PROYECTO INAMHI-MAE-SCN-PRAA-PACC Reporte Metodológico

PROYECTO INAMHI-MAE-SCN-PRAA-PACC
1
Reporte Metodológico sobre el Experimento de
Predicibilidad de Malaria en el Litoral Ecuatoriano
Ángel G. Muñoz S.1, Cristina Recalde2
1
Centro de Modelado Científico (CMC) de La Universidad del Zulia. Maracaibo,
4004. Venezuela
2
Instituto Nacional de Meteorología e Hidrología (INAMHI) del Ecuador. Quito,
Ecuador.
Resumen Ejecutivo
Se discuten en las siguientes páginas los aspectos metodológicos y resultados de
un estudio de predicibilidad de Malaria para la costa de Ecuador. El objetivo es
verificar si mediante el empleo del modelo climático de downscaling dinámico
WRF (Weather Research and Forecasting), y del modelo biomatemático de RossMacdonald para Malaria, es posible reproducir o no adecuadamente la evolución
espacio-temporal de los casos positivos reportados por el Servicio Nacional de
Erradicación de la Malaria y Vectores Artrópodos (SNEM) del Ecuador.
Habiéndose escogido las provincias de El Oro, Guayas y Esmeraldas por
disponibilidad de los datos de casos positivos del SNEM, se ha considerado un
período retrospectivo (1996-2008) que incluye tanto años neutrales como años
importantes de El Niño-Oscilación del Sur (ENOS). El presente estudio de
predicibilidad considera, para el dominio espacial y temporal mencionado, el
empleo del modelo de Ross-MacDonald para la provisión del número básico de
reproducción, una medida del número de casos secundarios de malaria que
pueden ocurrir por cada caso primario existente. Este modelo dinámico requiere
de información entomológica, socio-económica y climática. Si bien las dos
primeras se han obtenido a partir de datos provistos por el SNEM, se ha escogido
emplear un modelo climático regional, el WRF, para proveer los campos de
temperatura de alta resolución (30 km) necesarios. Estos últimos datos del modelo
se han provisto gracias a una colaboración previamente establecida entre el
Centro de Modelado Científico (CMC) de La Universidad del Zulia –Venezuela- y
el Instituto Nacional de Meteorología e Hidrología (INAMHI) –Ecuador.
Entre los resultados destacan una validación del desempeño del modelo climático
con respecto a observaciones de temperatura superficial (2 metros) en malla
provistas por el producto CRU (versión 3), series de tiempo y mapas
2
geoespaciales de alta resolución del número básico de reproducción para toda la
costa ecuatoriana, mes a mes y las correspondientes medias mensuales
multianuales para el período 1996-2008. Como conclusión final, se aprecia que
este “acoplamiento” entre el modelo climático regional seleccionado, con las
configuraciones físicas escogidas, y el modelo biomatemático de Ross-MacDonald
es capaz de reproducir adecuadamente los ciclos de evolución interanual, pero
que necesitan considerarse modificaciones al modelo original en aras de incluir,
por ejemplo, información sobre el papel de las campañas de fumigación que el
SNEM ha venido realizando sistemáticamente. Se delinean algunos pasos a
seguir en este sentido y se hacen recomendaciones para nuevos trabajos que
puedan apuntar consistentemente al establecimiento de un Sistema de Alerta
Temprana de Malaria (y Dengue) para el Litoral Ecuatoriano.
Finalmente, se anexan los resultados del entrenamiento en modelación dinámica
de Clima y Malaria, llevado a cabo en Guayaquil entre los días 23 y 25 de Agosto
de 2010, en el que se conformó el Grupo de Trabajo en Clima y Salud (se anexa
documento) y se efectuaron algunos ejercicios importantes en términos del empleo
de este tipo de herramientas para determinar qué diferencias podrían esperarse,
sin considerar aspectos como campañas de fumigación, para el futuro cercano
(2015).
3
ÍNDICE GENERAL
ANTECEDENTES___________________________________________
5
I.
INTRODUCCIÓN
7
II.
OBJETIVOS ______________________________________
12
III.
DATOS_____________
13
_______
____
4
IV.
METODOLOGÍA
______________________
16
V.
RESULTADOS______________________________
21
VI.
LIMITACIONES
35
VII.
CONCLUSIONES Y RECOMENDACIONES________
36
VIII.
BIBLIOGRAFÍA ________________________________________
38
IX.
ANEXOS______________________________________________
43
FIGURAS PROVISTAS___________________________________
44
INFORME TALLER______________________________________
45
ANTECEDENTES
Dentro de los objetivos de Desarrollo del Milenio (ODM) contenidos en el Plan
Nacional de Desarrollo del Ecuador (OMS) está el de reducir la carga del
paludismo en al menos el 50% para el 2010 y el 75% para el 2015 [MSPE/OPS,
2009]. Cabe resaltar en este punto que el SNEM (el cual forma parte del Ministerio
de Salud del Ecuador, MSPE) y el Proyecto de Control de la Malaria en las Zonas
Fronterizas de la Región Andina (PAMAFRO) del Organismo Andino de Salud,
fueron galardonados por la Organización Panamerica de la Salud (OPS) con el
premio “Campeón en lucha contra el Paludismo en las Américas 2009” [SNEM,
2009]. Esto no es más que una muestra de que las autoridades de salud del
Ecuador
se encuentran activamente en la búsqueda de mecanismos de
prevención y solución contra la malaria.
