario durante “El Niño”.

Estas variaciones en el campo de la presión atmosférica se llama Oscilación Sur; una medida estándar de dicha oscilación es la diferencia en la presión a nivel del mar entre Tahití (18° S, 150° W) y Darwin (12° S, 131° E). Tahití (NW de Australia) y Darwin (E del Pacífico). Dado que “El Niño” y la Oscilación Sur están relacionados, los dos términos

26

se combinan a menudo en una sola frase, “El Niño” Oscilación Sur, o ENSO, siguiendo la sigla en inglés (El Niño Southern Oscillation). La fase fría de ENSO, se utiliza a menudo para describir a “La Niña” y la fase caliente del ENSO para describir a “El Niño”.

Los fenómenos ENSO en sus fases fría (“La Niña”) y cálida (“El Niño”) son determinantes en los patrones climáticos en diversas áreas de la superficie de la tierra. El territorio colombiano es una de ellas como pudo demostrarse en la presencia de “La Niña” en el periodo 2010-2011 cuya repercusión en el clima del país fue bastante notoria, generando emergencias asociadas a inundaciones lentas, crecientes súbitas y deslizamientos de tierra. Algunas “Niñas” como la presentada en 2010-2011 inciden en déficits ligeros de precipitación en amplios sectores de la Orinoquía (especialmente del centro y sur), lo que normalmente provoca una disminución de los niveles de los ríos de la región (Euscategui y Hurtado, 2011), lo cual podría influir en los ciclos de vida de vectores de enfermedades como lo es el dengue.

Los episodios cálidos y fríos registrados por la NOAA expresados por el índice ONI se pueden observar en la Tabla 1, donde para fines históricos, los períodos de la Temperatura Superficial del Mar (TMS) por debajo y por encima de lo normal se colorean en azul y rojo cuando se alcanza el umbral durante un mínimo de 5 temporadas consecutivas superpuestas (NOAA, 2020).

Tabla 1 . Valores ONI a nivel mundial. Se muestran episodios cálidos (rojo) y fríos (azul basados en un umbral de +/- 0.5oC para el Índice de Niño Oceánico (ONI) [media móvil de 3 meses de anomalías de TSM ERSST.v5 en la región del Niño 3.4 (5oN-5oS , 120o-170oW)], con base en períodos base de 30 años actualizados cada 5 años (NOAA, 2020).

AÑO

DEF EFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDE

2010

1.5

1.3

0.9

0.4

-0.1

-0.6 -1.0 -1.4

-1.6

-1.7

-1.7

-1.6

2011

-1.4

-1.1

-0.8

-0.6

-0.5

-0.4 -0.5 -0.7

-0.9

-1.1

-1.1

-1.0

2012

-0.8

-0.6

-0.5

-0.4

-0.2

0.1

0.3

0.3

0.2

0.0

-0.2

2013

-0.4

-0.3

-0.2

-0.2

-0.3

-0.3 -0.4 -0.4

-0.3

-0.2

-0.2

-0.3

2014

-0.4

-0.4

-0.2

0.1

0.3

0.2

0.1

0.0

0.2

0.4

0.6

0.7

2015

0.6

0.6

0.6

0.8

1.0

1.2

1.5

1.8

2.1

2.4

2.5

2.6

2016

2.5

2.2

1.7

1.0

0.5

0.0

-0.3 -0.6

-0.7

-0.7

-0.7

-0.6

2017

-0.3

-0.1

0.1

0.3

0.4

0.4

0.2

-0.1

-0.4

-0.7

-0.9

-1.0

2018

-0.9

-0.8

-0.6

-0.4

-0.1

0.1

0.1

0.2

0.4

0.7

0.9

0.8

2019

0.8

0.8

0.8

0.7

0.6

0.5

0.3

0.1

0.1

0.3

0.5

0.5

0.3

27

Para establecer la afectación de fenómenos regionales como El Niño sobre la oferta hídrica local y en el caso de esta investigación sobre eventos epidemiológicos relacionados con las variables climáticas se debe realizar con especial cuidado, debido a que antes de realizar afirmaciones de relaciones directas se deben tener en cuenta bibliografía y estudios de teleconexiones.

Las teleconexiones son una asociación estadística entre variables climáticas separadas ampliamente en puntos del espacio geográfico. Es importante tener en cuenta investigaciones donde se determine el grado de asociación entre los distintos índices que monitorean las oscilaciones en el clima a nivel global y las series hidrológicas de Colombia y sus regiones por medio de un análisis de teleconexiones(Velasco, 2016). De esta forma evaluar el uso de los índices de monitoreo del clima en investigaciones como esta.

En estudios hecho en pises de la zona tropical y en Colombia se ha evidenciado que además de las características sociales, culturales y económicas de la población (Ayllón et al., 2018; Carbajo et al., 2006), la variabilidad climática juega un papel importante en la

transmisión del dengue, en particular la ocurrencia de fenómenos climáticos como El Niño, debido a que afectan las condiciones climáticas regionales e influyen en la incidencia de la enfermedad (Uribe et al., 2012).

El clima y las enfermedades transmitidas por vectores La salud humana no se puede considerar como un evento aislado, pues ésta depende enormemente de la calidad del ambiente en el que las personas viven, para que la gente se encuentre sana necesita de un ambiente sano. En países como Canadá se ha creado el programa de Ecosalud que expone el enfoque ecosistémico de la salud humana, de tal manera que no lo analiza como un ítem aislado sino como una parte interactuante del ecosistema, de esta manera permite tomar decisiones en colaboración con las comunidades para no solo formular políticas de salud sino también ambientales (Lebel, 2005) La ecoepidemiología o epidemiología panorámica considera que los cambios o interacciones del medio ambiente tienen una fuerte influencia sobre diversas enfermedades, debido a que muchos factores ambientales condicionan muchas

28

enfermedades humanas, en especial las transmitidas por vectores. Es de gran importancia comprender cuáles son los factores del medio ambiente que significan un riesgo para la salud del ser humano. Tener una visión del entorno o el paisaje que rodea al individuo que se enferma o puede enfermarse es lo que se conoce como ecoepidemiología (Rodríguez-Morales, 2005).

Los componentes y factores a estudiar de un entorno pueden ser diversos, debido a que por lo general muchos de los orígenes de alguna enfermedad son multifactoriales, como la vegetación, la fauna, la hidrografía, el suelo, los elementos climáticos o meteorológicos, entre otros (Rodríguez-Morales, 2005). Uno de los factores a estudiar en enfermedades transmitidas por vectores son las variables climáticas y esto lo demuestran diversos estudios que han analizado la variabilidad climática y enfermedades transmitidas por vectores como la malaria (Alfonso et al., 2004; Delgado et al., 2004; Sifontes, 2009) y el dengue (Aiken et al., 1980; Cassab et al., 2011; Meza-Ballesta y Gónima, 2014; Padmanabha et al., 2012b; Uribe et al., 2012).

Existen estudios en otros países que corroboran la relación del clima y la incidencia del dengue, se demuestra que as condiciones climáticas de un lugar condicionan la transmisión del dengue (Lemus, 2009), de manera que puede ser posible la predicción de los acontecimientos epidémicos (Palú et al., 2017).

También se ha investigado la posibilidad de predecir la enfermedad en diferentes escenarios, en Costa Rica un estudio que incluye las variaciones de temperatura de la superficie del mar relacionadas con El Niño Oscilación del Sur, fue capaz de predecir los brotes de dengue cuarenta semanas antes de que se produjeran los brotes (Fuller et al., 2009). Otros estudios corroboran esta relación entre los reportes del dengue e índices globales de oscilaciones climáticas como SOI (Hales et al., 1996). Incluso se han llegado a realizar estudios donde proyectan la distribución del dengue usando escenarios de cambio climático (Jing-chun y Qi-yong, 2019).

Periodos con falta de precipitación generan sequías, así como periodos con altas precipitaciones generan inundaciones, los dos extremos tienen sus correspondientes impactos en la ganadería, la agricultura, en el abastecimiento para la población (Pabón, 2006) y comportamientos de las comunidades, y estas fluctuaciones tienen efectos visibles en la transmisión de enfermedades transmitidas por vectores. El clima genera recurrentemente condiciones que favorecen el desarrollo de enfermedades como el

29

dengue y la malaria tanto en Colombia (McMichael et al., 2012) como en otros países (Jácome et al., 2019; Wibawa et al., 2019).

Cobran importancia las variaciones en presencia de fenómeno del Niño o Niña en Colombia debido a que los vectores son sensibles a la variación de la temperatura y de las lluvias. Se han observado asociaciones entre el aumento sostenido de la temperatura y el aumento de casos de dengue en los años 1998, 2002 y 2010. En algunas regiones, las lluvias contribuyen al incremento de los potenciales criaderos, sobre todo en municipios con problemas de saneamiento peri domiciliario y acumulación de residuos sólidos (Padilla et al., 2012). Lo que refuerza la intención de realizar el análisis de variables climáticas en periodos de tiempo de más de un año, donde se pueda observar las dinámicas climáticas y su relación con la presencia de los brotes de dengue.

En Cuba se han desarrollado modelos bioclimáticos como herramienta predictora para la vigilancia entomológica, usando diferentes variable climáticas una simulación de las dinámicas de las poblaciones de los mosquitos logra una predicción de los comportamientos de los índices del vector (Guzmán et al., 2004). Los estudios sugieren la existencia de variables claves que pueden interactuar con el comportamiento humano y estar directamente vinculadas con la presencia del vector, por tanto del riesgo de adquirir la enfermedad, además de la temperatura y la precipitación, la estructura de los contenedores de agua presentes en las viviendas, el entorno, la ubicación, la demografía humana y el servicio de agua están relacionados con la presencia del vector (Padmanabha et al., 2010). Incluso existen estudios que reportan relaciones negativas con factores como la velocidad el viento y la incidencia del dengue (Mala y Mahesh, 2019).

Estudios de laboratorio han demostrado que el desarrollo de diferentes estadíos del vector es dependiente de la temperatura (Instituto Nacional de Salud y Padmanabha, 2010c), el desarrollo morfológico de los individuos depende de esta variable afectando la capacidad del vector de adaptarse en entornos con condiciones limitantes de alimento, lo que termina repercutiendo en la tasa de producción de vectores del dengue (Padmanabha et al., 2011) otros estudios corroboran como temperatura puede ejercer una considerable influencia en la capacidad vectorial, ya que impacta en la dinámica de la población del mosquito, la cinética del ciclo biológico, la respuesta inmunológica frente al virus del dengue, entre otros aspectos (Márquez Benítez et al., 2019). Los programas de control de vectores deben tener en cuenta la variación en la temperatura y el comportamiento del uso del agua

30

al diseñar determinadas intervenciones (Instituto Nacional de Salud y Padmanabha, 2010a; Padmanabha et al., 2010).

En Colombia estudios demuestran que la influencia de la pluviosidad (Rúa-Uribe et al., 2013), temperatura, y humedad relativa pueden aumentar las probabilidades de la proliferación de las poblaciones de Aedes aegypti, los comportamientos humanos y la presencia del vector están acoplados de manera dependiente de variables climáticas, entre estos la temperatura, donde dependiendo de los ciclos climáticos las poblaciones humanas tienen hábitos del uso del agua distintos. En el estudio realizado en Montería, se muestra una relación positiva entre los casos de dengue y la pluviosidad y humedad relativa, así mismo una relación negativa con la temperatura, no hubo relación entre los casos y el fenómeno del Niño o Niña. Este estudio corrobora que las asociaciones en conjunto de la temperatura, humedad relativa y la precipitación en la transmisión del dengue en Montería son fuertes y consistentes (Cassab et al., 2011). Mientras que otro estudio realizado en el mismo departamento pero con un área de estudio mayor (todo el departamento) muestra que el incremento de los casos de dengue se relaciona directamente con el aumento de la temperatura del aire, la disminución de la precipitación y el deterioro de la cobertura vegetal de la zona estudiada (Meza-Ballesta y Gónima, 2014), por lo cual muestra que, dependiendo del área de estudio, si esta es más o menos detallada se puede observar una relación diferente entre los casos de dengue y las variables climáticas. Estos estudios demuestran que las variables climatológicas influyen en la ocurrencia de la enfermedad, especialmente cuando la situación económica de la población es precaria (Meza-Ballesta y Gónima, 2014).

Esta información se puede afirmar en otros estudios, donde afirman que las variables climáticas tienen influencia en la proliferación del vector que transmite la enfermedad, sin embargo, también se afirma que la mayor influencia proviene de variables socioambientales que crea el hombre, en especial aquellas que implican la acumulación de agua (Souza et al., 2007) Teniendo en cuenta que las variables climáticas influyen en el aumento de casos de dengue, los cambios climáticos por fenómenos como el Niño o Niña también tienen efecto. En otras enfermedades transmitidas por vectores como la Malaria se ha encontrado una relación entre el fenómeno de La Niña y el incremento de los casos de malaria, demostrando que los cambios en los patrones climáticos impactan en la biología y

31

ecología del vector (Delgado et al., 2004). Esto se refleja en mayor número de ingresos hospitalarios por malaria, siendo mayor durante eventos de La Niña y bajos en El Niño (Alfonso et al., 2004). En estudios en Colombia Uribe et al. en 2012, observan que en años posteriores a la ocurrencia del evento El Niño aumenta la incidencia de la enfermedad en la ciudad de Medellín, se halló que dicha incidencia se asocia significativamente con la temperatura superficial del mar en la región 3.4 con un rezago de 3 a 6 meses.

32

3. METODOLOGÍA La presente sección está dividida en 3 subsecciones. En la primera se abordará una caracterización del área de estudio en sus aspectos geográficos y climáticos.

Seguidamente se presentará el enfoque metodológico iniciando por el flujograma de los procesos seguidos por los métodos utilizados en esta investigación para el logro de los objetivos, estos se encuentran subdivididos en subsecciones que comprende cómo se analizó la información del dengue, seguido por la información climática y por último el análisis de correlación.

3.1. Área de estudio

Figura 1. Mapa de área de estudio

Villavicencio es la capital del departamento del Meta en Colombia, la ciudad más importante a nivel comercial de los llanos orientales, está ubicada en el piedemonte de la cordillera oriental al noroccidente del departamento, en la margen derecha del rio Guaitiquia (Ver Figura 1). Cuenta con una población de 451,212 habitantes para el 2018 (DANE, 2019). Topográficamente el municipio posee una zona montañosa al oriente y nororiente correspondiente al piedemonte de la cordillera oriental, bordeada por el río Guaitiquia; en la parte central corresponde a planicie donde cruzan el río Negro y Ocoa;

33

al nororiente se encuentra el Parque nacional natural Chingaza limitando con el rio Guayuriba. El perímetro urbano tiene aproximadamente 5,770 hectáreas y está ubicado en el occidente del municipio colindando con el piedemonte.

La ciudad de Villavicencio se encuentra a 426 metros sobre el nivel del mar, la mayoría de los meses están marcados por lluvias significativas y la estación seca tiene poco impacto. Se caracteriza por tener una temporada seca desde diciembre a marzo y una temporada lluviosa el resto del año. La temperatura promedio es de 25.5°C y la precipitación promedio es de 3856mm al año (Climate-Data, 2019). Las precipitaciones son más marcadas en la cordillera y el piedemonte, este incluye una mayor parte de la zona urbana de Villavicencio, en las cabeceras de las subcuencas hidrográficas del rio Guaitiquía y Guayuriba se presenta un núcleo de precipitaciones máximas de 600 mm anuales, mientras que en la llanura la precipitación varía de 2900 a 4000mm presentando menores cantidades de lluvia hacia el este del municipio (Alcaldia de Villavicencio, 2015).

La temperatura depende de la altura, registrando temperaturas desde los 27°C promedio anual hasta los 6°C en la cordillera. La humedad relativa promedio es del 80% disminuyendo en los meses donde la temperatura aumenta (Enero a marzo) hasta un 66% (Alcaldia de Villavicencio, 2015). Las temperaturas son más altas en los meses de enero y febrero y las más bajas en junio. La variación en precipitación entre los meses más secos y más húmedos es de 478mm y la variación de las temperaturas durante todo el año es de 2.1°C (Climate-Data, 2019).

En cuanto a la precipitación se puede observar en la Figura 2 que en Villavicencio se presenta un periodo de bajas precipitaciones desde el mes de diciembre hasta marzo, y presenta un patrón estacional con un valor máximo en el mes de abril, donde por lo general los meses más lluviosos son abril, mayo, junio y julio (ver Tabla 11), en algunos años se presenta un pico de lluvias no tan fuerte como el primero en los meses de octubre y noviembre. Por otro lado, las temperaturas son más altas en febrero (25°C) y las temperaturas medias más bajas se producen en el mes de julio (23°C). La humedad relativa es menor en los meces de diciembre a marzo (61-74%) y mayor de abril a noviembre (77-79%) (Climate-Data, 2019).

34

Figura 2. Climograma para Villavicencio.

Tomado de Climate-Data (2019)

El municipio de Villavicencio se constituye por suelo urbano y rural, el suelo urbano cuenta con un área continua urbanizada de 2861 hectáreas, el territorio se ha venido transformando de acuerdo al crecimiento de la población de tal forma que hoy existen conjuntos cerrados y proyectos de vivienda que no hacen parte de la planeación del territorio (Alcaldia de Villavicencio, 2015).