Con la iniciativa del INAMHI y el SNEM de prevenir a la población ecuatoriana de
una epidemia de malaria causada por la alta variabilidad del clima o ante la
presencia de un evento extremo como El Niño, y con el interés de unir esfuerzos
institucionales para el desarrollo del país, en Ecuador se han realizado desde
inicios del mes de Julio del 2009 una serie de
reuniones para integrar,
intercambiar información, experiencias y establecer un trabajo conjunto entre
INAMHI y el SNEM. Ambas instituciones, de modo independiente, han coincidido
en que existe una marcada relación entre clima y salud, y han sugerido estrechar
lazos de colaboración para llevar a cabo la realización de este Proyecto de Estudio
de predicibilidad como un primer paso para el posterior desarrollo de “Sistema de
Alerta Temprana para la Malaria” en nuestro país. Debido al interés y necesidad
de seguir realizando estudios referentes a clima y salud el 3 de Febrero del 2010
se firma el Convenio de Cooperación Interinstitucional entre ambas instituciones
5
[INAMHI-SNEM, 2010], siendo éste de gran importancia para la elaboración de
investigaciones futuras.
Reconociendo objetivos comunes en el área de estudios de Variabilidad y Cambio
Climático para el Ecuador, en 2009 el Ministerio del Ambiente del Ecuador (MAE)
y el INAMHI suscriben un acuerdo de colaboración específicamente orientado a la
realización de una serie de proyectos con el objetivo de generar información e
índices climáticos que promuevan y apoyen los esfuerzos nacionales para reducir
los impactos de la Variabilidad y Cambio Climático en áreas y sectores específicos
del país.
La iniciativa de la generación de un sistema de alerta temprana para malaria está
respaldada dentro del Observatorio Andino [Muñoz et al., 2010] en un proyecto
regional de Clima y Salud que involucra a Venezuela, Colombia y Ecuador.
El presente estudio es ejecutado dentro de dicho marco de referencia por el
INAMHI, con el apoyo del Ministerio del Ambiente, Proyecto de Adaptación al
Impacto del Retroceso Acelerado de Glaciares en los Andes Tropicales (PRAA),
Proyecto de Adaptación al Cambio Climático a través de una Efectiva
Gobernabilidad del Agua en el Ecuador (PACC), y Proyecto GEF/PNUD/MAE
Segunda Comunicación Nacional sobre Cambio Climático.
6
NTRODUCCIÓN
Hay muchas pruebas científicas de la relación existente entre las condiciones
climáticas y las enfermedades infecciosas. La malaria es un gran problema de
salud pública y probablemente sea la enfermedad transmitida por vectores más
sensible al cambio climático a largo plazo. En las zonas de gran endemia, su
frecuencia varía con las estaciones. La relación entre la malaria y los fenómenos
climáticos extremos es objeto de estudio desde hace tiempo. En la India, por
ejemplo, a principios del siglo pasado la región del Punjab, irrigada con aguas
fluviales,
experimentó
epidemias
periódicas
de
malaria.
Las
excesivas
precipitaciones monzónicas y el alto grado de humedad se identificaron pronto
como unos de los factores más importantes, que favorecen la multiplicación y la
supervivencia del mosquito. Análisis recientes han demostrado que el riesgo de
epidemia de malaria es unas cinco veces mayor el año siguiente a un episodio de
El Niño [Bouma y van der Kaay, 1996].
La malaria, o paludismo, es la enfermedad más significativa transmitida por
vectores biológicos en los humanos. Es mayormente causada por los parásitos
Plasmodium falciparum y Plasmodium vivax [Organización Mundial de la Salud,
2009] los cuales son transportados por la especie Anopheles de mosquitos y
transmitidos a las personas por medio de picaduras.
En América Latina y el Caribe, el 75% de las infecciones de paludismo son
causadas por P. vivax, que raramente conduce a la muerte, mientras que el 25%
restante se debe al mucho más letal P. falciparum. De un total de 775.500 casos
de paludismo en América Latina y el Caribe en el 2007 se registraron 212 muertes
[Organización Panamericana de la Salud, 2009]
Enfermedades epidémicas como dengue, malaria o fiebre amarilla son de capital
importancia para la Salud Pública en la sociedad actual. Por ejemplo, en
7
Sudamérica, los países que comparten el Amazonas, a saber: Bolivia, Ecuador,
Perú y Venezuela (de la Región Andina), Guayana Francesa, Guayana y
Suriname (del Escudo Guayanés) y Brasil, presentan el 91% de todos los casos
subcontinentales reportados, y el 87% de todas las muertes atribuidas a malaria
reportadas en el 2004 [Pan American Health Organization, 2006]. La erradicación
de este tipo de enfermedades es, sin duda alguna, uno de los retos más
importantes de los presentes tiempos. Desarrollar estrategias de eliminación para
la malaria es considerada una prioridad en la salud global [Hommel, 2008].
En el Ecuador, la malaria ha venido siendo uno de los mayores problemas de la
Salud Pública, sobre todo en áreas rurales y peri-urbanas. Si bien es cierto tuvo un
incremento importante durante entre 1980 y 1999 (ver Tabla No. 1), también es
cierto que ha venido en decremento en los últimos años. Sin embargo, no es
posible descartar absolutamente la ocurrencia rebrotes.
Tabla 1: Casos de Malaria en Ecuador durante eventos ENSO escogidos. Fuente: Aguilar, 2001
Para poder modelar adecuadamente la malaria es necesario primero entender
alguno de los mecanismos biológicos relacionados con el ciclo propio de la
enfermedad. Esto es de especial importancia en áreas con transmisión estacional
baja e intermedia, como es el caso de América del Sur [Chowell et al, 2009].
Existen tres clases de malaria, todas ellas causadas por una especie de
protozoarios llamada Plasmodium, de los cuales el más letal es el Plasmodium
8
falciparum. El ciclo de la malaria comienza cuando el plasmodio se adquiere por
la picadura de un mosquito anofeles hembra al chupar la sangre de una persona
infectada con malaria. El plasmodio en la sangre se aparea en el estómago del
mosquito y produce cientos o miles de nuevos plasmodios que viajan por su
cuerpo, incluso hasta las glándulas salivales. Cuando el mosquito pica de nuevo,
inyecta los plasmodios (llamados esporozoitos) en la víctima humana.
Estos parásitos llegan al hígado, donde se reproducen y forman una nueva fase
de plasmodios (merozoitos) que ingresan al torrente sanguíneo, se alojan en los
glóbulos rojos, se reproducen, y en 48 horas salen
y atacan nuevas células
sanguíneas, repitiendo el proceso cada 48 horas. Las personas que contraen
malaria sufren de fuertes fiebres que se repiten cada dos días, aproximadamente,
y dependiendo del plasmodio puede llegar a provocar la muerte del paciente.
Por otra parte, y como es bien conocido, el clima determina las condiciones de
flora y fauna en nuestro planeta, proveyendo así, especialmente en climas
tropicales, condiciones ideales para el crecimiento y población de vectores
biológicos. Éstos son transportadores de enfermedades que, de no ser tratadas a
su debido tiempo, pueden convertirse en epidemias. La transmisión de malaria
puede variar dependiendo de factores locales, tales como los patrones de lluvia
(los mosquitos se crían en condiciones de humedad), la proximidad de los
criaderos de mosquitos a las personas, y los tipos de especies de mosquitos en el
área. Algunas regiones (las zonas endémicas) tienen un número bastante
constante de casos durante todo el año. En otros ámbitos hay "estaciones de la
malaria", generalmente relacionadas con la temporada de lluvias.
En Ecuador se conoce que las lluvias varían en su intensidad, en su duración, en
su periodicidad, así como también en su distribución espacio-temporal. De manera
general en la Costa, existe un solo período de lluvia que comienza a fines de
diciembre o principios de enero y termina a fines de mayo. Para el Callejón
Interandino se tiene, igualmente, una estación lluviosa que se extiende de
septiembre a abril o mayo, mientras que en el Oriente se presentan durante todo
9
el año, siendo los meses de mayor intensidad los de abril, junio y julio, y menos
intensos los de septiembre y octubre [Cañadas, 1983]. Dos variables climáticas
elementales, la temperatura y precipitación promedio anual, con sus variaciones
en el curso del año, se utilizan frecuentemente para la determinación cuantitativa
del clima predominante en una región o localidad [Cañadas, 1983].
Existen diferentes modelos matemáticos para simular la transmisión de la malaria
que consideran en mayor o menor medida todo lo recién expuesto: desde el ciclo
biológico, hasta el papel de las condiciones socio-económicas, el clima o
mecanismos de control. Entre ellas destacan: el modelo de Ross-MacDonald
[1957]; el modelo clásico de ecuaciones diferenciales discutido por McKenzie et
al. [1998]; el modelo epidemiológico no espacial de malaria sugerido por Ruiz y
Yan [2003]; el modelo de transmisión de Yang para malaria de distintos niveles de
inmunidad y parámetros dependientes de la temperatura [2000]; el modelo de
Martens [1997]; el modelo propuesto por Worrall, Connor, and Thomson [2007]; el
modelo dinámico propuesto por Ruiz et al. [2002a, 2002b, 2003, 2006]; el modelo
de malaria forzado por parámetros meteorológicos sugerido por Hoshen y Morse
[2004]; y la herramienta para tomadores de decisión sugerida por Githeko y
Ndegwa [2001].
En el presente documento se considera un estudio de predicibilidad de malaria
para el Litoral Ecuatoriano. Se ha escogido, de los distintos modelos disponibles,
el modelo seminal de MacDonald [1957] para comprender el efecto del clima
(temperatura) sobre la dinámica de transmisión. La idea es considerar luego otros
modelos más complejos, pero siendo éste un estudio inicial en Ecuador al
respecto, es menester avanzar por pasos. En un siguiente nivel se espera hacer
empleo de un modelo más sólido en la consideración de las variables socioeconómicas y que considere mecanismos de control. De hecho, con el modelo de
MacDonald es posible expresar, al menos teóricamente, las condiciones bajo las
cuales el paludismo se extendiende en una población humana y vectora una vez
introducida la semilla malárica. Es importante enfatizar que el número básico de
reproducción de este modelo se refiere únicamente a la situación en la cual no
10
existe regulación alguna sobre la población del parásito, es decir, durante los
primeros momentos de su introducción en una población inmunológicamente
virgen, y que por tanto se trata del potencial reproductivo máximo en una situación
específica [Basáñez, et al., 2004].