35

Figura 3. División administrativa por comunas para la ciudad de Villavicencio La división administrativa de la ciudad se conforma por comunas (Ver Figura 3). El área urbana de Villavicencio se encuentra dividida en 8 comunas conformadas por un número determinado de barrios de la siguiente manera: La comuna 1 comprende los barrios Nueva Granada, Rondinela, Galán, Chapinerito alto y bajo, Los cerezos, La campiña, Catalana, El poblado, Doce de Octubre, Santa Josefa, El Recuerdo, Manaure, Panorama, El triunfo, Caudal, El prado, Virrey, La Grama, El Rosal, Emporio y La Victoria.

La comuna 2 está integrada por los barrios Nueva Andalucía, Centro, la Salle, las Colinas, Azotea, San Fernando, Barzal Alto y Bajo, Maizaro, Villaflores, Siete de Agosto, Buque, Trapiche, Villa María, Villacentro, Camoa, Balatá, Los Pinos, Bonanza, Villa Codem, San José, Balcones de Toledo, Sansoucí.

La comuna 3 está conformada por los barrios Brisas del Guatiquía, Las Delicias, Villa Julia, San isidro, Santa Inés, El Porvenir, San Gregorio, Gaitán, Veinte de Julio, Las Ferias, Antonio Ricaute, Industrial, La Vainilla, Santander y La Lambada.

Los barrios Villa Suárez, El Paraíso, Florencia, la Ceiba, Jordán, Santa Helena, El Bambú, Madrigal, La Bastilla, Seis de Abril, Santa Martha, Antonio Villavicencio, Morichal, San

36

Luis, El Recreo, La Desmotadora, Prados De Ciberia, Cedritos, Covisán, Calamar, El Cedral y Villa Fabiola son los que conforman la comuna 4 de Villavicencio, una de las más grandes que tiene la ciudad.

Los barrios Popular, Dos Mil, Olímpico, Villa Ortíz, Camelias, Cataluña, Bello Horizonte, Nueva Floresta, Estero, Bochica, Macunaima, Ariguaní, Vizcaya, Hacaritama, Villa Melida, Ciudadela San Antonio, Aguas Claras, Danubio, Doña Luz, Remanso, Menegua y Buenos Aires, integran la comuna 5.

En la comuna 6 está integrada por los barrios Pastrana, Caney, Simón Bolívar, Macarena, Retiro, Amaral, Canaima, Nuevo Maizaro, Catatumbo, Nogal, San Benito, Guatiquía, Florida, Canta Rana, Nuevo Ricaute, San Francisco, Brisas del Caney y Sausalito.

La comuna 7 de la ciudad de Villavicencio está conformada por los barrios Esperanza, Paraíso, cooperativo, Jardín, Cambulos, La Serranía, La Vega, Comuneros, La Alborada, Villa Bolívar, Rosa Blanca, Vila Humberto, Palmar, Los Centauros, La Rosita, Villa Claudia y Sesquicentenario.

Por último, la comuna 8, una de las más grandes de la ciudad y que está comprendida por los barrios Ariguanery, Porfia, Las Américas, Playa Rica, Catumare, Guatape, Alamos Santa Rosa, Montecarlo, La Rochela, Villa Carola, Villa Lorena, El Refugio, Guaicáramo y San Jorge.

En la ciudad de Villavicencio de realizan campañas de prevención y control por medio del Programa de Prevención y Control de Dengue del municipio, donde se desarrollan fumigaciones e intensas actividades educativas (Aponte Garzón, 2006), sin embargo las tasas de dengue continúan en ascenso en el municipio, al igual que en el resto del país (Instituto Nacional de Salud, 2019).

37

3.2. Flujograma de metodología A través de este flujograma se pueden observar los métodos posteriormente descritos mediante los cuales se presentarán los resultados de la investigación.

Figura 4. Flujograma metodológico

38

Se puede observar en el flujograma como se analizaron los datos, se trata inicialmente por separado la información correspondiente a los casos de dengue y la información climática. Por un lado, los datos de dengue son utilizados principalmente para realizar un análisis espacial generando mapas de riesgo anuales y trimestrales. Por otro lado, la información climática que incluye datos de precipitación, humedad relativa y temperatura se utilizan para generar mapas trimestrales y visualizar cómo se comportan las variables a lo largo del área de estudio en diferentes momentos en el año. Posteriormente, se utiliza la información anterior para evaluar si existe correlación entre las variables climáticas y los brotes de dengue en la ciudad de Villavicencio.

3.3. Métodos 3.3.1. Información de Dengue Los datos correspondientes a los casos de Dengue en los años de estudio se gestionaron con la unidad de enfermedades transmitida por vectores (ETV) de la Secretaría de salud del Meta, los cuales se administran desde el Sistema de Vigilancia Epidemiológica SIVIGILA del Instituto Nacional de Salud (INS), se suministraron los datos que se registraron ante esta entidad entre los años desde el 2010 al 2019.

El instituto de salud maneja protocolos estrictos de seguimiento de la enfermedad donde se realiza un reporte estructurado del dengue consignando la información en un formato de diligenciamiento (ver Anexo 6), en todos los casos se reporta dirección dónde se encuentra la persona afectada por la enfermedad, pero esta información no garantiza que es el lugar en donde se realizó la picadura del vector.

La información colectada en las encuestas realizadas no es suficiente para precisar la localización del vector debido a que, en condiciones óptimas de ovipostura

y

disponibilidad de alimento, la dispersión media de un mosquito hembra de Aedes aegypti, se estima entre 50 y a 100 metros, lo que limita sus visitas a 2 o 3 casas durante toda su vida (Ministerio de Salud y Protección Social de Colombia, 2013). En la mayoría de los casos se reporta dónde está el enfermo, pero no si en dicho lugar fue objeto de la picadura del vector, la enfermedad puede ser transmitida por el vector en un sitio o ciudad específica y la persona pudo haberse movido de éste hacia su dirección de residencia o incluso trasladado de ciudad. Para controlar en alguna medida esta variación en la ficha de diligenciamiento se tiene en cuenta si el enfermo se desplazó en los últimos 15 días y

39

el municipio de dónde se desplazó, se tiene en cuenta que la ocurrencia o procedencia corresponde al lugar geográfico donde posiblemente el paciente adquirió o al cual se atribuye la exposición al agente o factor de riesgo que ocasiono el evento, en los eventos transmisibles se consideraran los tiempos de incubación de la enfermedad (Instituto Nacional de Salud, 2017a). De tal manera que se incluyen en la investigación solo aquellos casos que se encuentren registrados con municipio de procedencia Villavicencio.

Teniendo en cuenta que la ocurrencia o procedencia corresponde al lugar geográfico donde posiblemente el paciente adquirió o al cual se atribuye la exposición al agente o factor de riesgo que ocasiono el evento, en los eventos transmisibles se consideran los tiempos de incubación de la enfermedad (Instituto Nacional de Salud, 2017a).

El proceso empezó con la visualización de los datos, cómo estaban tabulados por medio de las hojas de Excel almacenadas en el SIVIGILA, qué campos eran de interés y que posibles errores podrían contener par tenerlos en cuenta en la investigación. A pesar de que en el formato de diligenciamiento y en la tabla de tabulación se incluyen varios datos del caso (ver Anexo 6), se decide que los campos a tener en cuenta para esta investigación serán “Fecha de inicio de síntomas”, “Año” y “Dirección de residencia”, se extrajeron estos campos de cada hoja de cálculo y se compilaron los datos para 10 años.

Posteriormente, se realizó exploración de los datos a nivel descriptivo y estadístico de los datos para una ventana temporal grande (2010-2019) por medio de Excel y el software SPSS. Para los años de estudio (2017-2019) se procedió con la geocodificación de las direcciones en las cuales se presentan los casos, a través de este proceso se asignaron coordenadas geográficas a los puntos del mapa ubicando en el espacio cada caso. Para esto el primer procedimiento realizado fue homogenizar la presentación de las direcciones debido a que presentaban muchas formas de expresar una misma calle o carrera, de esta manera la geocodificación sería mucho más acertada. Las API que ofrecen servicios de geocodificación son ESRI, Geocoding API, Nominati, Google Maps o Mapzen Search.

Por medio de ArcGis Pro se geocodificaron los casos de dengue anuales y trimestrales.

A través de la geocodificación se transforma una descripción de la ubicación (coordenadas, dirección o nombre de un lugar) en una ubicación en la superficie de la tierra, este proceso se puede realizar introduciendo una descripción de ubicación a la vez o en el caso de esta investigación proporcionando muchas de estas al mismo tiempo en

40

una tabla. Las direcciones de cada enfermo de dengue se transformaron en entidades geográficas con atributos que se podrán utilizar para la representación cartográfica y posteriormente para el análisis espacial. En esta investigación se utilizó la geocodificación para evaluar si existe algún patrón dentro de la información (Esri, 2016).

Fue muy importante tener un buen mapa de referencia donde se tuviera suficientes detalles del área para poder localizar la ubicación que se busca de manera exacta, Arcgis Pro utilizó como proveedor “ArcGIS world Geocoding service”. El localizador de direcciones fue el componente principal en el proceso de geocodificación, se creó en base a un estilo específico de direcciones. El localizador de direcciones contenía las propiedades y parámetros de geocodificación, también contenía reglas de concordancia y análisis de direcciones para dirigir el motor de geocodificación para realizar la concordancia y estandarización de direcciones.

El proceso de la geocodificación se compone por la introducción de la dirección original, (2) análisis de la dirección, (3) Creación de varias representaciones de la dirección, (4) búsqueda del localizador de direcciones, (5) Establecimiento de la puntuación de cada concordancia potencial, (6) filtración de candidatos, (7) geocodificación con el mejor candidato (Esri, 2016).

Para realizar los mapas de distribución espacial de dengue se realizaron mapas de riesgo basándose en el modelo de Kernel tanto para cada trimestre como para cada año, el mapa de riesgo consiste en un modelo que permite estudiar el riesgo de la enfermedad por medio de un modelo de densidad, asumiendo que la distribución de la enfermedad es la del vector debido a que se poseen los datos de la vivienda de los contagiados y no incluyen análisis de datos entomológicos. La densidad Kernel calcula la densidad de las entidades de punto de alrededor de cada celda ráster de salida. Se ajusta una superficie curva uniforme sobre cada punto, el valor de la superficie es más alto en la ubicación de cada punto y disminuye con la distancia desde el punto. La densidad de kernel para puntos se determina por medio de la siguiente formula de densidad: 𝑛

2

1 3 𝑑𝑖𝑠𝑡𝑖 2 ) ) ] 𝐷𝑒𝑛𝑠𝑖𝑑𝑎𝑑 = ∑ [ . 𝑝𝑟𝑜𝑝 𝑖 ((1 − (𝑟𝑎𝑑𝑖𝑜)2 𝜋 𝑟𝑎𝑑𝑖𝑜 𝑖=1

Donde 𝑑𝑖𝑠𝑡𝑖 < 𝑟𝑎𝑑𝑖𝑜 (Esri, 2019)

41

Donde 𝑑𝑖𝑠𝑡𝑖 es la distancia entre el punto i y la ubicación (x,y), 𝑝𝑟𝑜𝑝𝑖 es el valor del campo de población del punto i, que es un parámetro opcional, i= 1, …., n son los puntos de entrada.

La densidad calculada se multiplica por el número de puntos o la suma del campo de población. Esta fórmula utiliza una función Kernel cuartica descrita por Silverman en 1986. La fórmula se calcula para cada ubicación donde se estima la densidad. Debido a que el resultado es un raster se estima la densidad por cada celda en el raster de salida (Esri, 2019).

Posteriormente se realizó una reclasificación para darle un valor de riesgo a cada intervalo de densidad calculada por los modelos de Kernel, dándole un criterio de riesgo Muy alto, Alto, Medio, Bajo y Muy bajo. Los mapas de riesgo son una herramienta necesaria para llevar a cabo actividades de localizar, controlar, dar seguimiento y representar los agentes generadores de riego que ocasionan en este caso una enfermedad.

La evaluación del riesgo a escala del municipio es utilizada como herramienta para caracterizar su situación, poder comparar con otras ciudades y llevar a cabo las acciones preventivas en momentos previos a los periodos de mayor prevalencia de la enfermedad, y de control en el momento que se presenta el brote (Rotela et al., 2014). Se decidió realizar los mapas de riesgo como herramienta de análisis debido a la importancia de éstos en el análisis de los patrones espaciales de los datos de las enfermedades, teniendo en cuenta que el uso de estos mapas ha sido de gran utilidad en investigaciones de otras enfermedades transmitidas por vectores como la tripanosomiasis y malaria, lo cual se resume en poder determinar que zonas de la ciudad presentan riesgos específicos frente a la enfermedad (Aránguez Ruiz et al., 2013) Estos mapas de riesgo se utilizarán con el fin de observar la variación espacial del fenómeno con respecto a un punto de ocurrencia del evento es por esto que para la geocodificación se utiliza la dirección de residencia en la que se encuentra el caso de dengue. Cumpliendo con el principio de autocorrelación que indica “todas las cosas están relacionadas entre sí, pero las cosas más próximas en el espacio tienen una relación mayor que las distantes” (Tobler, 1970) se utilizaron estos modelos de riesgo posteriormente para el análisis de correlación con las variables climáticas. Los mapas de riesgo se generan con la extensión en la cual se distribuyen los casos de cada año trimestre u año, para tener uniformidad en la presentación de la información se definió una misma extensión en todos

42

los mapas, se asume que en la porción faltante de la comuna cortada tiene el mismo riesgo que muestra la porción analizada.

3.3.2. Información climática Las variables climáticas que son tenidas incluidas esta investigación se toman de datos tomados por entidades nacionales, en el caso de Colombia, el Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM) es quien se encarga del apoyo técnico y científico al sistema nacional ambiental, genera conocimiento, produce información confiable sobe el estado y las dinámicas de los recursos naturales, entre estas están las variables comúnmente utilizadas en estudios que evalúan la relación entre variables climáticas y el dengue. Entre estas están la precipitación, la cual es medida con un pluviómetro, un dispositivo que cuenta con una probeta graduada, o con el pluviógrafo, que tiene una banda registradora, por otro lado, la humedad relativa se realiza con un psicrómetro y el higrógrafo que generan valores de 0 a 100% y por último la temperatura medida por un termómetro de mínima y máxima (IDEAM, 2018) Para la información climática también se empezó con una exploración de los datos a nivel descriptivo y estadístico por de los datos para una ventana temporal grande de diez años (2010-2019) medio de Excel y el software SPSS. Para esto primero se observó con ayuda de la interpolación descrita más delante de las variables de precipitación si existían estaciones con datos extremos (con alta precipitación o muy baja) que podrían estar afectando los datos y no estar representando la variabilidad real de las condiciones climáticas que ocurren en el casco urbano, el área de interés por presentar las condiciones que favorecen al vector, debido que la especie Aedes aegypti y por tanto la enfermedad tiene una distribución preferentemente urbana (Instituto Nacional de Salud, 2017b). Estas estaciones se eliminaron del análisis y solo se tuvieron en cuenta aquellas que podrían representar la precipitación, humedad relativa y temperatura real del área de estudio.

Para la espacialización de los datos climáticos se realizó un buffer de 5 km a la ciudad de Villavicencio teniendo en cuenta tanto la zona rural como urbana y teniendo en cuenta las estaciones activas, para el periodo 2017-2019 se encuentran 25 estaciones activas. Se obtuvo por parte de un profesional en el área de la hidrología los datos históricos diarios (1970-2017) de precipitación, temperatura media del aire a 2 metros del suelo y humedad relativa media diaria a 2 metros del aire, datos procedentes del Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM).

43

Los datos de precipitación se obtuvieron para los años 2018 y 2019 por medio de la plataforma de Dhime del IDEAM, sin embargo, para las variables correspondientes a temperatura y humedad relativa la información difería entre las fuentes por lo cual no se tuvieron en cuenta para los análisis de regresión pero si se obtuvo información correspondiente a temperatura para los análisis de correlación como se muestra más adelante.

Para el tratamiento de los datos climáticos de precipitación se definió con que datos se iba a trabajar, es importante realizar la selección de qué años se iban a incluir en el estudio para poder obtener una mayor probabilidad de que las variables climáticas expliquen la distribución del Dengue.

Para saber que estaciones se iban a mantener, se vio porcentaje de datos faltantes, se consideró como un porcentaje aceptable las estaciones con menos del 30 % de datos faltantes, Se seleccionó el método de proporciones para la estimación estos datos, lo más adecuado fue empezar desde datos diarios para poder estimar los datos faltantes y los datos trimestrales fueran más acertados. Se espacializaron los datos realizando un proceso de interpolación.

La interpolación es un método que predice valores para celdas de un raster a partir de una cantidad limitada de los datos de muestra (Esri, 2015b), en el caso de esta investigación las estaciones meteorológicas del IDEAM. Se utiliza para prever valores desconocidos de cualquier dato de un punto geográfico. Los supuestos de la interpolación es que los objetos distribuidos espacialmente están correlacionados espacialmente, por ejemplo, la precipitación de una estación puede prever con un alto nivel de confianza con áreas cercanas a ésta, tendría menos certeza si llueve en toda el área de estudio y menos aún acerca de zonas rurales o de municipios cercanos. Teniendo en cuesta esto los valores de los puntos más cercanos a los puntos de muestra tienen más posibilidades de ser similares de los que están más alejados, esta es la base de la interpolación Existen varios métodos de interpolación, algunos de ellos son muy flexibles y pueden reflejar varios aspectos de los datos de muestra, mientras que otros son más restrictivos y requieren que los datos se ajusten a determinadas condiciones. Cada método tiene su propio conjunto de parámetros, que permite personalizarlos para un grupo de datos concretos (Esri, 2015b) y para los requisitos de salida que se deseen generar. Los métodos de se clasifican por medio de árboles de clasificación (Esri, 2015a), una decisión muy

44

importante para escoger el método de interpolación son los objetivos a desarrollar. Se escogió el método de interpolación IDW por ser el método más utilizado para generar aproximaciones a superficies climáticas continuas en Colombia (IDEAM, 2005) además de ser un método que se acopla a los requerimientos de la investigación como tener pocos supuestos, tener como resultado la predicción de la precipitación sin tener en cuenta el error de predicción o la probabilidad, así como ser un método que tenga implícito medidas o modelo espacial de autocorrelación y por último es necesario un método que genere una predicción por locación (Esri, 2015a).

Para la estimación de datos faltantes se utiliza el método de las proporciones, éste se utiliza debido a que se usa como referencia la misma estación para el relleno de datos faltantes de sí misma. Cuando se desconoce la lluvia de un mes cualquiera se establece la razón de proporcionalidad entre la lluvia mensual y anual de la siguiente manera: 𝑋 𝑃𝑓 = 𝑋 (𝑃𝑎 − 𝑋) Donde: X= Lluvia del mes faltante X= Lluvia promedio del mes faltante Pf= Total anual (del mes faltante) Pa= Total anual promedio

La proporcionalidad se establece entre la lluvia mensual y su promedio y la lluvia anual pf de 11 meses y su promedio PA, disminuyendo también en un mes que corresponde al valor medio del mes faltante. Las ventajas de este método de estimación de datos es que utiliza su misma estación y no le añade tendencia proveniente de otra estación como otros métodos.

Posterior a la estimación de datos faltantes se caracterizó el comportamiento de precipitación para el periodo de tiempo 2017-2019 mediante la interpolación de los datos trimestrales visualizando el comportamiento a lo largo del año. Esta interpolación se realizó a partir de la información capturada por las estaciones meteorológicas escogidas previamente y luego de la estimación de datos faltantes. Al obtener los raster de la precipitación trimestral se observa si existen estaciones con datos extremos (con alta

45

precipitación o muy baja como se mencionó anteriormente, por lo cual se realiza un corte de todos los rasters con la extensión de los límites de las comunas (ver Figura 3).

Debido a la no accesibilidad a las variables de temperatura y humedad relativa, se recurre a los datos obtenidos y modelados por WorldClim a nivel mensual para la variable de temperatura (máxima y mínima). Se generan los raster trimestrales para cada variable, realizando la sumatoria de los tres meses para la precipitación acumulada y el promedio para la temperatura máxima o mínima. Para la simbología de los raster de estas variables climáticas se determinó el valor mínimo y máximo para todos los trimestres y se generaron intervalos iguales.

3.3.3. Análisis de correlación Posteriormente se evaluó la correlación de las variables con la presencia de los casos trimestralmente para el año 2018 a través de una regresión de mínimos cuadrados ordinarios o OLS por sus siglas en inglés (Ordinary least squares).

El análisis de regresión permite entender que factores contribuyen a un fenómeno y determinan la medida en que cada factor contribuye a ese fenómeno. Para realizar esta regresión se realizó el siguiente procedimiento (1) se identificaron que se deseaba analizar, intentando resolver la pregunta ¿Las variables climáticas pueden explicar la variabilidad de los casos del dengue en Villavicencio?; (2) se identificaron las variables explicativas potenciales, en este caso precipitación y temperatura; (3) se corrió el análisis de regresión por medio de mínimos cuadrados ordinarios (OLS); (6) se evalúan los seis chequeos estadísticos; por último se testea el impacto geográfico que tienen estas variables.

Para realizar el proceso de regresión se hizo una preparación de los datos para que sirvieran como insumos, el modelo OLS realizado en ArcGIS pro requiere que todos los datos se encuentren en una misma capa. Para los datos de dengue se realizó un proceso de resumir dentro (Summarize within) en el cual se asignó a los polígonos el número de casos presentes para cada trimestre. Para los datos climáticos, luego de que ya se tenían los raster para cada trimestre de precipitación acumulada y temperatura promedio se realizaba una estadística zonal, donde se asignó el valor promedio del raster a cada polígono por cada variable. Luego que ya se obtienen todos los datos en una misma capa se procede a realizar la regresión.

46

La regresión OLS es el punto de inicio del análisis de regresión, OLS es un modelo de regresión que asigna una ecuación a todas las variables que se está queriendo predecir o analizar. La regresión OLS ayudará a encontrar el mejor set de variables explicativas para la variable dependiente.

Los seis chequeos estadísticos para la prueba OLS que se realizaron fueron los siguientes: 1. ¿Las variables explicativas están aportando al modelo?

El modelo OLS calcula un coeficiente para cada variable, si este se encuentra con asterisco cerca a cada coeficiente, la variable es estadísticamente significativa para el modelo 2. ¿Son las relaciones esperadas?

A cada coeficiente se le asigna un signo para indicar el tipo de relación de cada variable explicativa con la variable dependiente. Signos positivos indican que cuando la variable dependiente aumenta, aumenta la variable explicativa. Signos inesperados indican que hay algún problema con el modelo.

3. ¿Alguna de las variables explicativas es redundante?

En este punto se asegura que ninguna de las variables explica aspectos similares de la variable dependiente. Cuando una o más variables son redundantes se llama multicolinealidad, esto conduce a un sesgo de recuento excesivo y un modelo poco fiable. La mejor práctica es eliminar una de las variables con un valor VIF superior a 7,5 y volver a ejecutar el OLS. 4. ¿Está el modelo sesgado?

Un modelo sesgado es aquel que predice bien una parte del área de estudio, pero no tan bien en otra. Si el valor de Jarque-Bera es estadísticamente significativo, con un asterisco al lado del valor p, entonces el modelo está sesgado y no se puede confiar en las predicciones de éste.

5. ¿Están todas las variables explicativas incluidas en el modelo?

Después de ejecutar el modelo OLS en algunos se observará una advertencia que indica que la auto correlación espacial es necesaria. Si la autocorrelación espacial es estadísticamente significativa (hay agrupación de residuos) es un síntoma de especificación incorrecta, esto quiere decir que faltan variables explicativas clave.

6. Por último, se observó ¿Qué tan bien está el modelo explicando la variable dependiente?

47

El último chequeo que se debe consiste en el rendimiento del modelo. El valor de R2 ajustado describe que parte de la variable dependiente se explica por las variables explicativas (expresado como porcentaje), los mejores modelos incluyen número más altos. El criterio de Akaike (AIC) es otra medida del rendimiento, este es solo comparable para modelos que analizan la misma variable dependiente.

48

4. RESULTADOS En esta sección se describen los resultados obtenidos en la investigación, estos se dividen en tres apartados, en primera instancia se presentan los resultados concernientes al virus de manera espacial, mostrando la información de los casos de dengue estructurados en mapas y tablas. En segundo lugar, se presenta la información climática enfocada en la precipitación y temperatura tanto tabular como espacial. Por último, se presentan los resultados estadísticos de las regresiones lineales realizadas para los años de interés y las regresiones OLS para el año 2018. Estos datos se amparan en datos secundarios medidos por instituciones de reconocida reputación, la información de dengue se obtiene del instituto municipal de salud y los climáticos del IDEAM. 4.1 El Dengue en Villavicencio El análisis de la información concerniente al dengue es de tipo cuantitativo, involucra una indagación espacial y estadística, se ampara en datos secundarios de 10 años proporcionados por la secretaría de salud del municipio de Villavicencio, información recolectada a través de la plataforma el Sistema de Vigilancia Epidemiológica (SIVIGILA).

Se realizó un análisis descriptivo y estadístico de estos años con el interés de tomar la decisión respecto a qué años utilizar en el análisis espacial, evaluando si se podía ver algún patrón como lo que describe la literatura, donde se esperan picos de mayor número de casos cada 3 o 4 años. El interés era tener en cuenta las variables climáticas de una triada de años que incluyera uno de los ciclos, así mismo tener en cuenta cambios drásticos a nivel climático como lo pueden ser fenómeno del Niño o de la Niña, de esta manera garantizar cambios significativos a nivel climático, por lo cual inicialmente se había pensado trabajar con los datos de 2009-2010-2011 donde se presenta fenómeno de la Niña, sin embargo, por la contingencia del covid-19 no se obtuvieron los datos a tiempo y se continuó con la propuesta de trabajar con los años 2017-2018-2019 que es la que se desarrolló en esta investigación.

Se realizó un análisis explorativo de los datos, elaborando un telegrama epidemiológico de los 10 años (2010-2019) (ver Tabla 3), un análisis de normalidad de los casos (Ver Tabla 4) y una evaluación visual del volumen de casos de dengue evaluando

la

“temporalidad” de estos, cuándo se presentan más casos que otros meses (ver Tabla 2), lo anterior evaluando el comportamiento durante una ventana temporal mayor a la específica a realizar el análisis espacial.

49

Adicionalmente se realizó análisis de regresión lineal con la precipitación, análisis de correlación del número de casos-precipitación y un análisis de correlación con el índice ONI que se podrá ver en el apartado de regresiones y correlaciones.

1600 1400 1200

Casos

1000

800 600 400 200 0

3 6 9 12 3 6 9 12 3 6 9 12 3 6 9 12 3 6 9 12 3 6 9 12 3 6 9 12 3 6 9 12 3 6 9 12 3 6 9 12 2010

2011

2012

2013

2014

2015

2016

2017

2018

Figura 5. Telegrama epidemiológico por meses del 2010 al 2019 para Villavicencio 10000

9262

9000 8000 7000

6175

Casos

6000 4566

5000 3925

4000 3000

2501

2662

2479 1558

2000

652

1000 57 0 2010

2011

2012

2013

2014

2015

2016

2017

2018

2019

Figura 6. Datos de dengue totalizados por año 2010-2019 para la ciudad de Villavicencio.

2019

50 Tabla 2. Casos de dengue totalizados por mes de 2017 a 2019.

En rojo se observan el mayor volumen de casos con respecto a su año y en verde el menor volumen. En los recuadros se observan los meses y los años con mayor volumen de casos y el promedio anual para los 10 años.

Total 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 general Enero

202

401

375

306

395

128

59

80

395

2341

Febrero

162

518

529

319

436

226

56

99

541

2886

Marzo

3

155

555

556

396

340

236

56

111

746

3154

Abril

5

222

325

924

390

292

229

60

169

986

3602

Mayo

3

210

369

949

518

253

218

65

367

1360

4312

Junio

2

201

343

808

460

184

161

39

404

1449

4051

Julio

2

192

265

615

477

130

100

75

278

1089

3223

Agosto

2

193

257

396

392

118

59

54

289

718

2478

Septiembre

2

211

214

316

427

101

57

44

192

623

2187

Octubre

2

241

184

236

308

63

49

42

179

547

1851

Noviembre

4

230

260

229

278

84

51

39

192

558

1925

Diciembre

32

282

234

242

295

83

44

63

302

250

1827

TOTAL ANUAL

57

2501 3925 6175 4566 2479 1558

652

2662 9262

33837

El volumen de los casos de dengue en los últimos 10 años ha sido muy variable, con un promedio de 33,837 casos por año, siendo el 2013 y 2019 los años con mayor volumen con 61,75 y 92,62casos confirmados, respectivamente (ver Tabla 3 y Figura 5). El mayor número de casos en un mes ha sido de 1,449 para el mes de junio de 2019 y el mínimo de cero casos en enero y febrero de 2010, con una desviación estándar de 26866 y una media de 281 (ver Tabla 3). Los meses con mayor incidencia de casos de dengue son mayo, junio y julio. Todos los años excepto 2010 y 2016 presentan una distribución normal aplicando una prueba de Shapiro-Wilk con una significancia >0,05 (ver Tabla 4).

51 Tabla 3. Estadísticos descriptivos de los casos de dengue a nivel mensual desde 2010 hasta 2019

N Casos

Mínimo 120

Máximo 0

1449

Media

Desviación estándar

281,98

268,665

Tabla 4. Prueba de normalidad para los casos de Dengue de 2010-2019 Shapiro-Wilk Año Estadístico

gl

Sig.

2010

0,476

12

0

2011

0,958

12

0,749*

2012

0,909

12

0,210*

2013

0,892

12

0,210*

2014

0,928

12

0,126*

2015

0,888

12

0,361*

2016

0,831

12

0,021

2017

0,937

12

0,463*

2018

0,943

12

0,537*

2019

0,928

12

0,362*

Casos

*. Esto es un límite inferior de significancia >0,05

Como lo muestra las Figura 5 y Figura 6 se observan dos fuertes picos de brotes epidémicos para el año 2013 y 2019, por lo cual es acertado la escogencia de los ciclos de dengue presentes en la triada de los años 2017-2018-2019, donde se puede evaluar si las variables climáticas influyen en estos picos.

Para los datos del dengue de los años de estudio se hizo un análisis explorativo con el telegrama epidemiológico (ver Figura 7) en conjunto con una visualización por colores en cuánto a qué meses presentaban mayor o menor volumen visualizando el comportamiento específico de la enfermedad en estos tres años (ver Tabla 5). El promedio anual para los tres años es de 4,192 casos, se observa un mayor volumen de casos para los meses mayo, junio, julio y agosto.

52

En Figura 6 se observa un pico muy fuerte para el año 2019, incluso es el más fuerte en los últimos diez años para la ciudad. Así mismo se puede apreciar que el pico más alto se presenta por lo general en el segundo trimestre del año para los tres años y el número de casos empieza a disminuir hacia el tercer trimestre del año (Ver Figura 7, Tabla 5 y Tabla 6).

1600 1400 1200 1000 800 600 400 200 0 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 2017

2018

2019

Figura 7. Telegrama epidemiológico. Casos totalizados por meses desde 2017 a 2019.

Tabla 5. Casos de dengue totalizados por mes de 2017 a 2019. En rojo se observa el mayor volumen de casos y en amarillo el menor.

2017 2018 2019 Promedio Enero

59

80

395

178

Febrero

56

99

541

232

Marzo

56

111

746

304

Abril

60

169

986

405

Mayo

65

367 1360

597

Junio

39

404 1449

631

Julio

75

278 1089

481

Agosto

54

289

718

354

Septiembre

44

192

623

286

Octubre

42

179

547

256

Noviembre

39

192

558

263

Diciembre

63

302

250

205

Total anual

652 2662 9262

4192

53

Tabla 6. Casos de dengue por trimestre de 2017 a 2019.

En rojo se observa el mayor volumen de casos.

2017

2018

2019

1er Trimestre

171

290

1682

2do Trimestre

164

940

3795

3er Trimestre

173

759

2430

4to Trimestre

144

673

1355

Total anual

652

2662

9262

4000 3500 3000

Casos

2500 2000 1500 1000 500 0 Trim.1 Trim.2 Trim.3 Trim.4 Trim.1 Trim.2 Trim.3 Trim.4 Trim.1 Trim.2 Trim.3 Trim.4 2017

2018

Figura 8. Casos totalizados por trimestres desde 2017 a 2019

2019

54

4.1.

Distribución espacial

Se realiza la espacialización el total de los casos notificados de dengue para los 3 años donde en la Tabla 7 se observa un gran porcentaje de datos geocodificados. El porcentaje restante corresponde a casos que tuvieron que ser excluidos debido a que las direcciones no pudieron ser validadas por errores en la escritura o porque no se suministraron los datos necesarios para la espacialización.

Tabla 7. Casos geocodificados para los periodos 2017 a 2019 de los casos notificados Año Porcentaje geocodificado 2017

81%

2018

94%

2019

79%

Como puede observar en Figura 9 existe una agregación de los casos de dengue hacia ciertas zonas de las comunas, así mismo se puede observar que para los tres años se coincide con la comuna 5 como la que presenta mayor número de casos (Ver Figura 9).

Solo con el mapa de la geocodificación de los puntos es muy difícil evaluar en dónde hay mayor o menor riego de contagio. Para lo cual se realizó un análisis de densidad de Kernel que posteriormente se clasificó en 5 categorías de riesgo: muy bajo, bajo, medio alto y muy alto riesgo. En la Figura 10 se puede observar el mapa de riesgo para los tres años, donde la comuna 5 coincide con tener una zona de muy alto riesgo hacia el costado sur y otra zona más pequeña limitando con la comuna 4, esta última presenta muy alto riesgo en la parte no occidental. Esto coincide tanto para el 2017 como para el 2019. Para el 2018 de observa una zona de muy alto riesgo en la comuna 5 circundando con la comuna 6 y 7.