El modelo escogido, como se sabe, depende de variables socioeconómicas
mínimas (lo cual facilita a este nivel su implementación, dado que se desea
considerar en esta fase una exploración sobre todo de la componente climática),
variables entomológicas (provistas por el SNEM) y finalmente variables que
dependen de la temperatura ambiental. En aras de estudiar la predicibilidad de
malaria, se empleará el modelo climático regional CWRF, normalmente empleado
en el Observatorio Andino [Muñoz et al., 2010] para pronóstico estacional, forzado
con reanálisis [Kistler et al., 2001] como condiciones de borde “perfectas”. La idea
subyacente es que al emplear un sistema de pronóstico real, la representación de
las condiciones de borde para el modelo climático no es efectivamente “perfecta”,
y por ende la predicibilidad aquí estudiada constituye un límite superior a la que
pueda obtenerse. Es importante recordar este aspecto a lo largo del presente
documento.
La distribución del documento es la que sigue. En las siguientes secciones se
presentan los objetivos, datos disponibles (tanto provistos por el SNEM como los
climáticos) y metodología seguida, respectivamente. Los resultados obtenidos, en
términos de análisis inicial de los datos epidemiológicos, validación del modelo
climático regional y análisis de los resultados del sistema acoplado McDonaldmodelo climático, se discuten acto seguido. Finalmente las limitaciones y las
conclusiones y recomendaciones para trabajos futuros se presentan en las últimas
dos secciones.
11
OBJETIVOS
El objetivo general de este trabajo es conocer la predicibilidad por agentes
climáticos en la incidencia de la malaria en el Ecuador para el periodo 1996-2008 y
de esta forma determinar si es factible realizar pronósticos a futuro.
12
Este trabajo proveerá una metodología base que puede emplearse en estudios de
Clima y Salud asociados a otros tipos de enfermedades, como dengue o fiebre
amarilla.
Del objetivo general, se desprenden los siguientes objetivos específicos:

Establecer los primeros pasos de interacción de los institutos nacionales
responsables de la salud y el Clima; representados por el Servicio Nacional de
Erradicación de la Malaria - SNEM y el Instituto Nacional de Meteorología e
Hidrología - INAMHI, respectivamente.

Conocer las habilidades del modelo climático regional CWRF del Observatorio
Andino [Muñoz et al., 2010] para pronosticar campos de temperatura para la
costa ecuatoriana, variable clave para la componente climática del modelo de
MacDonald [1957].

Estudiar el desempeño del modelo de MacDonald en la representación de la
distribución de malaria para el Litoral, empleando información socioeconómica, entomológica y epidemiológica provista por el Servicio Nacional de
Erradicación de la Malaria y Vectores Artrópodos, e información
climática
provista por el modelo CWRF (condiciones de borde de reanálisis NNRP
[Kistler et al., 2001]). Especial énfasis se hace al tema de la predicibilidad
asociada a la componente climática en este estudio.

Conformar un Grupo de Trabajo Especializado en Ecuador de Clima y Salud.
DATOS
Las variables necesarias para el presente estudio son: variables climatológicas,
entomológicas y epidemiológicas.
13
Variables Climáticas
El modelo de MacDonald básicamente requiere mapas espacio-temporales de
temperatura para la zona de interés. En el presente trabajo, estos campos son
provistos mediante el producto OA-NOSA30 [Muñoz y Recalde, 2010], una base
de datos con la salida del modelo CWRF puesta a disposición por el Observatorio
Andino, producida entre el Centro de Modelado Científico (CMC) y el INAMHI por
un acuerdo previo al presente Proyecto. Las mallas de temperatura son obtenidas
mediante el resultado del Modelo CWRF, para el período 1996-2008. Estos datos
estás disponibles públicamente en la IRIDL [Muñoz y Recalde, 2010].
Brevemente se mencionará aquí que el procedimiento para obtener estas salidas
consiste en ejecutar el modelo climático regional CWRF [Muñoz et al., 2010],
empleando condiciones de borde del reanálisis NCEP-NCAR [Kistler et al., 2001],
llamados NNRP. Los datos de NNRP
poseen una resolución espacial de
aproximadamente unos 280 km, están disponibles en intervalos de 6 horas y en
dos sistemas de coordenadas diferentes: 17 niveles de presión sobre la celda de
2.5o x2.5o, 28 niveles sigma para una malla de 192x94 rejillas (en coordenadas
gaussianas), y 11 niveles isoentrópicos para una malla de
2.5 o x2.5o. Los
resultados del proyecto se almacenan en formato GRIB (para mayores detalles ver
[Kistler et al., 2001] y referencias ahí citadas). Luego del dowscaling dinámico
mediante la ejecución del modelo CWRF, la resolución que se obtuvo de los datos
de precipitación y de temperatura fue 30 km x 30 km con salidas cada 6 horas.
Cabe resaltar que a las salidas de este modelo no se les has hecho aún la
corrección del sesgo, de modo que debe validarse el producto de temperatura
antes de ser usado en el modelo de MacDonald.
Para llevar a cabo esta validación, se ha escogido el producto East Anglia
University CRU TS versión 3 (ver [Mitchell y Jones, 2005]). Si bien el mismo aún
no está oficialmente a disposición del público, las instituciones académicas tienen
acceso a su uso bajo acuerdo. Para el presente trabajo el Centro de Modelado
Científico consiguió descargarlo y transfirió los datos al INAMHI. Si bien está
disponible el período 1901-2006, la ventana temporal escogida para la validación
(básicamente la intersección entre los intervalos disponibles para la OA-NOSA30 y
CRU3) es 1996-2006 –unos 11 años. La resolución espacial es de 0.5o y la
resolución temporal es mensual.