Se realizaron mapas de riesgo para cada año observando el comportamiento a nivel trimestral (Ver Figura 12,Figura 13 y Figura 14) donde los puntos de más alto riesgo coinciden con los mapas de riesgo anuales, lo cual muestra que no hay una tendencia espacial de los datos a agruparse por temporalidad trimestral. Se presenta alto riesgo en la zona sur de la comuna 5, en la zona central entre la comuna 4 y 5 y en la zona

55

noroccidental de la comuna 4; existe una zona de alto y medio riesgo hacia la zona central de la ciudad incluyendo comunas 2, 3, 6 y 7.

Figura 9. Geocodificación de datos de dengue para 2017 a 2019 para la ciudad de Villavicencio

57

Figura 10. Mapa de distribución de casos de dengue en Villavicencio para 2017 a 2019 según comunas

58

Mapas de riesgo

Figura 11. Mapa de riesgo de dengue para Villavicencio de 2017 a 2019

59

Figura 12. Mapa de riesgo de dengue en Villavicencio para 2017

60

Figura 13. Mapa de riesgo de dengue en Villavicencio para 2018

61

Figura 14. Mapa de riesgo de dengue en Villavicencio para 2019

Los mapas de riesgo permiten observar en dónde existe mayor riesgo de contagio, los mapas que tienen manchas rojizas o naranja oscuro indican que son zonas con muy alto o alto riesgo de contagio. Es decir, si una persona vive ahí o permanece en esa zona en los momentos de alta actividad de los vectores (primeras horas de la mañana y últimas de la tarde) tendrá alto riesgo de ser contagiado de la enfermedad. En todos los mapas de riesgo junto con el de la distribución del dengue para los tres años se observa que las comunas en donde se agrupa el mayor volumen de casos son la comuna 4 y 5, seguida por la comuna 7 y 8, y con un volumen menor de casos las comunas 1, 2, 3 y 6.

4.2.

El clima en la ciudad de Villavicencio

Como se indicó en la metodología, el clima en la ciudad de estudio se enfocó en las variables precipitación, humedad relativa y temperatura, para lo cual se presentan los resultados a nivel climático de la investigación en dos apartados. El primero corresponde a la información contenida de las estaciones del IDEAM, y la segunda muestra la información obtenida de la base de datos WorldClim.

4.2.1. Estaciones IDEAM Se realizó un buffer de 5km del perímetro del municipio para la escogencia de las estaciones que se incluirían en el estudio, este buffer se realiza en todas las direcciones, seleccionando un total de 27 estaciones (Ver Figura 15).

63

Figura 15. Buffer de escogencia de estaciones climáticas

Se realizó un análisis exploratorio de que volumen de datos contenía cada estación para cada variable (Ver Anexos 3, 4 y 5). Así mismo se realizó la estadística descriptiva de los datos que contenían las estaciones y se determinó el porcentaje de datos faltantes.

Tabla 8. Episodios cálidos y fríos por temporada según NOAA. Periodos cálidos (Rojo) y fríos (azul) basados en el umbral +/- 0.5°C para el índice del Niño oceánico (ONI). Media móvil de las anomalías ERSST.v5 SST en la región del Niño 3.4 (5oN5oS, 120o-170oW) AÑO

DEF

EFM

FMA

MAM

AMJ

MJJ

JJA

JAS

ASO

SON

OND

NDE

2010

1.5

1.3

0.9

0.4

-0.1

-0.6

-1.0

-1.4

-1.6

-1.7

-1.7

-1.6

2011

-1.4

-1.1

-0.8

-0.6

-0.5

-0.4

-0.5

-0.7

-0.9

-1.1

-1.1

-1.0

2012

-0.8

-0.6

-0.5

-0.4

-0.2

0.1

0.3

0.3

0.3

0.2

0.0

-0.2

2013

-0.4

-0.3

-0.2

-0.2

-0.3

-0.3

-0.4

-0.4

-0.3

-0.2

-0.2

-0.3

2014

-0.4

-0.4

-0.2

0.1

0.3

0.2

0.1

0.0

0.2

0.4

0.6

0.7

2015

0.6

0.6

0.6

0.8

1.0

1.2

1.5

1.8

2.1

2.4

2.5

2.6

2016

2.5

2.2

1.7

1.0

0.5

0.0

-0.3

-0.6

-0.7

-0.7

-0.7

-0.6

2017

-0.3

-0.1

0.1

0.3

0.4

0.4

0.2

-0.1

-0.4

-0.7

-0.9

-1.0

2018

-0.9

-0.8

-0.6

-0.4

-0.1

0.1

0.1

0.2

0.4

0.7

0.9

0.8

2019

0.8

0.8

0.8

0.7

0.6

0.5

0.3

0.1

0.1

0.3

0.5

0.5

64 Tabla 9. Exploración y estadística descriptiva de datos de precipitación de las 27 estaciones seleccionadas para la investigación desde 1970 a 2017.

Código de Datos Datos estación existentes faltantes

%Datos faltantes

Datos faltantes Desviación Mediana menor al 30% estándar

35010050 1392

16139

92%

No

0

16,7242533

35020030 9813

7719

44%

No

7

22,6038606

35020070 8363

9169

52%

No

0

16,2894546

35025030 4575

12957

74%

No

0

14,7672297

35030030 9836

7696

44%

No

2

19,8111375

35030050 13252

4280

24%

Si

0

18,3329555

35030060 822

16710

95%

No

4

20,1007543

35030100 8090

9442

54%

No

2,7

20,465691

35030290 8031

9501

54%

No

7,5

27,472578

35035020 16361

1171

7%

Si

2,2

20,8309278

35035060 113

17419

99%

No

0,2

12,6451642

35035070 9484

8048

46%

No

1

19,0216015

35035090 3081

14451

82%

No

4,9

11,7700091

35010020 16094

1438

8%

Si

2

21,5972634

35020020 17082

450

3%

Si

5

21,2624289

35020060 14030

3502

20%

Si

0

16,2597869

35020270 1073

16459

94%

No

0

22,1046646

35025020 15698

1834

10%

Si

0,3

16,6984106

35025040 2291

15241

87%

No

0

14,298981

35030020 15759

1773

10%

Si

7

24,8577404

35030040 8244

9288

53%

No

2,9

22,4435835

35030070 4726

12806

73%

No

0,9

18,4857062

35030090 8358

9174

52%

No

10

29,5123037

35035010 9714

7818

45%

No

0,3

17,4090059

35035100 273

17259

98%

No

1,5

20,3680709

35030370 3001

14531

83%

No

2

21,4929091

35030380 2432

15100

86%

No

2,5

23,3459293

65 Tabla 10. Exploración y selección de estaciones para la toma de información de precipitación para 1990 a 2017. En color verde se observan las estaciones que cumplen con el mínimo de datos faltantes (<30%) para ser escogidas en el análisis, en rojo y naranja aquellas que superan el 30% de datos faltantes Contiene Código de datos para Datos existentes estación 1990-2019

Datos faltantes

%Datos faltantes

Datos faltantes menor al 30%

35010050 No

0

10227

100%

No

35020030 No

3538

6689

65%

No

35020070 No

1826

8401

82%

No

35025030 No

0

10227

100%

No

35030030 Si

8661

1566

15%

Si

35030050 Si

9192

1035

10%

Si

35030060 No

0

10227

100%

No

35030100 Si

8090

2137

21%

Si

35030290 Si

8031

2196

21%

Si

35035020 Si

10100

127

1%

Si

35035060 No

0

10227

100%

No

35035070 Si

8144

2083

20%

Si

35035090 No

3081

7146

70%

No

35010020 Si

9851

376

4%

Si

35020020 Si

9969

258

3%

Si

35020060 Si

9973

254

2%

Si

35020270 No

0

10227

100%

No

35025020 Si

9125

1102

11%

Si

35025040 No

0

10227

100%

No

35030020 Si

9623

604

6%

Si

35030040 Si

7356

2871

28%

Si

35030070 No

1533

8694

85%

No

35030090 Si

8358

1869

18%

Si

35035010 Si

5647

4580

45%

No

35035100 No

273

9954

97%

No

35030370 Si

3001

7226

71%

No

35030380 Si

2432

7795

76%

No

66

De acuerdo a la Tabla 10. Exploración y selección de estaciones para la toma de información de precipitación para 1990 a 2017. de las 27 estaciones que toman los datos de precipitación

se tendrán en cuenta para este estudio 12, éstas se escogen por tener menos del 30% de los datos faltantes en los últimos 30 años, son las siguientes: 35030030, 35030050, 35030100, 35030290, 35035020, 35035070, 35010020, 35020020, 35020060, 35025020, 35030020 y 35030040 Teniendo en cuenta las estaciones escogidas que cumplen con el menor porcentaje de datos faltantes se procede a realizar un análisis descriptivo estacional (ver Tabla 11), donde se observa que los meses en que existe mayor precipitación son los meses de abril a junio,

Tabla 11. Precipitación mensual 2010-2019.

En azul se muestran los meses con mayor precipitación acumulada y en amarillo los de menor. En el recuadro podrá observar los meses con mayor precipitación en este periodo

2010 Enero

2011

7,91

2014

2015

31,56 181,73

2016

2018

2019

Promedio mensual 68,35

96,24

39,66

912,73

Marzo

405,81 193,73 598,11 290,14 211,16 211,10 189,10 409,01 215,49 278,13

3001,78

Abril

671,90 603,78 558,91 534,58 545,47 518,97 786,97 349,73 502,37 499,80

5572,49

Mayo

605,92 639,39 769,45 748,28 549,51 477,21 614,30 796,49 699,70 721,94

6622,18

Junio

582,40 534,70 552,79 515,90 686,35 480,37 405,16 627,58 628,55 516,30

5530,09

Julio

642,20 401,98 557,49 485,79 441,54 543,36 468,70 468,74 523,32 569,19

5102,31

Agosto

380,08 379,87 396,48 352,64 403,49 326,71 785,11 437,83 554,19 463,72

4480,13

Septiembre 311,50 461,71 346,80 333,61 336,59 361,80 419,61 294,06 388,06 386,24

3639,99

171,81 124,14 122,40 116,44 130,46

42,56

5,14

2017

29,47

Octubre

63,24

2013

86,58 160,23

Febrero

2,03 115,56

2012

61,71

7,31

452,84 456,99 568,81 480,66 339,84 389,57 493,44 358,78 571,16 429,49

4541,59

Noviembre 426,63 547,27 382,47 508,03 433,44 441,15 581,78 297,36 273,89 350,19

4242,20

Diciembre 393,78 330,17 312,29 195,53 223,59 199,06 410,11 213,16

2546,65

Total anual

59,60 209,37

5046,9 4789,3 5229,3 4569,5 4333 4173,6 5221,1 4435,6 4583,9 4493,5

Figura 16. Estaciones climáticas seleccionadas para incluir en la investigación.

Estaciones que cumplen con menos del 30% de datos faltantes para la variable de precipitación.

Las estaciones seleccionadas se pueden ver en la Figura 16, a partir de estas se realizó la generación de superficies para la variable de precipitación para los 4 trimestres.

69 Tabla 12. Exploración y estadística descriptiva de datos de temperatura de las 7 estaciones seleccionadas para la investigación. En color verde se observan las estaciones que cumplen con el mínimo de datos faltantes (<30%) para ser escogidas en el análisis, en rojo y naranja aquellas que superan el 30% de datos faltantes Estaciones 35025030 35035020

35035070 35035080

35025020

35025040

35035010

1970-2017 Datos existentes

1710

13907

8502

571

11434

198

5061

Datos faltantes

15822

3625

9030

16961

6098

17334

12471

%Datos faltantes

90%

21%

52%

97%

35%

99%

71%

Datos faltantes menor al 30% No

Si

No

No

No

No

No

Mediana

25,7

25,5

26,4

25,9

26,4

26,1

26,1

Desviación estándar 1,689823 1,63625735 1,5282271 1,70067574 1,68813245 1,55611582 1,59905319 1990-2017 Datos existentes

0

10025

7717

571

8067

0

4461

Datos faltantes

10227

202

2510

9656

2160

10227

5766

%Datos faltantes

100%

2%

25%

94%

21%

100%

56%

Si

Si

No

Si

No

No

Datos faltantes menor al 30% No

70 Tabla 13. Exploración y estadística descriptiva de datos de humedad relativa de las 7 estaciones seleccionadas para la investigación 35025030 35035020

35035070

35035080

35025020

35025040

35035010

Datos existentes

1597

13874

7912

4

10405

225

4408

Datos faltantes

15935

3658

9620

17528

7127

17307

13124

%Datos faltantes

91%

21%

55%

100%

41%

99%

75%

Datos faltantes menor al 30% No

Si

No

No

No

No

No

Mediana

85

77

81

70,5

81

82

80

Desviación estándar

7,582572 9,69348787 7,89528071 6,8495742 9,16217001 9,1700167 8,66898874

1970-2017

1990-2017 Datos existentes

0

10015

7145

4

7239

0

3841

Datos faltantes

10227

212

3082

10223

2988

10227

6386

%Datos faltantes

100%

2%

30%

100%

29%

100%

62%

Si

Si

No

Si

No

No

Datos faltantes menor al 30% No

Debido a que se tenían los datos históricos hasta el 2017 también para las variables humedad relativa y temperatura, se le realiza un análisis descriptivo. De acuerdo a la Tabla 12 y Tabla 13. Exploración y estadística descriptiva de datos de humedad relativa de las 7 estaciones seleccionadas para la investigación de las 7 estaciones que toman los datos de temperatura

y humedad relativa se tendrán en cuenta para este estudio 3, éstas se escogen por tener menos del 30% de los datos faltantes en los últimos 30 años, son las siguientes: 35035020, 35035070 y 35025020

71

Tabla 14. Estadísticos descriptivos para la variable precipitación mensual acumulada de 2010 a 2019 Desviación N Precipitación

Mínimo 120

Máximo

2,03

Media

796,49

estándar

390,6299

198,59943

Tabla 15. Humedad relativa y temperatura promedio mensual de 2010-2017

Mes

Humedad relativa (%)

Temperatura (°C)

Enero

68

27,23

Febrero

67

27,79

Marzo

75

26,89

Abril

79

26,00

Mayo

81

25,73

Junio

82

25,02

Julio

82

24,69

Agosto

79

25,20

Septiembre

77

26,01

Octubre

78

26,09

Noviembre

79

25,93

Diciembre

76

26,32

Promedio anual

77

26,08

Tabla 16. Estadísticos descriptivos para las variables humedad relativa y temperatura promedio de 2010 a 2017

N Humedad Relativa

Mínimo 96

58

Máximo 85

Media 76,89

Desviación estándar 5,651

72 Temperatura

96

24,29

28,95

26,0842

1,00968

Tabla 17. Prueba de normalidad para la precipitación acumulada anual de 2010-2019 Shapiro-Wilk Año Precipitación

Estadístico

gl

Sig.

2010

,934

12

0,426*

2011

,930

12

0,378*

2012

,938

12

0,478*

2013

,964

12

0,837*

2014

,984

12

0,994*

2015

,933

12

0,408*

2016

,939

12

0,486*

2017

,952

12

0,673*

2018

,933

12

0,417*

2019

,959

12

0,772*

*. Esto es un límite inferior de significancia >0,05

73

Tabla 18. Prueba de normalidad para la humedad relativa y la temperatura promedio anual de 2010-2017 Shapiro-Wilk Año Humedad Relativa

Temperatura

Estadístico

gl

Sig.

2010

,764

12

,004

2011

,915

12

0,247*

2012

,897

12

0,145*

2013

,862

12

0,052*

2014

,905

12

0,182*

2015

,951

12

0,652*

2016

,824

12

0,018*

2017

,936

12

0,445*

2010

,841

12

,028

2011

,913

12

0,233*

2012

,910

12

0,212*

2013

,938

12

0,474*

2014

,959

12

0,764*

2015

,941

12

0,507*

2016

,853

12

0,039*

2017

,838

12

0,025*

*. Esto es un límite inferior de significancia >0,05

Las Figura 17, Figura 18 y Figura 19 muestran que en efecto la precipitación juega un papel muy importante en la incidencia de casos de dengue en Villavicencio, esta relación se ve especialmente en los años 2018 y 2019, probablemente debido al bajo número de casos en el 2017 no se puede ver la relación. Así mismo se observa que el mayor pico de casos de dengue en el año se observa uno o dos meses después de que inicia el periodo de lluvias y aumenta la precipitación, esto puede ser explicado porque A. aegypti requiere 7 a 45 días para completar la metamorfosis de huevo a adulto dependiendo de las condiciones (Ministerio de Salud y Protección Social de Colombia, 2013). Por lo anterior vale la pena incluir esta variable en el análisis de regresión para evaluar en que tanta proporción esta variable aporta a la variabilidad de los casos de dengue en la ciudad

80

900 800 700 600 500 400 300 200 100 0

70 60 50 40 30 20 10 0 E

F

M

A

M

J

J

A

S

O

N

D

Precipitación acumulada (mm)

Total de casos de dengue

74

Mes Casos

Precipitación acumulada

450

800

400

700

350

600

300

500

250

400

200

300

150 100

200

50

100

0

Precipitación acumulada (mm)

Total de casos de dengue

Figura 17. Total de casos de dengue en referencia con la precipitación acumulada del 2017

0 E

F

M

A

M

J

J

A

S

O

N

D

Mes Casos

Precipitación acumulada

Figura 18. Total de casos de dengue en referencia con la precipitación acumulada del 2018

1600

800

1400

700

1200

600

1000

500

800

400

600

300

400

200

200

100

0

Precipitación acumulada (mm)

Total de casos de dengue

75

0 E

F

M

A

M

J

J

A

S

O

N

D

Mes Casos

Precipitación acumulada

Figura 19. Total de casos de dengue en referencia con la precipitación acumulada del 2019

Debido a que en esta investigación se quieren evaluar si las variables climáticas tienen efecto en la variabilidad del dengue, es importante tener en cuenta los cambios climáticos anormales que se dan a nivel mundial, para esto se tienen en cuenta los datos expedidos por la NOAA, para los años que se tienen datos de dengue (2017-2019) se tiene el siguiente comportamiento climático:

Tabla 19. Episodios fríos y cálidos por temporadas. Índice ONI para los años de estudio Fuente: NOAA DJF

JFM

FMA

MAM

AMJ

MJJ

JJA

JAS

ASO

SON

OND

NDJ

2017

-0.3

-0.1

0.1

0.3

0.4

0.4

0.2

-0.1

-0.4

-0.7

-0.9

-1.0

2018

-0.9

-0.8

-0.6

-0.4

-0.1

0.1

0.1

0.2

0.4

0.7

0.9

0.8

2019

0.8

0.8

0.8

0.7

0.6

0.5

0.3

0.1

0.1

0.3

0.5

0.5

El ONI como indicador del patrón de “El Niño-Oscilación del Sur” y otros índices pueden confirmar si las características son consistentes con un fenómeno acoplado oceánicoatmosférico. Se pueden observar los períodos cálidos (rojo) y fríos (azul) basados en un umbral de +/- 0.5oC para el Índice de Niño Oceánico (ONI).

Los periodos están analizados por grupos de tres meses, por ejemplo, la primera columna expresa,

diciembre-enero-febrero,

la

siguiente,

enero-febrero-marzo

y

así

consecutivamente. Para fines históricos, los períodos de TSM por debajo y por encima

76

de lo normal se colorean en azul y rojo cuando se alcanza el umbral durante un mínimo de 5 temporadas consecutivas superpuestas se considera un fenómeno de Niño o Niña.

A finales de 2017 y comienzos de 2018 se observa un periodo frio, y a finales de 2018 y comienzos de 2019 se observa un periodo cálido.

En las

Figura 20, Figura 21 y Figura 22 se podrá observar el comportamiento de la precipitación a

lo largo del año por trimestres en lo que coincide tener periodos secos para el primer y cuarto trimestre, periodo húmedo para el segundo trimestre y periodos medianamente húmedos para el tercer trimestre. Con unos volúmenes de precipitación que oscilan entre 100 y 1200 mm en los periodos secos y entre 1400 a 2000mm en periodos húmedos. Es importante nombrar que se observa para la mayoría de los mapas climáticos existe muy poca variabilidad, por lo cual es probable que no sea relevante usar estos datos para explicar la distribución de los casos de dengue en la ciudad. Los datos climáticos son

77

usados para ver si existe alguna relación con el volumen de casos que se presentan en toda la ciudad mas no en su distribución.

Es importante resaltar que a nivel visual se observa que el periodo con mayor número de casos para el 2018 y 2019 coincide ser el segundo trimestre, el cual es un periodo muy húmedo, habría que evaluar si el volumen de número de casos del 2019 podría responder a cambios drásticos a nivel climático.

Se realizó la espacialización de los datos de precipitación que presenta WorldClim (Ver Figura 23) con el fin de poder comparar con los datos reales obtenidos por las estaciones

del IDEAM, donde coinciden a nivel general en los rangos en los que llueve en cada trimestre, con algunas variaciones más a detalle. Se observa en general que la resolución de WorldClim es muy grande para poder tener análisis de superficies para una escala municipal como es el caso de Villavicencio.

Para los datos de temperatura en cambio no se puede ver una tendencia clara, lo cual puede responder a que el tamaño de pixel para esta variable procedente de WorldClim es muy grande, a tal punto que ciudad de Villavicencio es cubierta por 5 pixeles. A pesar que en otros estudios evalúan el comportamiento de la enfermedad teniendo en cuenta variables climáticas provenientes de WorldClim (Soto, 2019), en este caso es muy difícil visualizar el comportamiento real de la variable por la dimensión de la zona urbana y la escala del raster. A nivel general se puede observar en la Figura 24 y Figura 25 que las temperaturas son más altas en los trimestres 1 y 4 y no tanto para el trimestre 2 y 3.

Figura 20. Precipitación acumulada 2017.

Datos fuente: IDEAM (2020)

79

Figura 21. Precipitación acumulada 2018.

Datos fuente IDEAM (2020)

80

Figura 22. Precipitación acumulada 2019.

Datos fuente: IDEAM (2020)

81

4.2.2. WorldClim

Figura 23. Precipitación acumulada por trimestres para el año 2018 Datos fuente: WorldClim (2020)

82

Figura 24. Temperatura mínima promedio por trimestres para el año 2018.

Datos fuente: WorldClim (2020)

83

Figura 25. Temperatura máxima promedio por trimestres para el 2018 Datos fuente WorldClim (2020)

4.3.

Regresiones y correlaciones 4.3.1. Análisis de correlación

Para visualizar un comportamiento en una ventana mayor de tiempo se realizó un análisis de correlación no paramétrica del número de casos-precipitación y casos- índice ONI debido a tener unos años sin distribución normal y no cumplir con una muestra mayor a 50. Se observa una correlación no significativa para la precipitación (Ver Tabla 20) y una relación aparente con el índice ONI (Ver Tabla 13 del Anexo 1).

Tabla 20. Correlación no paramétrica para los años 2010 - 2019 Casos Casos

Correlación de Pearson

Precipitación 1

Sig. (bilateral)

Precipitación

,137 ,135

N

120

120

Correlación de Pearson

,137

1

Sig. (bilateral)

,135

N

120

120

La correlación no es significativa.

Se desea ver si existe relación entre las variables climáticas y el dengue a nivel espacial, por lo cual este análisis se realizó solo para el año 2018, y para los demás años se realiza sólo el análisis estadístico.

Se realiza una regresión de manera explorativa con los datos en Excel, para esto se obtuvo el total de los casos por mes para los tres años y la precipitación acumulada promedio mensual de las estaciones escogidas anteriormente para 2017 a 2019 (ver tabla 2 del Anexo 1). Se realizó la regresión y como se puede observar en la Figura 26 no existe una relación entre las variables insertando los 3 años como toda una línea de tiempo. Por esto también se decidió hacer un análisis de regresión lineal simple y posteriormente polinómica año a año observando en este caso que si existe una relación entre las variables para los años 2018 y 2019.

Inicialmente se realizaron regresiones lineales para los tres años, sin embargo, por lo que se pudo observar no se trata de una relación lineal, por lo cual se procedieron a realizar regresiones polinómicas. Para las regresiones lineales se obtuvieron los siguientes

85

resultados, para el año 2017 se observa un r2 de 0,003, para 2018 de 0.34 y para el 2019 de 0.61 (Ver figura 1, 2 y 3 de Anexo 2).

Posteriormente se evaluó si el r2 aumentaba cambiando a un modelo no lineal, obteniendo los mejores resultados con regresiones polinomiales de tercer orden. Cada regresión se corrió desde cero para evitar el artefacto numérico causado al agregar o desagregar los datos, una consecuencia numérica al reducir la variabilidad de la información, para lo cual la significancia es referente a las variables evaluadas.

Para las regresiones polinomiales se obtuvo un r2 para el año 2017 de 0,06 y para 2018 de 0.55, lo cual puede decirse que el 55% de los datos de dengue pueden ser explicados por la variable precipitación. Por último, para el 2019 se observa una mayor correlación que los otros años con un r2 de 0,74 que muestra que el 74% de los datos de dengue son explicados por la variable precipitación (Ver figuras Figura 27, Figura 28 y Figura 29).

Sería de gran interés realizar un análisis de regresión multivariada para este último año en siguientes estudios.

y = 0,5557x + 140,73 R² = 0,0933

1600 1400 1200 1000 800 600 400 200 0

0,00

100,00 200,00 300,00 400,00 500,00 600,00 700,00 800,00 900,00

Figura 26. Regresión lineal Dengue-Precipitación para 2017-2019

86

80

y = 5E-09x3 + 5E-05x2 - 0,0414x + 60,59 R² = 0,0641

70 60

Casos

50 40 30 20 10 0 0,00

100,00 200,00 300,00 400,00 500,00 600,00 700,00 800,00 900,00

Precipitación

Figura 27. Regresión polinomial de tercer grado para Precipitación - Dengue del 2017

y = 8E-07x3 + 0,0002x2 - 0,1846x + 173,45 R² = 0,5491

450 400 350

Casos

300 250 200 150 100 50 0 0,00

100,00

200,00

300,00

400,00

500,00

600,00

700,00

800,00

Precipitación

Figura 28. Regresión polinomial de tercer grado para Precipitación -Dengue del 2018

87

1600

y = -1E-05x3 + 0,0132x2 - 3,3536x + 568,38 R² = 0,7431

1400 1200

Casos

1000 800 600 400 200 0 0,00

100,00

200,00

300,00

400,00

500,00

600,00

700,00

800,00

Precipitación

Figura 29. Regresión polinomial de tercer grado para Precipitación -Dengue del 2019

Se realizó un análisis de correlación de Spearman para los 3 años de estudio, este tipo de correlación debido a que, a pesar de cumplir con el supuesto de normalidad, se tienen un número de muestras inferior a 50. Se muestra una relación no significativa para el año 2017 (Ver Tabla 21) y significativa para 2018 y 2019 con un coeficiente de correlación de 0.620 y 0.867 (Ver Tabla 22 y Tabla 23) para estos dos últimos, sugiriendo que la variabilidad de los casos de dengue del 2018 están relacionados en un 62% con la precipitación y en un 86% para el 2019.

Tabla 21. Correlación de Spearman para el número de casos de dengue y la precipitación del año 2017 Casos Rho de

Casos

Spearman

Coeficiente de correlación

Precipitación

1,000

Sig. (bilateral) N Precipitación

Coeficiente de correlación Sig. (bilateral) N

,056

,862 12

12

,056

1,000

,862 12

12

88 Tabla 22. Correlación de Spearman para el número de casos de dengue y la precipitación del año 2018 Casos Rho de Spearman

Casos

Coeficiente de correlación

Precipitación ,620*

1,000

Sig. (bilateral)

,032

N Precipitación

Coeficiente de correlación Sig. (bilateral)

12

12

,620*

1,000

,032

N

12

12

*. La correlación es significativa en el nivel 0,05 (2 colas).

Tabla 23. Correlación de Spearman para el número de casos de dengue y la precipitación del año 2019

Rho de Spearman

Casos

Coeficiente de correlación

Casos

Precipitación

1,000

,867**

Sig. (bilateral) N Precipitación

Coeficiente de correlación Sig. (bilateral) N

,000 12

12

,867**

1,000

,000 12

12

**. La correlación es significativa en el nivel 0,01 (2 colas).

Los datos sugieren que puede haber una correlación positiva entre los casos de dengue y la precipitación como lo describen algunos autores (Aiken et al., 1980), sin embargo, es necesario realizar una correlación espacial a detalle donde se realice un análisis de correlación para cada estación, debido a que Aiken y colaboradores muestran como hay una asociación significativa en algunas temporadas pero en otras no. Otros autores fortalecen esta hipótesis donde existe relación entre las variables climáticas y el dengue (Lemus, 2009).

89

4.3.2. Regresiones OLS La regresión global de mínimos cuadrados ordinarios u OLS por sus siglas en inglés se utiliza para generar una predicción o moderlar una variable dependiente en términos de sus relaciones con un conjunto de variables explicativas (ESRI, 2018). Se escogío este tipo de análisis para poder evaluar si las variables climáticas pueden predecir la variable de número de casos en determinada comuna de la ciudad de Villavicencio.

Los resultados de las regresiones OLS están organizados por secciones donde se muestra inicialmente un resumen de los datos que se incluyeron y posteriormente una sección para los resultados de cada trimestre.

Para la regresión espacial se realizaron regresiones OLS para los 4 trimestres del 2018, aquellos resultados se sugirieran colinealidad entre las variables se pueden observar el los anexos, se descarta una de estas variables y se vuelve a correr el modelo.

Tabla 24. Datos de dengue geocodificados y su porcentaje para el año 2018 2018

Datos geocodificados

Porcentaje

1er Trimestre

290

278

96%

2do Trimestre

940

903

96%

3er Trimestre

759

705

93%

4to Trimestre

673

614

91%

Total anual

2662

Es importante tener en cuenta que para realizar una regresión espacial se deben cumplir con determinados supuestos, deberían tener por lo menos dos observaciones para cada variable para capturar la variación cruda. Para obtener resultados consistentes se deben tener 32 observaciones para cada variable, los datos de buena calidad reflejarán una verdadera variabilidad. Como en este caso se tienen 9 zonas (8 comunas y la zona rural) se nesecitarían para cada año o trimestre, según la regresión realizada 288 observaciones (9 zonas x 32). Por lo cual se cumpliría con los supuestos para 2do, 3cer y 4to trimestre.

90

Por lo cual hay que tener cuidado con los análisis y conclusiones realizados para el primer trimestre, pues no captura la varianza necesaria para reflejar unos resultados confiables.

Primer trimestre.

Para el primer trimestre se corre la regresión OLS obteniendo un R2 de 0.92 (ver tabla 4 y 5 en Anexo 1) mostrando que las variables explican un 92% de la variabilidad de los datos correspondientes a los casos de dengue ese trimestre. Muestra una relación positiva con la temperatura máxima, mostrando que cuando aumenta esta variable aumentan los casos de dengue, y una relación negativa tanto con la temperatura mínima como con la precipitación, la relación con la temperatura mínima no es la esperada, pues se esperaría se comportara de manera similar a la tempeatura máxima por lo cual se sugiere sacarla del modelo y volverlo a correr solo con las variables temperatura máxioma y precipitación.

Tabla 25. Resumen de los resultados de la regresión OLS para el primer trimestre de 2018

Tabla 26. Diagnósticos de la regresión OLS para el primer trimestre de 2018

Se vuelve a correr el modelo de regresión obteniendo unos valores VIF menores a 7,5 (ver Tabla 25. Resumen de los resultados de la regresión OLS para el primer trimestre de 2018) lo cual indica que no hay colinealidad entre las variables, se observa que la

variable temperatura máxima es estadísticamente significativa para el modelo, muestra una relación negativa con la precipitación y una relación positiva con la temperatura maxima, es decir en las áreas donde muestra mayor precipitación los valores de los

91

casos decienden, lo anterior puede responder a que los valores mas altos de casos de dengue se encuentran en las comunas 4 y 5, aquellas que se encuentran más lejanas a la coordillera, por lo cual reciben menos precipitación (ver

Figura 20Figura 21Figura 22), así mismo son las comunas con temperaturas más altas (Ver Figura 24Figura 25). Este modelo muestra un valor de R2 de 0,92 (ver Tabla 26).

Segundo trimestre.

Para el segundo y tercer trimestre del 2018 se corrió la regresión OLS obteniendo unos valores residuales VIF mayor a 7.5 tanto para la temperatura máxima como para la temperatura mínima lo cual refleja que son variables redundantes (ver tabla 6 y 7 del Anexo 1). Se prosiguió a correr el modelo sin cada una de estas dos variables, obteniendo valores Akaike similares en los dos casos, se escogió la regresión realizada con las variables precipitación y temperatura máxima, escogiendo esta última por ser una variable que aporta significativamente en el modelo de regresión del primer trimestre.

92

En la Tabla 27 y Tabla 28 se podrá observar los resultados del modelo de regresión final corrido para el segundo trimestre del 2018.

Tabla 27. Resumen de los resultados de la regresión OLS para el segundo trimestre de 2018

Tabla 28. Diagnósticos de la regresión OLS para el segundo trimestre de 2018

Este modelo para el segundo trimestre tiene un R2 de 0.399 (ver Tabla 28 )mostrando que el 39% de la variabilidad de los casos de dengue en el segundo trimestre del 2018 es explicada por estas variables. En la Tabla 29 y Tabla 30 se podrá observar los resultados del modelo de regresión final corrido para el tercer trimestre del 2018.

Tercer trimestre.

Este modelo para el tercer trimestre tiene un R2 de 0.27 (ver Tabla 30) mostrando que el 27% de la variabilidad de los casos de dengue en el segundo trimestre del 2018 es explicada por estas variables. En la Tabla 31 y Tabla 32 podrá observar los resultados del modelo de regresión final corrido para el cuarto trimestre del 2018.