Variables Epidemiológicas y Entomólógicas
En
lo
que
respecta
a
las
variables
entomológicas
y
epidemiológicas
proporcionadas por el SNEM se tiene la siguiente información:

Distribución de los principales vectores de la malaria para las zonas de
estudio

Casos positivos de malaria a resolución mensual/anual para el periodo de
estudio.

Vectores (mosquito) existentes en las zonas de interés.
La data del SNEM se recibió en formato de Excel, la cual se la llevó a un formato
ASCII para tener mayor facilidad de manejo al momento de ingresarla a los scripts
elaborados para los resultados pertinentes.
De especial interés es el tipo y distribución espacio-temporal de vectores. En
informe provisto por el SNEM [2010] para el Proyecto indica que en el Ecuador los
P. vivax y P. falciparum son los agentes parasitarios,
vectores de la malaria son:
y que los principales
14
An (Nys) albimanus
An (Ano) punctimacula
An (Ano) pseudopunctipennis
An (Kerr) neivai
An (Nys) oswaldoi
An (Nys) rangeli
An (Nys) nuñez tovari
El An. albimanus es el principal vector en el litoral, An. psedopuctipennis en los
valles interandinos y An. nunestovari, An. oswaldoi, An. trianulatus, An.
punctimacula y An. trinkae en la Amazonía [Aguilar, 2001].
Siendo más específicos en las provincias de estudios se tiene:
 Provincia del Guayas: An (Nys) albimanus, An(Ano) punctimacula complex,
An (A) pseudopunctipennis.
 Provincia de Esmeraldas: An(Nys) albimanus, An(Ano) punctimacula, An
(Ano) pseudopunctipennis, An (Kerr) neivai
 Provincia de El Oro: An. (Nys) albimanus y An. (Ano) punctimacula.
Basándose en esta información y en la disponibilidad de los distintos parámetros
asociados al vector prevalente en el Litoral Ecuatoriano, a saber An. albimanus, se
le escogió como vector piloto de este Proyecto. De hecho este vector coincide con
ser el principal también para la Costa Pacífica de Colombia, y dado que se intenta
incluir la presente iniciativa en el Proyecto Regional de Clima y Salud del
Observatorio Andino mencionado anteriormente, es importante tratar de compartir
la información y recursos disponibles entre los tres países en cuestión.
En [Martins, 1997] es posible encontrar información adicional referente a valores
específicos para los parámetros necesarios al considerar An. albimanus.
15
METODOLOGÍA Y ECUACIONES
Como se ha explicado anteriormente, con el interés de determinar la predicibilidad
–o capacidad de predicción- de incidencia de la malaria en las zonas de estudio
se ha escogido una metodología que emplea un modelo climático regional
dinámico (CWRF) [Skamarock et al., 2005, Muñoz et al., 2010] y un modelo de
malaria [MacDonald, 1957], para realizar un pronóstico retrospectivo. El modelo de
malaria es “alimentado” con información epidemiológica, entomológica [SNEM,
2010] y climática (salida del modelo CWRF). La Figura 1 muestra sucintamente
esta metodología.
Figura 1: El modelo de malaria requiere, en general, información de variables socio-económicas
(SE), variables entomológicas y climáticas. En el estudio de predicibilidad se emplean
observaciones “perfectas” (reanálisis NNRP) para forzar el downscaling dinámico. Fuente: este
trabajo.
16
El modelo de Ross-McDonald considera una serie de ecuaciones diferenciales
para describir cambios en las densidades de seres humanos y mosquitos
susceptibles e infectados. De capital importancia es el número básico de
reproducción, R0, que se obtiene del modelo (ver Figura 2):
17
donde m es la densidad de mosquitos por personas (depende de la disponibilidad
de los sitios de reproducción, sobrevivencia del mosquito y densidad de población
humana, que a su vez se ve afectada por la migración de la población), b es la
eficiencia con la que un mosquito infecta un humano (diferente para cada especie
de mosquito), n es el período de incubación del parásito dentro del mosquito
(depende principalmente de la temperatura), p es la probabilidad de supervivencia
diaria del mosquito (depende de la temperatura, enemigos naturales, etc.) y r es la
tasa de recuperación de los seres humanos (depende, por ejemplo, del estado de
inmunidad y nutrición del individuo y del tratamiento efectivo del paciente).
El número básico de reproducción corresponde al número de casos secundarios
producidos por cada caso primario en una población completamente suceptible.
Puede apreciarse que la frecuencia de picaduras, a, aparece al cuadrado, pues el
anofelino tiene que picar al menos dos veces para infectarse y transmitir la
infección. El umbral de introducción y persistencia corresponde a R0 = 1; R0 < 1
implica extinción de la infección en la localidad de interés; R0 > 1 establece las
condiciones para invasión (equilibrio endémico).
La Tabla 2, tomada de Recalde [2010], presenta los parámetros necesarios y su
interdependencia con las variables entomológicas y climáticas.
18
Tabla 2: Parámetros del modelo de MacDonald y sy dependencia con vectores y temperatura.
Fuente: Recalde, 2010.
Figura 2: ecuación de MacDonald para el número (o tasa) básica de reproducción. Fuente: este
trabajo.
En resumen, los parámetros y variables necesarias del modelo son los siguientes:

Distribución espacial de vectores biológicos.

Variables entomológicas de vectores biológicos (tasa de alimentación
humana, densidad mosquito-humano, tasa de incubación extrínseca,
probabilidad de supervivencia diaria, competencia vectorial).

Variables epidemiológicas (tasa de recuperación humana).