Tabla 29. Resumen de los resultados de la regresión OLS para el tercer trimestre de 2018

Tabla 30. Diagnósticos de la regresión OLS para el tercer trimestre de 2018

93

Cuarto trimestre.

Este modelo para el cuarto trimestre tiene un R2 de 0.47 (ver Tabla 32) mostrando que el 47% de la variabilidad de los casos de dengue en el segundo trimestre del 2018 es explicada por estas variables.

Tabla 31. Resumen de los resultados de la regresión OLS para el cuarto trimestre de 2018

Tabla 32. Diagnósticos de la regresión OLS para el cuarto trimestre de 2018

Para las regresiones de segundo, tercer y cuarto trimestre del año se observa una relación negativa para la precipitación y una relación positiva para la temperatura máxima (ver tablas Tabla 27Tabla 29 Tabla 31). Cuando aumenta la precipitación, el número de casos disminuye y cuando aumenta la temperatura aumentan los casos, el comportamiento se puede explicar igualmente que, en el primer trimestre, las comunas 4 y 5 que poseen

94

mayor número de casos se encuentran más alejados de la cordillera presentando menor precipitación y mayor temperatura.

En ninguna de las regresiones se mostró que no existan variables no estacionarias o que varían en el tiempo, los valores de la estadística Koenker fueron no significativas para los cuatro casos. Así mismo, para las regresiones OLS de los cuatro trimestres se generó la advertencia que indicaba que la autocorrelación espacial era necesaria, éste es un síntoma de especificación incorrecta (miss-specification), esto ocurre cuando variables explicativas claves no están incluidas en el análisis. Por lo cual en futuros estudios deben incluirse otras variables.

Para los 4 periodos la regresión mostró que los datos pueden estar sesgados debido a que no se cumple en ninguno de los casos una distribución normal de los residuos estandarizados (Ver figura 1, 2, 3 y 4 Anexo 2). Esto puede deberse a que al final todos los datos son resumidos en 8 comunas, mientras que, si estos se resumieran en una unidad espacial más pequeña como por ejemplo barrio, se podría observar un mejor comportamiento de los datos.

Es importante nombrar que se obtuvieron mayores R2 para el primer y cuarto trimestre, aparentemente los modelos de regresión espacial se ajustan mucho más para los periodos secos.

5. DISCUSIÓN Esta investigación permitió tener un acercamiento al comportamiento de la distribución de la enfermedad en la ciudad de Villavicencio - Meta, en donde sería importante que las entidades de salud establecieran acciones a la luz de evaluar si alguna variable climática está relacionada con el volumen de casos en determinado periodo del tiempo.

La discusión de este estudio está dividida en cuatro secciones, la distribución del dengue en la ciudad de Villavicencio y los mapas de riesgo, el comportamiento climático en la ciudad, la relación del clima y el dengue incluyendo los resultados de las regresiones estadísticas y espaciales.

95

5.1. Distribución del dengue y mapas de riesgo En este estudio, además de considerar la variabilidad del número de casos por comuna se realizaron mapas de riesgo como indicador de magnitud general del problema del dengue en la ciudad. Calcular el riesgo permite estimar el grado de exposición en el cual se encuentra la comunidad en un determinado momento (Bonita et al., 2018), Este estudio permite tener una mayor comprensión de la problemática, permitiendo identificar con mayor precisión las comunas donde se requieren mayores esfuerzos de control debido a que son comunas con un alto número de casos y un mayor riesgo.

Es importante considerar que los casos fueron ubicados geo espacialmente a través de las direcciones de residencia teniendo en cuenta aquellos casos que contrajeran el dengue en la ciudad de estudio, considerando el inicio de síntomas y el tiempo de incubación de la enfermedad, aunque esto no implica que los pacientes hayan contraído el dengue en sus viviendas. Esta definición espacio-ubicación puede cuestionarse, sin embargo, la dirección residencial es la manera más adecuada para aplicar un criterio de localización.

Esta hipótesis se basa en que hay un mayor riesgo de infección con dengue en las viviendas debido al comportamiento endofítico (después de alimentarse permanecen en la vivienda) de las hembras Aedes aegypti y toman la ingesta de sangre con un pico a menudo temprano en la mañana y en la noche, tiempo en el cual hay mayor probabilidad de que las personas estén en sus viviendas (Tran et al., 2004).

El análisis espacial es realizado a una escala geográfica de comuna, sin embargo, sería interesante realizarlo a una escala menor como lo es barrio. No obstante, este estudio permite identificar los conglomerados humanos mayormente afectados, siendo la comuna 5 aquella con mayor riesgo, lo cual podría ser explicado por el alto número de habitantes en los barrios que conforman esta comuna. Las comunas con mayor riesgo se encuentran en un extremo de la ciudad, hay que tener en cuenta que los contagiados pueden llevar cepas de estas zonas a sus sitios de trabajo o que suelen concurrir como pueden ser las zonas comerciales o el centro, que en este caso tiene un riesgo medio, o incluso llevarlo a municipios cercanos. Aquí la red de vías juega un papel importante en la dinámica de transmisión de la enfermedad como lo mencionan Carbajo et al. (2001) por lo cual debería ser considerado como variable de estudio en caso de estudios posteriores que deseen hacer un análisis con una extensión espacial mayor.

96

Adicionalmente, el presente análisis geográfico permitió confirmar que la enfermedad en Villavicencio se distribuye heterogéneamente en las diferentes comunas, presentando un mayor riesgo en la comuna 5, mediano y bajo riesgo en las demás comunas; así mismo se observa por medio de los mapas de riesgo que los casos se encuentran agregados en determinadas zonas de las comunas, lo cual indica que dentro de estas comunas también hay cambios en las variables que predisponen a la enfermedad. La distribución a lo largo de la ciudad puede ser explicada por las dinámicas de transmisión de la enfermedad propias de esta ciudad, la transmisión puede estar determinada por diferentes factores de riesgo como lo son el número de personas enfermas, la densidad poblacional, la alta infestación del vector, la importación del virus a nuevas áreas, aspectos culturales, socioeconómicos (Medronho, 2009) y micro climáticos (Ortiz et al., 2013). Lo cual se evidencia con la comuna 5 al ser una de las más pobladas de Villavicencio. En el presente estudio se pudo validar alrededor del 80% de las direcciones, con lo cual se puede evidenciar que la distribución espacial de la enfermedad varía de un año a otro, sin embargo, las comunas con mayor riesgo siguen siendo las mismas.

La comuna cinco se identifica por estar en un proceso de crecimiento urbanístico debido al incremento de residencias, además de presentar un alto volumen poblacional, con el 21% de la población total de Villavicencio (Ver tabla 14 de Anexo 1), además de ser la comuna donde en cuanto a estratos el porcentaje mayor corresponde 2 (25%) (Holguin, 2016), lo cual puede explicar el mayor riesgo de dengue en esta comuna, corroborando lo dicho por Aponte Garzón (2006) donde las practicas que favorecen la generación de criaderos prevalece en poblaciones de bajos estratos y escolaridad. Es posible que otra variable que pueda estar aportando en generar mayor vulnerabilidad en esta comuna sea la alta densidad poblacional por área urbana, variable que aporta mucha información en otros estudios (Medronho, 2009), por lo cual se sugiere ser estudiada en investigaciones posteriores.

Teniendo en cuenta lo anterior, Debido a que la transmisión del dengue es multifactorial, genera la necesidad de optimizar adecuadamente los recursos disponibles para lograr una mayor efectividad y sostenibilidad de las actividades realizadas para la intervención de las causas ambientales que favorecen la transmisión del dengue. Es necesario priorizar los focos de mayor magnitud con el fin de controlar, reducir o eliminar la transmisión en forma sostenida (Ministerio de Salud y Protección Social de Colombia, 2013). Las autoridades de salud encargadas del diseño e implementación de estrategias de

97

prevención y control del dengue en la ciudad, deberían empezar sus campañas por las comunas con mayor riesgo indicado en los párrafos anteriores. Se puede observar que estas comunas deben ser consideradas prioritarias para la intervención y pertenecen a estratos socioeconómicos medio-bajo, y como se ha demostrado en varios estudios, por lo general las altas incidencias de la enfermedad se presentan en barrios con dificultades de conexión a la red sanitaria (Medronho, 2009), elevados índices de pobreza y altas tasas de analfabetismo (Mena et al., 2011; Ortiz et al., 2013). Las campañas de prevención, control y erradicación deben empezar por estas comunas pero además la intervención a la comunidad se debe empezar por la educación y moldeamiento de las acciones que proveen el ambiente ideal para los vectores (Suarez et al., 2005).

En estudios similares de distribución de casos de dengue realizados en otros países (Jácome et al., 2019; Medronho, 2009; Mutheneni et al., 2018; Perez et al., 2003; Wibawa et al., 2019; Zambrano et al., 2019) y en Colombia (Londoño et al., 2014; Ortiz et al., 2013) muestran que por lo general la distribución del dengue en las ciudades no es homogénea, tal como ocurre en Villavicencio, lo cual reafirma la existencia de variables que favorecen la transmisión de la enfermedad en determinadas zonas, las cuales no se presentan o están en menor grado en otras. Sería importante evaluar que más variables pueden estar influyendo para poder tener más herramientas para la toma de decisiones en las actividades de prevención del dengue teniendo en cuenta que la diferenciación espacial de las condiciones ambientales y sociales en un municipio resultan tanto de las herencias como de nuevos procesos territoriales (Perez et al., 2003) Las variables que pueden afectar esta distribución de los casos en la ciudad pueden deberse a variables diferentes a las climáticas como lo puede ser la alta densidad poblacional, problemas de abastecimiento del agua corriente, inadecuada recolección de desechos sólidos y alta precisa de recipientes con agua en los hogares. Sería importante analizar el tipo de población que reside en las comunas de alto riesgo, la estratificación, el nivel social, accesibilidad a agua potable y red sanitaria. En otros estudios se ha comprobado que en la ciudad de Villavicencio hay relación entre las prácticas que favorecen la proliferación del dengue con estratos bajos y baja escolaridad, adicional a un bajo conocimiento de los criaderos más comunes, donde incluso un gran porcentaje de la población no reconoce las basuras como posibles criaderos del vector (Aponte Garzón, 2006).

98

El enfoque de visualización de mapas de distribución de la enfermedad (Londoño et al., 2014) , mapas de densidad de Kernel (Mala y Mahesh, 2019) y mapas de riesgo (Sánchez et al., 2012) reafirma la existencia de una diferenciación interna de la vulnerabilidad espacial, podría ayudar a los funcionarios de salud pública a identificar las zonas endémicas de la enfermedad y tomar decisiones en tiempo real para el manejo de la enfermedad (Mutheneni et al., 2018) Los resultados de la investigación comprueban la utilidad del empleo de los sistemas de información geográfica en estudio de diferenciación espacial de la vulnerabilidad al dengue tal como lo muestran otros estudios (Perez et al., 2003) 5.2. Comportamiento climático Debido a la poca variabilidad de las variables climáticas en Villavicencio, se observa casi la misma precipitación en todas las comunas (ver figuras 20,Figura 21Figura 22), por lo cual, estos datos no pueden explicar la distribución de los casos de dengue en la ciudad, por lo cual es probable que la variabilidad de la distribución de los casos se deba a variables sociales. En caso de querer evaluar si las variables climáticas influyen en la distribución de los casos se recomienda en futuros estudios tener en cuenta un área de estudió mayor, donde se observen cambios en las variables climáticas a nivel geográfico, como por ejemplo incluir varios municipios o cubrir todo el departamento.

La predicción de variables hidrológicas a múltiples escalas de tiempo se utiliza ampliamente en áreas como la protección ambiental, protección ante sequias y en general de gestión del recurso hídrico. Estas predicciones se realizan con enfoques deterministas o estocásticos según la finalidad de los pronósticos. El conocer qué variables pueden predecir la variabilidad del dengue en la ciudad podría apoyar en realizar predicciones de cómo se comportará la enfermedad según las variables climáticas esperadas ya sea porque se espera que el clima se comporte normalmente o tenga variaciones por fenómenos climáticos como El Niño o La Niña.

La comprensión de la variabilidad hidroclimática es clave para la adaptación a procesos de cambio climático global, por lo cual se recomienda entenderla como una estrategia para la reducción de riesgos (IPCC, 2007). En este sentido, la inclusión de este concepto en salud puede aplicarse a la reducción o previsión de riesgos de brotes epidémicos que pueden estar vinculados a variables climáticas que directamente afectan la distribución de los vectores.

99

Los cambios espaciales y temporales de las temperaturas, precipitación y humedad que tendrán lugar en los diferentes escenarios de cambio climático afectarán la biología y ecología de los vectores y por consiguiente el riesgo de transmisión de enfermedades como el dengue (Cassab et al., 2011) lo que comprueba este estudio, mostrando un alto volumen de casos en los meses con mayor precipitación, menor temperatura y mayor humedad relativa (ver Tabla 15).

En Colombia algunos estudios encuentran algunas relaciones fenómenos de gran escala entre algunos índices climáticos y variables hidrológicas en diferentes zonas de Colombia, lo que permite pensar que se pueden realizar pronósticos hidrológicos a largo plazo utilizando los índices macroclimáticos como predictores (Poveda et al., 2002). De Viron et al. (2013) determina que existe correlación significativa en entre varios índices macroclimáticos (TNA, SOI, TSA, MJO, NAO, entre otros) a escalas de tiempo interanuales. Por lo cual evaluar en futuros estudios si alguno de estos índices puede estar relacionado con la variabilidad del dengue en la ciudad o en el país sería de gran importancia para poder evaluar y prever riesgos por cambios climáticos por fenómenos como el Niño y la Niña.

Esta investigación corrobora la relación de las variables climáticas en la incidencia de la enfermedad en la ciudad de Villavicencio, incluso muestra una aparente relación con el índice ONI. Sin embargo, es importante entender que el ONI no es el único indicador macroclimáticos de cambio climático tener en cuenta que existen numerosos indicadores que provee la NOAA (NOAA, n.d.) y podrían o no estar relacionados. Es bastante dudoso que exista una correlación tan alta con este índice teniendo en cuenta que la variabilidad de casos alrededor del año puede estar influenciada no solo por variables climáticas sino variables sociales, además de ser éste un indicador que no podría explicar la variabilidad hidroclimática “inmediata” a nivel regional por ser indicador pedidos a grandes distancias de Colombia. Los resultados al pasar de estar aparentemente relacionados es una correlación que podría llegar a revelar cómo la variabilidad de fenómenos macroclimáticos que inciden en los fenómenos el Niño y la Niña.

Lo que implica que estos índices al estar relacionados con las variables hidrológicas del país podrían llegar a estar relacionados con fenómenos epidemiológicos que se relacionan con estas variables climáticas. Lo que sugiere que se podrían encontrar relaciones de estos índices con la variabilidad hidroclimática colombiana y tentativamente con la variabilidad

100

de la incidencia de Dengue en el país, por lo cual se sugiere indagar sobre este tipo de índices como posibles predictores de los brotes de dengue en el país.

Para poderlo evaluar sería necesario un análisis de teleconexiones donde se pueden identificar la afectación de eventos regionales como el Niño sobre la oferta hídrica local, determinando el grado de asociación entre distintos índices que monitorean las oscilaciones en el clima a nivel regional. Velasco en el 2016 no encontró valores significativos de correlación de índices macroclimáticos para las zonas Orinoco y Amazonas, a través de su investigación no se identificaron conexiones (Velasco, 2016), valdría

la pena en futuros estudios evaluar si hay relación entre los fenómenos

macroclimáticos del Pacífico y el Atlántico sobre estas zonas hidrográficas con la región de los llanos orientales.

Es importante tener en cuenta el nivel de detalle de los registros climáticos, los datos de precipitación y temperatura pueden no representar variabilidad en el nivel de detalle que muestran los registros de la enfermedad, teniendo en cuenta que el dengue tiene mayor incidencia en el perímetro urbano y los cambios a nivel climático en este perímetro no son muchos. Se debe considerar adicionalmente que los datos obtenidos por World Clim tienen una escala muy baja, con una resolución de pixel de 5 km, mientras que para los datos de precipitación si se logró una resolución de 100 m por pixel debido al detalle que se pudo lograr obteniendo los datos. A pesar que en otros estudios son utilizadas las capas de World Clim para realizar modelos de distribución (Soto, 2019), para zonas de estudio más reducidas como municipio la escala es muy pequeña para lograr describir y buscar relaciones del clima con el dengue. Sería de gran utilidad poder considerar tener los datos de temperatura a la misma escala que se tienen los de precipitación. Y de esta manera evaluar si realmente existe una relación entre las variables climáticas y la distribución de los casos de dengue en Villavicencio.

5.3.Relación clima y dengue A diferencia del estudio realizado por Cassab et al. en 2011 donde fue relacionada positivamente tanto la precipitación como la temperatura, en este caso se obtuvo una relación negativa para la precipitación, es probable que se haya dado por cómo llueve en la ciudad, presentando mayores precipitaciones hacia la cordillera. Sin embargo, es probable que si se hiciera una regresión con los datos de toda la serie de tiempo del año

101

se observaría una relación positiva, esto se puede evidenciar en un mayor número de casos en el segundo trimestre, periodo donde aumentan las precipitaciones.