Datos de ocurrencia/incidencia de malaria en el área de estudio a escala de
semana epidemiológica o mensual.

Temperatura ambiental.
La información de la componente no ambiental se ha obtenido fundamentalmente
de los datos provistos por el SNM.
En la componente climática del modelo de malaria, se hace uso de observaciones
del reanálisis NNRP [Kistler et al., 2001] a manera de condiciones de borde
“perfectas” para el forzamiento del modelo climático regional. La idea subyacente
es que en este caso se tendría la máxima predicibilidad posible: si en lugar de
observaciones se empleara un pronóstico, en general se tiene una representación
imperfecta del sistema climático, y por ende la capacidad de predicción disminuye.
El presente estudio hace énfasis en comprender el papel de esta componente
climática, proveyendo campos de temperatura a 30 km de resolución espacial y a
6 h de resolución temporal por medio del downscaling dinámico del reanálisis.
Esta base de datos, generada en un acuerdo previo entre el INAMHI y el CMC, se
conoce como OA-NOSA30 (Observatorio Andino - Noroeste de Sudamérica). En
común acuerdo con el SNEM, el período de simulación para este estudio se
escogió de 1996 a 2008, debido a que (a) incluye tanto eventos extremos (El Niño
1998, 2003 y 2005, y La Niña 1996, 1999, 2000 y 2001) como años neutrales, y
(b) por la disponibilidad de información por parte del SNEM, al ser años en que los
que se incrementó su número de laboratorios especializados, que se encargan de
recolectar tomas de muestras de sangre para identificar certeramente la malaria.
La configuración física del modelo CWRF usada en la base de datos incluye el
esquema de Kessler para la microfísica, RRTM para radiación de onda larga y
19
esquema de Dudia para radiación de onda corta de radiación. Asimismo se
escogió el esquema de
Monin-Obukhov (Janjic) para la capa de superficie y
difusión térmica con 5 niveles de para la física de superficie. El esquema de
Mellor-Yamada-Janjic TKE fue empleado para las capas de frontera y la opción de
variabilidad de la temperatura de la superficie marina (TSM) fue seleccionada.
Para detalles ver [Muñoz y Recalde, 2010] y [Skamarock et al., 2005]. El período
de estabilización (spin-up) numérica correspondió al primer mes de simulación.
Una vez obtenidas las salidas de temperatura del modelo climático, se realizó la
integración de las mismas para llevarlas de 6 horas a una resolución temporal
mensual. Acto seguido se calculó el coeficiente de correlación (y su nivel de
significancia estadística) [Wilks, 2002], celda a celda, a nivel mensual entre el
producto, M, y la data CRU TSv3, O:
Donde cov(M,O) representa la covarianza entre lo modelado y observado, y en el
denominador aparece el producto de las respectivas desviaciones estándard.
Asimismo se calculó el sesgo (bias) (ver por ejemplo [Muñoz, 2010]) de cada celda
con el cual se realizó la corrección estadística de las salidas del modelo.
Todos el postprocesamiento se llevó a cabo empleando scripts en NCAR
Command Language (NCL).
20
RESULTADOS
En esta sección se procede primeramente a analizar el comportamiento de los
datos de casos de malaria provistos por el SNEM. Acto seguido se revisa qué tan
bien representa el modelo climático a las observaciones, específicamente para la
temperatura a 2 metros de altura. Con esta información es posible efectuar las
correcciones medias al modelo climático regional e introducir las salidas
mejoradas en la componente correspondiente del modelo de Ross-MacDonald. En
la siguiente subsección se presentan las medias mensuales multianuales para el
número básico de reproducción.
Datos SNEM
Primeramente, de los datos de distribución de vectores provistos por SNEM, se
confeccionó en NCL el mapa de número de vectores observados por provincia que
aparece en la Figura 3. Esta información es, de hecho, muy útil pues puede
emplearse en estudios de vulnerabilidad, interactuando con otras capas del
sistema de información geográfica por medio de álgebra de mapas. Se aprecia
una alta vulnerabilidad en la provincia de Esmeraldas (4 vectores), mientras que
en general 2 o 3 en el resto del litoral. Como se ha mencionado antes, SNEM
reporta [SNEM, 2010] que el vector principal en la Costa de Ecuador es el An.
Albimanus (caso semejante para la Costa del Pacífico de Colombia), por lo que
para los presentes experimentos se ha escogido dicho vector. Las provincias en
blanco o no poseen casos de malaria o no hay datos al respecto. Para el Oriente,
se han incluido las especies reportadas por el SNEM, aunque otros autores (ver
por ejemplo, [Aguilar, 2001]) sugieren un número de vectores superior para esta
zona.
21
22
Figura 3: Distribución del número de vectores maláricos por provincias en Ecuador.
En las Figuras 4, 5 y 6 se aprecian, respectivamente los casos (a nivel mensual)
reportados por SNEM para el período de tiempo disponible en cada provincia, de
Esmeraldas, Guayas y El Oro, respectivamente. La incidencia se ha calculado
empleando como referencia la población rural en riesgo, siguiendo los censos del
Instituto Nacional Ecuatoriano de Censos.
Se aprecia un incremento importante de casos (tanto P. vivax como P. falciparum)
en las series disponibles de las tres provincias entre los años 1998 y 2003, que
contienen un número importante de eventos ENOS (tanto El Niño como La Niña).
De modo interesante, se aprecia una disminución en todas las provincias en
cuestión luego del año 2003. Este comportamiento puede estar correlacionado con
las importantes campañas de fumigación y control llevadas a cabo por el SNEM,
pero detalles de un estudio semejante escapan al alcance del presente
documento.
Resulta llamativo el número tan grande de casos presente en Esmeraldas,
pudiendo estar relacionado tanto con las condiciones socio-económicas presentes
allí como con la presencia de 4 vectores distintos reportados [SNEM, 2010].
Figura 4: Total de casos e incidencia malárica en Esmeraldas. Se aprecia en azul P. falciparum y
en rojo P. vivax.
23
24
Figura 5: Total de casos e incidencia malárica en el Guayas. Se aprecia en azul P. falciparum y en
rojo P. vivax.
Figura 6: Total de casos e incidencia malárica en El Oro. Se aprecia en azul P. falciparum y en rojo
P. vivax.
Validación Modelo CWRF para Temperatura
Antes de poder hacer uso de las salidas del modelo es menester validarlo,
empleando las dos métricas expuestas en la Metodología (ver más arriba). Las
Figuras 7 y 8 muestran, respectivamente, el coeficiente de correlación entre la
base de datos CRU y la salida del WRF para el período de 11 años (1996-2006), y
el sesgo (bias) correspondiente.
25
Figura 7: Coeficiente de correlación lineal entre CRU y el modelo WRF para todos los meses del
período 1996-2006. Correlaciones superiores a 0.17 tienen nivel de significancia superior al 98%.
26
Figura 8: Total de casos e incidencia malárica en El Oro. Se aprecia en azul P. falciparum y en rojo
P. vivax.
La Figura 7 evidencia muy buenas correlaciones para casi todo el territorio
ecuatoriano, significativas estadísticamente a un nivel superior al 98%. El
comportamiento de la distribución espacio-temporal de la temperatura con el
modelo es, pues, satisfactorio. En el caso del sesgo, Figura 8, se aprecia en
general una subestimación de la temperatura, sobre todo en sectores a pié de
monte en la Costa Ecuatoriana (regiones en azul más oscuro). En localidades
aisladas el modelo se comporta bien (tonos blancos) o incluso sobreestima.
A partir de este campo de sesgos, se llevó a cabo la corrección estadística de la
malla de temperatura del modelo, que fue entonces introducida en el modelo de
MacDonald.
27
Número Básico de Reproducción
Una vez insertada en el modelo de MacDonald toda información necesaria, se
obtuvieron los mapas espacio-temporales mes a mes para el número básico de
reproducción, para todo el período en consideración.
Los archivos correspondientes están disponibles en:
http://cmc.org.ve/descargas/Epid/ECU_MALARIA_mens_FALCI.tgz
http://cmc.org.ve/descargas/Epid/ECU_MALARIA_mens_VIVAX.tgz
Estas figuras permiten, para cada parásito, verificar la evolución espacial y
temporal del número básico de reproducción en el Litoral Ecuatoriano. Para tener
una idea general de los valores medios típicos y su variabilidad, se procedió
también a calcular la climatología (media mensual multianual) y desviación
estándar, como medida de variabilidad con respecto a la media.
Una selección de la climatología y desviación estándar se presenta en las Figuras
9 a la 12. En la Figura 9 y 10 se aprecia, para Enero, Mayo y Septiembre, la
distribución espacio-temporal de la variable. Puede verse de inmediato la
diferencia en magnitud asociada a los casos secundarios previstos por el modelo
para los dos parásitos. Estas diferencias están debidas, naturalmente, a los
parámetros propios al tipo de parásito (las figuras se muestran para el mismo
vector: An. Albimanus), y particularmente a las temperaturas límite a las que cada
uno es sensible.
28
Figura 9: Número básico de reproducción, R0, para Enero (P. vivax a la izquierda y P. falciparum a
la derecha).
Típicamente los máximos para la Costa se alcanzan hacia Mayo, alrededor de dos
meses después de los máximos de precipitación. En Septiembre se tienen
escenarios de mínimos relativos anuales.
Dos núcleos importantes aparecen con claridad en el Litoral: uno extendiéndose
desde la provincia del Guayas hacia Manabí y Los Ríos, y el otro concentrándose
sobre todo en Esmeraldas, y descendiendo por debajo de la línea ecuatorial en los
meses de máximo (ver Figura 10). Estos focos, naturalmente, están relacionados
con la propia distribución de temperaturas superficiales del Litoral, y puede verse
condicionan de modo importante, desde el punto de vista climático, la ocurrencia
de la malaria en la zona de estudio.
29
Figura 10: Número básico de reproducción, R0, para Mayo –arriba- y Septiembre –abajo- (P. vivax
a la izquierda y P. falciparum a la derecha).
30
Figura 11: Variabilidad del número básico de reproducción, sigma(R0), para Enero (P. vivax a la
izquierda y P. falciparum a la derecha).
El núcleo del norte, especialmente sobre Esmeraldas, es bastante estable a lo
largo del año (por encima de los 20 casos secundarios para vivax y por encima de
los 17 para falciparum), como evidencian las Figuras 11 y 12, en cuanto a la
variabilidad (medida por medio de la desviación estándar). Esto está de acuerdo
con las propias observaciones del SNEM [2010] (Figura 4). Hay mayor variabilidad
en el núcleo sur de actividad malárica, sobre todo en los primeros meses del año.
Llama la atención el núcleo de variabilidad ubicado en 1 oS; el mismo debe
estudiarse posteriormente con atención para determinar si es debido a alguna
patología del modelo o corresponde a un evento real.