Al igual que Jácome, Vilela y Yoo en 2019 y Rúa-Uribe et al. en 2013 se observa una clara relación entre la precipitación mensual y la cantidad de casos en Villavicencio (Figura 19) por lo cual se considera una variable importante a tener en cuenta en la predicción del número de casos que se pueden presentar en determinados meses, y de esta forma dirigir los esfuerzos de las entidades de salud en meses previos a cuando se presentaría el pico de incidencia de la enfermedad.

El efecto de la temperatura en el comportamiento y fisiología vector del dengue se viene comprobando por diversos estudios(Padmanabha et al., 2011; Padmanabha, et al., 2012a; Scott et al., 2000), Scott et al. en 2000 afirman como la temperatura está directamente asociada con el tamaño de las hembras y las tasas de alimentación múltiple. Esta investigación comprueba que la temperatura además de ejercer efecto directamente en el vector también está relacionada con la distribución de la enfermedad que transmite.

Existen diferentes medidas de control, químico, genético, ecológico y ambiental, las entidades de salud se han preocupado por realizar estás medidas para el control de la enfermedad (Ministerio de Salud y Protección Social de Colombia, 2013; Vargas, 2003), esta investigación aporta en cómo existe la herramienta para poder definir cuáles son las zonas de alto riesgo para la enfermedad en la ciudad y hacia dónde deben ser dirigidos los esfuerzos de control en primera instancia. En principio si para otros brotes la enfermedad se sigue comportando como se observa en este estudio, los recursos y medidas de control deben ser primeramente dirigidas hacia la comuna 4 y 5 de Villavicencio.

Con el análisis de regresión espacial se pudo evaluar si existe correlación entre las variables de temperatura y los brotes de dengue como lo muestran Koopman et al. en 1991, donde las mayores temperaturas incrementa la eficiencia del vector reduciendo el periodo de replicación de los mosquitos. Así mismo otros autores muestran una elación directa entre la temperatura y la dinámica poblacional del mosquito, la cinética del ciclo biológico y la respuesta inmunológica frente al dengue (Márquez Benítez et al., 2019).

Sería importante realizar análisis de la dinámica del dengue para los años en los que se presenta eventos climáticos de la Niña o del Niño y años posteriores, debido a que autores muestran que en años posteriores al fenómeno del Niño se presenta un aumento en la

102

incidencia de la enfermedad de la enfermedad teniendo en cuenta el rezago en el que se da esta situación (Uribe et al., 2012). Así mismo hay estudios que muestran relaciones entre índices como el IOS (Sifontes, 2009)o SOI (Hales et al., 1996) en la variación de enfermedades transmitidas por vectores.

El aumento de los eventos de dengue en el mundo coincide con el calentamiento global generado por el cambio climático (Lemus, 2009; Ooi y Gubler, 2009), los comportamientos antropogénicos y demográficos, combinados con la globalización y la ineficiente salud pública son los factores principales que inciden en la dispersión del dengue en los últimos 40 años (Ooi &y Gubler, 2009), este podría ser el caso del 2019 por lo cual se sugiere hacer un análisis más detallado de las demás variables que pueden estar influyendo en un aumento tan drástico de la incidencia del dengue.

Es de gran importancia en futuros estudios o en la extensión de esta investigación tener en cuenta otras variables debido a que diferentes artículos (Jácome et al., 2019; Koopman et al., 1991; Medronho, 2009; Padmanabha et al., 2015) muestran que los factores socioeconómicos están significativamente asociados con la proporción de comunidad infectada, estas variables pueden ser estratificación, almacenamiento de agua en contenedores sin tapa (Koopman et al., 1991), densidad poblacional, patrones de asentamiento, tipo de vivienda, almacenamiento de agua, conocimientos de la población acerca de la enfermedad (Perez et al., 2003), entre otros.

Es de gran importancia también dirigir los esfuerzos de capacitación a la comunidad hacia aquellas comunas que presentan en estos años un mayor volumen de casos (4 y 5), debido a que varias de las variables que influyen en la presencia y dispersión del vector del dengue, se debe realizar estrategias de participación y educación comunitaria dentro de un programa de prevención del dengue.

El vector del género de insectos Aedes es de gran relevancia en relación con la transmisión de patógenos virales no solo del dengue, objeto de este estudio sino del Chikunguña, fiebre amarilla y zika. El conocer que la enfermedad está relacionada con las variables climáticas como lo muestran también otros puede resultar útil en la realización de mejores proyecciones de los efectos del cambio climático en la incidencia del dengue, así como lograr prever o detectar tempranamente posibles brotes epidémicos, lo que permitiría la planeación oportuna y una respuesta eficaz para el control de la enfermedad (Márquez Benítez et al., 2019)

103

Este estudio presenta limitaciones, no incluye otras variables relacionadas con la transmisión del dengue como el abastecimiento de agua potable, la densidad espacial del vector, la presencia de contenedores de agua o la tasa de infestación. Por lo cual estos resultados deben ser analizados teniendo en cuenta las limitaciones.

Sería interesante poder replicar este tipo de estudios en otras ciudades de Colombia con alta incidencia de Dengue, así poder comparar que variables se repiten en diferentes entornos y aportan a la variabilidad de la incidencia de la enfermedad. Así como poder evaluar el riesgo a nivel regional o de país como se ha realizado en otros estudios (Zambrano et al., 2019) Los resultados de esta investigación comprueban la utilidad del empleo de los sistemas de información geográfica en el estudio de la diferenciación espacial del riesgo tal como lo han realizado otros estudios (Perez et al., 2003), de esta manera entender el comportamiento de la enfermedad y orientar la toma de decisiones para la prevención y control del dengue que representan una prioridad para la salud pública de la región y el país (Zambrano et al., 2017).

Los resultados obtenidos por las regresiones, donde se obtienen relaciones significativas por medio de las regresiones y las correlaciones de Spearman de los años 2018 y 2019 corroboran la relacion entre las variables climáticas y el dengue descrita por otros autores dengue (Aiken et al., 1980; Cassab et al., 2011; Meza-Ballesta y Gónima, 2014; Padmanabha, et al., 2012b; Uribe et al., 2012).

Para las regresiones OLS realizadas para el 2018 se comprieba que hay una relación entre las variables cmilaticas y el dengue donde entre el 27% al 47% de la variabilidad de los casos del dengue dependiendo el trimestre puede ser explicada por las variables climáticas.

Es importante tener en cuenta las limitaciones ademas de los resultados que hay que analizar con cuidado. En el primer trimestre de 2018 muestra un valor de R2 de 0,92 (Tabla 26. Diagnósticos de la regresión OLS para el primer trimestre de 2018), el cual es valor bastante alto, lo cual indica que las variables de precipitación y temperatura predicen en gran manera el comportamiento del dengue para este trimestre, sin embargo, es un valor muy alto sabiendo que el dengue es una enfermedad que responde a muchas variables, donde el comportamiento social tiene una gran influencia. Estos resultados pueden comportarse de esta manera debido a que el primer trimestre del año es uno de los cuales

104

se presentan menos casos durante el año, de tal forma que se requieren más análisis para poder afirmar que realmente éstas variables influyen en tal grado a los casos del dengue en Villavicencio.

Este estudio demuestra la relevancia y el potencial del uso de SIG y estadísticas espaciales para elaborar una estrategia de vigilancia del dengue, por lo cual debe ser analizada la metodología y los hallazgos para poder replicarlos en estudio de la enfermedad en otros años o el analisis de otras enfermedades transmitidas por vectores en la ciudad.

105

6. CONCLUSIONES Existe un mismo patrón de distribución de riesgo de dengue para los tres años, donde las comunas más afectadas son la 4 y 5, seguidas por las 7 y 8 y las de menor riesgo son la 1, 2, 3 y 6. A nivel visual se observa una relación entre la variable de precipitación y el número de casos mostrando que el periodo con mayor número de casos para el 2018 y 2019 coincide ser el segundo trimestre, Se comprueba que la variable precipitación está relacionada con la incidencia del dengue en Villavicencio, la variabilidad de los casos de dengue del 2018 están relacionados en un 62% con la precipitación y en un 86% para el 2019. Las variables temperatura y precipitación pueden predecir de un 30 a un 90 % de la variabilidad de los casos de dengue que se presentan en Villavicencio para el año 2018.

Se comprueban las hipótesis planteadas para este estudio donde existen patrones de distribución para los casos de dengue en la ciudad de Villavicencio, y existe relación entre las variables climáticas y la variabilidad del dengue en el 2018.

Los métodos utilizados fueron los adecuados, habría por mejorar para futuros estudios o extensiones de este estudio, acceder y utilizar más variables climáticas de las estaciones del IDEAM para ver una relación real entre estas y el dengue. Así mismo sería de gran utilidad que los encargados de la programación de la base de datos en la que se incluyen las direcciones en el SIVIGILA se estructurara de tal manera que se ingresara siempre las direcciones con unas condiciones específicas, de tal manera que la georreferenciación sea adecuada y no existan datos perdidos.

Se generan las preguntas de ¿en qué grado las variables temperatura y humedad relativa (medidas por el IDEAM) pueden estar aportando a la variabilidad del dengue?, ¿en qué grado las variables de estratificación, accesibilidad a agua potable, costumbres de almacenamiento de agua, disposición de residuos pueden estar aportando a la variabilidad del dengue? ¿la variabilidad del dengue en otras ciudades del departamento está explicada por las variables climáticas? ¿algún índice climático está relacionado con la variabilidad del dengue en la ciudad?

Se advierte que los valores de la explicación de la variabilidad de los casos de dengue en el 2017 pueden estar afectada por el volumen de los datos, así como la variabilidad explicada por la variable temperatura y humedad relativa corresponde a valores aproximados por WorldClim. Así mismo las observaciones del primer trimestre del 2018

106

donde se realiza la regresión OLD, no cumple con los supuestos por lo cual debe analizarse la información con cuidado.

RECOMENDACIONES •

Muchos de los datos que no se pudieron geo codificar fueron aquellos que sólo tenían el barrio, la vereda y o la dirección estaba incompleta. La falta de consistencia en cómo se ingresa al sistema la dirección de residencia del afectado es una gran dificultad a la hora de georreferenciar los datos, por lo cual sería muy útil el que el sistema de SIVIGILA contara con unos campos específicos donde se almacena cada parte de la dirección y que genere homogeneidad en la información ingresada, pues muchos técnicos escriben calle o carrera de manera diferente.

•

Se debe realizar una verificación con una muestra significativa para evaluar qué porcentaje de los datos geocodificados tienen error ya sí evaluar la veracidad de la información.

•

Realizar una regresión múltiple con variables sociales resultaría en una mejor explicación de los brotes de dengue teniendo en cuenta que la presencia del vector en un lugar es multifactorial, así mismo el que el virus se disperse y genere zonas de mayor riesgo de contagio.

•

A pesar de que para uno de los trimestres muestra que las variables precipitación y temperatura pueden explicar la variabilidad del número de casos y su distribución es importante realizar más análisis. Sería adecuado realizar análisis como se pudo realizar con los datos de cada año, teniendo en cuenta la variabilidad climática de todo el año y el comportamiento de la enfermedad a lo largo de todo el año.

•

Es importante realizar un análisis de teleconexiones para ver cuantos meses adelante o atrás se refleja este fenómeno en la zona de estudio.

107

REFERENCIAS Aiken, S. R., Frost, D. B., and Leigh, C. H. (1980). Dengue hemorrhagic fever and rainfall in Peninsular Malaysia: Some suggested relationships. Social Science and Medicine, 14 D(3), 307–316. https://doi.org/10.1016/0160-8002(80)90043-x Alcaldia de Villavicencio. (2015). Rendición pública de cuentas, infancia, adolescencia y juventud 2012-2015 (p. 551). http://historico.villavicencio.gov.co/Conectividad/RendiciondeCuentas/Rendición de Cuentas 2012-2015 - Infancia, Adolescencia y Juventud.pdf Alfonso, J., Vargas, M., Piccolo, C., Colina, R., Rubio-palis, Y., and Sáez, V. (2004).

Influencia de la Variabilidad Climática sobre el Número de Ingresos por Malaria en el Hospital Santos Anibal Dominicci , Carúpano , Sucre (Vol. 8, Issue Suppl 1).

Aponte Garzón, L. H. (2006). Conocimientos, actitudes y prácticas relacionadas con prevención y control de dengue presentes en la comunidad de Villavicencio, Colombia, 2003. Orinoquia, 10(1), 24–34. https://doi.org/10.22579/20112629.195 Aránguez Ruiz, E., Arribas García, M., Aránguez Gilarranz, J., and Ordóñez Iriarte, J. (2013). Salud y territorio. Aplicaciones prácticas de los sistemas de información geográfica para la salud ambiental. In Sociedad Española de Sanidad Ambiental (Vol. 53, Issue 9).

Ayllón, T., Câmara, D. C. P., Morone, F. C., Gonçalves, L. da S., Saito Monteiro de Barros, F., Brasil, P., Carvalho, M. S., and Honório, N. A. (2018). Dispersion and oviposition of Aedes albopictus in a Brazilian slum: Initial evidence of Asian tiger mosquito domiciliation in urban environments. PloS One, 13(4), e0195014. https://doi.org/10.1371/journal.pone.0195014 Bonita, K., Beaglehole, R., and Kjellstróm, T. (2018). Epidemiología básica. In Experimental and Clinical Endocrinology and Diabetes (Segunda ed). https://doi.org/10.1055/s-0029-1212051 Carbajo, A. E., Curto, S. I., and Schweigmann, N. J. (2006). Spatial distribution pattern of oviposition in the mosquito Aedes aegypti in relation to urbanization in Buenos Aires: southern fringe bionomics of an introduced vector. Medical and Veterinary Entomology, 20(2), 209–218. https://doi.org/10.1111/j.1365-2915.2006.00625.x Cassab, A., Morales, V., and Mattar, S. (2011). Factores climáticos y casos de Dengue en Montería, Colombia. 2003-2008. Revista de Salud Pública, 13(1).

Castrillón, J. C., Castaño, J. C., and Urcuqui, S. (2015). Dengue en Colombia: Diez años de evolución. Revista Chilena de Infectologia, 32(2), 142–149. https://doi.org/10.4067/S0716-10182015000300002 Climate-Data. (2019). Clima de Villavicencio. Accessed December 10, 2020, from https://es.climate-data.org/america-del-sur/colombia/meta/villavicencio5327/#climate-graph DANE. (2019). Censo nacional de población y vivienda. 2018. Colombia. Accessed December 23, 2020, from https://sitios.dane.gov.co/cnpv/#!/

108

De Viron, O., Dickey, J. O., and Ghil, M. (2013). Global modes of climate variability.

Geophysical Research Letters, 40(9), 1832–1837. https://doi.org/10.1002/grl.50386 Delgado, L., Córdova, K., and Rodríguez, A. J. (2004). Epidemiological impact of climatic variation on malaria dynamics in a northeastern region of Venezuela. Int J Inf Dis, 8(1), S23–S24.

Ebenezer, A., Noutcha, A. E. M., Agi, P. I., Okiwelu, S. N., and Commander, T. (2014).

Spatial distribution of the sibling species of Anopheles gambiae sensu lato (Diptera: Culicidae) and malaria prevalence in Bayelsa State, Nigeria. Parasites and Vectors, 7(1), 1–6. https://doi.org/10.1186/1756-3305-7-32 Esri. (2015a). Árboles de clasificación de los métodos de interpolación que se ofrecen en Geostatistical Analyst. Accessed June 2, 2020, from https://desktop.arcgis.com/es/arcmap/10.3/guide-books/extensions/geostatisticalanalyst/classification-trees-of-the-interpolation-methods-offered-in-geostatisticalanalyst.htm Esri. (2015b). Understanding interpolation analysis. Accessed June 2, 2020, from https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analysttoolbox/understanding-interpolation-analysis.htm Esri. (2016). El proceso de geocodificación. Accessed June 5, 2020, from https://desktop.arcgis.com/es/arcmap/10.3/guide-books/geocoding/the-geocodingprocess.htm#GUID-B1796687-F6EC-4CB7-AA0C-4510D7617A31 Esri. (2019). Densidad de kernel. Accessed December 20, 2020, from https://pro.arcgis.com/es/pro-app/latest/tool-reference/spatial-analyst/how-kerneldensity-works.htm ESRI. (2018). Ordinary Least Squares (OLS). Accessed December 20, 2020, from https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-statistics-toolbox/ordinaryleast-squares.htm Euscategui, C., and Hurtado, G. (2011). Análisis del impacto del fenómeno “LA NIÑA” 2010-2011 En la hidroclimatología del pais. II Congreso Internacional Del Clima, 571. https://bit.ly/2no145b Fuller, D. O., Troyo, A., and Beier, J. C. (2009). El Niño Southern Oscillation and vegetation dynamics as predictors of dengue fever cases in Costa Rica.

Environmental Research Letters : ERL [Web Site], 4, 140111–140118. https://doi.org/10.1088/1748-9326/4/1/014011 Guzmán, M. G., Kourí, G., Díaz, M., Llop, A., Vazquez, S., González, D., Castro, O., Alvarez, A., Fuentes, O., Montada, D., Padmanabha, H., Sierra, B., Pérez, A. B., Rosario, D., Pupo, M., Díaz, C., and Sanchez, L. (2004). Dengue, one of the great emerging health challenges of the 21st century. Expert Review of Vaccines, 3(5), 511–520. https://doi.org/10.1586/14760584.3.5.511 Hales, S., Weinstein, P., and Woodward, A. (1996). Dengue fever epidemics in the South Pacific : driven by El Niño Southern Oscillation. Tetanus toxoid for adults

109

Postoperative injection after colorectal surgery. The Lancet, 348, 1664–1665.

Holguin, K. (2016). Estudio De Caracterización Del Contexto De La Vivienda Nueva Multifamiliar En Villavicencio 2015. Universidad de los llanos.

IDEAM. (2005). Atlas climatológico de Colombia. In Imprenta nacional de Colombia (Ed.), Instituto de hidrologia, metorología y estudios ambientales. http://atlas.ideam.gov.co/presentacion/ IDEAM. (2018). Ficha metodológica operación estadística y variables metereológicas (p. 16). Instituto de hidrología, metereología y estudios ambientales.

IDEAM. (2020). Sistema de Información para la gestión de datos Hidrológicos y Meteorológicos – DHIME. Accessed May 1, 2020, from http://dhime.ideam.gov.co/webgis/home/ Iñiguez, L., Barcellos, C., and Peiter, P. (1999). Utilização de mapas no campo da Epidemiologia no Brasil: reflexões sobre trabalhos apresentados no IV Congresso Brasileiro de Epidemiologia. Informe Epidemiológico Do Sus, 8(2). https://doi.org/10.5123/s0104-16731999000200004 Instituto Nacional de Salud. (2017a). Ficha de notificación individual del Dengue (pp.

6–9). Sistema Nacional de Vigilancia en Salud Pública. Subsistemas de información SIVIGILA. Instituto Nacional de Salud. (2017b). Vigilancia y análisis del riesgo en salúd pública.

Protocolo de vigilancia en salún pública. Dengue. 210–220. https://www.ins.gov.co/buscador-eventos/Lineamientos/Dengue PROTOCOLO.pdf Instituto Nacional de Salud. (2019). Qué se debe saber del Dengue. Accessed January 2, 2019, from https://www.ins.gov.co/Noticias/Paginas/Dengue.aspx Instituto Nacional de Salud, and Padmanabha, H. (2010a). Human Behavior and Dengue Vectors. In GEF/World Bank Integrated National Adaptation Pilot to Climate Change. 2006-2011 Dengue Component,.

Instituto Nacional de Salud, and Padmanabha, H. (2010b). Pilot study of early detection of dengue clusters in children. In GEF/World Bank Integrated National Adaptation Pilot to Climate Change. 2006-2011 Dengue Component,.

Instituto Nacional de Salud, and Padmanabha, H. (2010c). The energetic basis of how mosquitoes adapt to warmer temperature. In GEF/World Bank Integrated National Adaptation Pilot to Climate Change. 2006-2011 Dengue Component,.

IntraMed. (n.d.). El dengue es la enfermedad tropical más expandida en el mundo.

Accessed January 2, 2020, from https://www.intramed.net/contenidover.asp?contenidoid=78883 IPCC. (2007). Climate change - The physical science basis (S. Solomon, D. Qin, M. Manning, Z. Chen, M. Marquis, K. B. Averyt, M. Tignor, & H. L. Miller (eds.); Cambridge, Vol. 59, Issue 8). https://doi.org/10.1256/wea.58.04

110

Jácome, G., Vilela, P., and Yoo, C. (2019). Ecological Informatics Social-ecological modelling of the spatial distribution of dengue fever and its temporal dynamics in Guayaquil , Ecuador for climate change adaption. Ecological Informatics, 49(November 2018), 1–12. https://doi.org/10.1016/j.ecoinf.2018.11.001 Jaramillo Ramírez, G. I., and Álvarez, L. S. B. (2017). Knowledge, Attitudes and Practices Regarding Dengue, Chikungunya, and Zika and their Vector Aedes Aegypti in Villavicencio, Colombia. The Open Public Health Journal, 10(1), 80– 89. https://doi.org/10.2174/1874944501710010080 Jing-chun, F. A. N., and Qi-yong, L. I. U. (2019). Potential impacts of climate change on dengue fever distribution using RCP scenarios in China. Advances in Climate Change Research, 10(1), 1–8. https://doi.org/10.1016/j.accre.2019.03.006 Koopman, J. S., Prevots, R., Vaca Mann, M. A., Gomez Dantes, H., Zarate Aquino, M. L., Longini, I., and Sepulveda Amor, J. (1991). Determinants and Predictors of Dengue Infection in Mexico. American Journal of Epidemiology, 133(11), 1168– 1178.

Lebel, J. (2005). Salud, un enfoque ecosistémico (S. A. Alfaomega Colombiana (ed.); Primera ed). https://doi.org/10.1017/CBO9781107415324.004 Lemus, E. (2009). Salud Internacional ante el cambio climático. Caso de Dengue en las Américas. 20.

Londoño C, L. A., Restrepo, C., and Marulanda O., E. (2014). Distribución espacial del dengue basado en herramientas del Sistema de Información Geográfica, Valle de Aburra, Colombia. Revista Facultad Nacional Salud Pública, 32(1).

Mala, S., and Mahesh, J. (2019). Geographic information system based spatio-temporal dengue fever cluster analysis and mapping. The Egyptian Journal of Remote Sensing and Space Sciences, 22(3), 297–304. https://doi.org/10.1016/j.ejrs.2019.08.002 Márquez Benítez, Y., Monroy Cortés, K., Martínez Montenegro, E. G., Peña García, V. H., and Monroy Díaz, Á. L. (2019). Influencia de la temperatura ambiental en el mosquito Aedes spp y la transmisión del virus del dengue Influence of environmental temperature in the mosquito Aedes spp and the transmission of the dengue virus. Ces Medicina, 33(1), 42–50.

McMichael, A. j., Campbell-Lendrum, D. H., Corvalán, C. F., Ebi, K. L., Githeko, A. K., Scheraga, J. D., and Woodward, A. (2012). Climate change and human health.

Journal of Internal Medicine of Taiwan, 23(5), 343–350. https://doi.org/10.6314/JIMT.2012.23(5).05 Medronho, R. D. A. (2009). Spatial analysis of dengue and the socioeconomic context of the city of Rio de Janeiro ( Southeastern Brazil ). 43(4).

Mena, N., Troyo, A., Bonilla-Carrión, R., and Calderón-Arguedas, Ó. (2011). Factores asociados con la incidencia de dengue en Costa Rica. Revista Panamericana de Salud Publica/Pan American Journal of Public Health, 29(4), 234–242. https://doi.org/10.1590/S1020-49892011000400004

111

Meza-Ballesta, A., and Gónima, L. (2014). Influencia del clima y de la cobertura vegetal en la ocurrencia del dengue (2001-2010). Revista de Salud Pública, 16(2), 293–306.

Ministerio de Salud y Protección Social de Colombia. (2013). Gestión para la vigilancia entomológica y control de la transmisión de dengue (p. 126). Instituto Nacional de Salud.

Mutheneni, S. R., Mopuri, R., Naish, S., Gunti, D., and Murty, S. (2018). Spatial distribution and cluster analysis of dengue using self organizing maps in Andhra Pradesh, India, 2011 – 2013. Parasite Epidemiology and Control, 3(1), 52–61. https://doi.org/10.1016/j.parepi.2016.11.001 NOAA. (n.d.). Climate Indices: Monthly Atmospheric and Ocean Time-Series.

Accessed March 10, 2021, from https://psl.noaa.gov/data/climateindices/list/ NOAA. (2017). Description of chages to Ocean Niño Index. Accessed March 10, 2021, from https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_chan ge.shtml NOAA. (2020). Cold & Warm Episodes by Season. Accessed March 10, 2021, from https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.p hp Ooi, E. E., and Gubler, D. J. (2009). Global spread of epidemic dengue: The influence of environmental change. Future Virology, 4(6), 571–580. https://doi.org/10.2217/fvl.09.55 Ortiz R, C., Rúa-Uribe, G., Suárez A, C., Mafla P, M. A., Almanza, R., and dos Santos, S. L. (2013). Distribución espacial de casos e incidencia de dengue: análisis de la situación para Medellín- Colombia. Revista Facultad Nacional de Salud Pública, 31(3), 329–337.

Pabón, D. (2006). El clima de Colombia durante los siglos XVI-XIX a partir de material histórico. Cuadernos de Geografia, 15, 75–92. https://bit.ly/2no145b Padilla, J. C. (2002). Las enfermedades transmitidas por vectores un grave problema de salud pública en Colombia. Revista Locosan, 23–26.

Padilla, J. C., Rojas, D. P., and Sáenz-Gómez, R. (2012). Dengue en Colombia, epidemiología de la reemergencia a la hiperendemia (C. A. Hernandez (ed.); Primera ed).

Padmanabha, H., Bolker, B., Lord, C. C., Rubio, C., and Lounibos, L. P. (2011). Food Availability Alters the Effects of Larval Temperature on Aedes aegypti Growth.

Journal of Medical Entomology, 48(5), 974–984. https://doi.org/10.1603/me11020 Padmanabha, H., Correa, F., Legros, M., Nijhout, H. F., Lord, C., and Lounibos, L. P. (2012). An eco-physiological model of the impact of temperature on Aedes aegypti life history traits. Journal of Insect Physiology, 58(12), 1597–1608. https://doi.org/10.1016/j.jinsphys.2012.09.015

112

Padmanabha, H., Correa, F., Rubio, C., Baeza, A., Osorio, S., Mendez, J., Jones, J. H., and Diuk-Wasser, M. A. (2015). Human social behavior and demography drive patterns of fine-scale dengue transmission in endemic areas of colombia. PLoS ONE, 10(12). https://doi.org/10.1371/journal.pone.0144451 Padmanabha, H., Durham, D., Correa, F., Diuk-Wasser, M., and Galvani, A. (2012).

The Interactive Roles of Aedes aegypti Super-Production and Human Density in Dengue Transmission. PLoS Neglected Tropical Diseases, 6(8). https://doi.org/10.1371/journal.pntd.0001799 Padmanabha, H., Soto, E., Mosquera, M., Lord, C. C., and Lounibos, L. P. (2010).

Ecological links between water storage behaviors and aedes aegypti production: Implications for dengue vector control in variable climates. EcoHealth, 7(1), 78– 90. https://doi.org/10.1007/s10393-010-0301-6 Palú, A., García, R. C., Tercero, D., Torres, M., and Estrada, L. C. (2017).

Características del vírus del dengue y su pronóstico bioclimático en el Departamento de Cortés. MEDISAN, 21(9), 2002.

Penilla, P. (2007). Estrategias de control de las enfermedades transmitidas por vector.

Salud Pública de México, 49, 290.

Perez, T., Iniguez, L., Sanchez, L., and Remond, R. (2003). Vulnerabilidad espacial al dengue, una aplicación de los sistemas de información geográfica en el municipio de la playa de ciudad de La Habana. Instituto de Medicina Tropical “Pedro Kouri.”

Poveda, G., Vélez, J. I., Mesa, O., Hoyos, C., Mejía, J., Barco, O. J., and Correa, P. L. (2002). Influencia de fenómenos macroclimáticos sobre el ciclo anual de la hidrología Colombiana: Cuantificación lineal, no lineal y percentiles probabilísticos. Meteorología Colombiana, 6, 121–130.

Rodríguez-Morales, A. J. (2005). Ecoepidemiología y Epidemiología satelital: nuevas herramientas en el manejo de problemas en salud pública. Rev Peru Med Exp Salud Publica, 22(1), 54–63.

Rotela, C., DeElia, E., Elorza, C., Horlent, N., Lamaro, AnabelLanfri, MarioLanfri, SofíaOtero, JosefinaPons, DiegoPorcasi, XimenaScavuzzo, CarlosTorrusio, S., and Moral, M. (2014). Epidemiología panorámica. Introducción al uso de herramientas geoespaciales aplicadas a la Salúd pública (1ra Edició).

Rúa-Uribe, G. L., Suárez-Acosta, C., Chauca, J., Ventosilla, P., and Almanza, R. (2013). Modelado del efecto de la variabilidad climática local sobre la transmisión de dengue en Medellín (Colombia) mediante análisis de series temporales.

Sánchez, D., Santa, F., and Fuentes, H. (2012). Modelos de regresión espacial para el comportamiento de las enfermedades infecciosas dengue y malaria en colombia para los años 2000, 2005 y 2010. Geomática, 6, 110–128.

Scott, T. W., Amerasinghe, P. H., Morrison, A. C., Lorenz, L. H., Gary, G., Strickman, D., Kittayapong, P., Edman, J. D., Scott, T. W., Amerasinghe, P. H., Morrison, A.

113

M. Y. C., Lorenz, L. H., Clark, G. G., Strickman, D., Kittayapong, P., and Edman, J. D. (2000). Longitudinal Studies of Aedes aegypti ( Diptera : Culicidae ) in Thailand and Puerto Rico : Blood Feeding Frequency Longitudinal Studies of Aedes aegypti ( Diptera : Culicidae ) in Thailand and Puerto Rico : Blood Feeding Frequency. 37(1), 89–101.

Sifontes, M. (2009). Variabilidad climática y malaria un estudio regional: Municipio Sifontes, estado de Bolívar, Venezuela. Terra Nueva Etapa, XXV(37), 93–112.

Soto, J. D. (2019). Relación espacial entre Aedes aegypti ( Linnaeus , 1762 ) y la enfermedad de dengue en Guatemala. Revista Científica, 28(2).

Souza, J., Mariano, Z. de F., and Scopel, I. (2007). A influência do clima urbano na proliferação do mosquito Aedes aegypti em Jataí (GO) na perspectiva da geografia médica. Hygeia, 2(5), 33–49.

Suarez, M. R., Olarte, S. M. F., Ana, M. F. A., and González, U. C. (2005). Is what I have just a cold or is it dengue? Addressing the gap between the politics of dengue control and daily life in Villavicencio-Colombia. Social Science and Medicine, 61(2), 495–502. https://doi.org/10.1016/j.socscimed.2004.11.069 The World Bank. (2012). Implementation completion and results report (tf-56350) on a grant in the amount of us$5.4 million from the global environment facility trust fund for the benefit of the republic of Colombia through conservation international Colombia (p. 59).

Tobler, W. R. (1970). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography, 46, 234–40.

Tran, A., Deparis, X., Dussart, P., Morvan, J., Rabarison, P., Remy, F., Polidori, L., and Gardon, J. (2004). Dengue Spatial and Temporal Patterns, French Guiana, 2001.

Emerging Infectious Diseases, 10(4), 615–621. https://doi.org/10.3201/eid1004.030186 Uribe, G. L. R., Londoño, D. A. C., Ospina, R. A. R., Correa, E. A. H., González, W. H. S., and Acosta, C. del R. S. (2012). Influencia del evento climático El Niño sobre la dinámica de transmisión de dengue en Medellín, Antioquia, Colombia. Iatreia, 25(4), 314–322.

Vargas, J. (2003). Prevención y control de la Malaria y otras enfermedades trasmitidas por vectores en el Perú. Revista Peruana de Epidemiología, 11(1), 18.

Velasco, A. N. (2016). Integración Del Concepto De Variabilidad Hidroclimática En Pronósticos Hidrológicos De Largo Plazo De Resolución Mensual En Colombia.

Pontificia Universidad Javeriana.

Wibawa, P., Marina, R., Puspita, T., Ariati, Y., Purwanto, E., Hananto, M., Hu, W., and Soares, R. J. (2019). Spatial and temporal variation of dengue incidence in the island of Bali , Indonesia : An ecological study. Travel Medicine and Infectious Disease, 32(May), 101437. https://doi.org/10.1016/j.tmaid.2019.06.008 WorldClim. (2020). Historical climate data. Accessed June 1, 2020, from

114

https://www.worldclim.org/data/worldclim21.html Zambrano, L. I., Rodriguez, E., Espinoza-salvado, I. A., Fuentes-barahona, I. C., Lyra, T., Oliveira, D., Luciano, G., Cláudio, J., Valle-reconco, J. A., and Rodríguezmorales, A. J. (2019). Spatial distribution of dengue in Honduras during 2016 – 2019 using a geographic information systems ( GIS ) – Dengue epidemic implications for public health and travel medicine. Travel Medicine and Infectious Disease, 32(November), 101517. https://doi.org/10.1016/j.tmaid.2019.101517 Zambrano, L. I., Sierra, M., Lara, B., Rodríguez-nú, I., Medina, M. T., Lozada-riascos, C. O., and Rodríguez-morales, A. J. (2017). Estimating and mapping the incidence of dengue and chikungunya in Honduras during 2015 using Geographic Information Systems ( GIS ). 446–456. https://doi.org/10.1016/j.jiph.2016.08.003