Como es de esperarse, el número básico de reproducción asociado a P. vivax es
notablemente mayor que para el caso del P. falciparum. Además, el modelo
representa adecuadamente también escenarios de no propagación de la
enfermedad a lo largo de la Sierra.
31
Figura 10: Variabilidad del número básico de reproducción, sigma(R 0), para Mayo –arriba- y
Septiembre –abajo- (P. vivax a la izquierda y P. falciparum a la derecha).
32
Figura 11: Serie de tiempo de R0 para el período 1996-2003 (P. vivax en rojo y P. falciparum en
azul) para la provincia del Guayas. Los números en la abscisa corresponde al mes del año. La
línea en negro corresponde a una media móvil trimestral de temperatura a 2 metros de altura.
Estas figuras permiten establecer nuevos mapas de posible ocurrencia y
propagación de malaria para la Costa de Ecuador. Normalmente los mapas
disponibles hasta el momento dividen el territorio ecuatoriano únicamente en 3
zonas homogéneas: Litoral, Sierra y Oriente. La presente herramienta puede ser
utilizada precisamente para proveer mejor resolución espacio-temporal al
respecto.
La Figura 11, por su parte, presenta la evolución temporal del número básico de
reproducción para el Guayas (el comportamiento es similar a lo largo de la Costa).
Se muestra en ella desde 1996 hasta el 2003, un período interesante por estar
presente eventos El Niño y La Niña. En rojo se muestra el número básico de
reproducción para vivax, mientras que en azul para falciparum. En negro, sólo a
modo de referencia, se muestra una media móvil de 3 meses para la temperatura
a 2 metros (en grados oC). Pequeñas variaciones de la temperatura generan
importantes cambios en el parámetro R0. La figura muestra también lo ocurrido
para la variable en estos eventos extremos, como el notorio incremento y
estabilidad presente en el año 1998. En estos casos no sólo importa la magnitud
del incremento, sino también la duración del mismo, y en general deben
considerarse otras variables para entender el escenario completo. Por ejemplo, es
posible que la data del SNEM [2010] no evidencie un abrupto incremento en los
casos de malaria durante el año 1998 debido a que la intensidad de precipitación
fue muy alta, pudiendo arrastrar las larvas de los vectores.
Finalmente, la Figura 12 presenta series de tiempo de la incidencia observada y
del parámetro R0 simulado por el modelo acoplado MacDonald-CWRF, para la
provincia del Guayas. Está claro que si bien no son directamente comparables
pues la incidencia reporta casos por población en riesgo, y el número básico de
reproducción reporta casos secundarios por cada caso primario, la figura es
interesante porque evidencia el comportamiento temporal de ambas. Lo más
importante en esta figura es notar cómo el modelo, a pesar de su sencillez, es
capaz de reproducir los ciclos interanuales de los casos de malaria para ambos
parásitos (indistintamente del vector escogido).
Claramente, el modelo falla en la descripción de la disminución de los casos,
evidente desde el año 2003 hasta el final de la serie de datos disponible. Esto es
debido a que el modelo hasta el momento no considera el papel de los
mecanismos de control (e.g. fumigaciones extra- e intra-domiciliarias), un aspecto
que el SNEM viene trabajando intensamente y que obviamente ha dado sus frutos.
33
34
Figura 12: Series de tiempo del número básico de reproducción (línea continua) e incidencia
malárica (línea a trazos) para el Guayas (P. vivax en rojo y P. falciparum en azul).
La Figura 12 puede interpretarse, pues, en términos de lo que habría ocurrido y
cuál sería el escenario en Ecuador si el SNEM no aplicara mecanismos de control
adecuados. La figura pone en evidencia la necesidad de considerar modelos más
realistas en términos de condiciones socio-económicas y mecanismos de control,
pero el presente experimento tenía por objetivo el estudio del papel de la
componente climática en la predicbilidad de malaria, y en tal sentido se aprecia
que la metodología expuesta está bien encaminada para reproducir las
características principales de la distribución espacial y temporal natural, sin
considerar la intervención humana en aspectos de control.
Un siguiente paso consistirá en proveer mayor realismo al modelo considerando
estos aspectos claves.
LIMITACIONES
El objetivo del presente estudio es la verificación de si es posible, y hasta qué
punto, predecir retrospectivamente casos de malaria en la Costa Ecuatoriana,
considerando un modelo básico (MacDonald [1957]) que asume una serie de
factores para explicar la evolución y transmisión de malaria. Entre los más
importantes se cuenta la ausencia de mecanismos de control diferentes a la propia
temperatura ambiental para la supervivencia del vector. Esto impide que el modelo
capture, obviamente, las tendencias no naturales, asociadas con la intervención
humana en la eliminación de la enfermedad. Considerar estos aspectos son clave
para una adecuada simulación de los casos históricos.
La distribución espacial de vectores y los parámetros entomológicos asociados a
los mismos se asumen como constantes en el tiempo en este estudio, debido a la
disponibilidad de datos. Las simulaciones adquirirán mayor realismo también al
mejorar estos aspectos.
35
CONCLUSIONES Y RECOMENDACIONES
En el presente documento se ha explicado la metodología seguida para llevar a
cabo un experimento para estudiar la predicibilidad de malaria en el Litoral
Ecuatoriano. Para ello, se han obtenido datos de casos positivos de la enfermedad
por parte del SNEM, se han validado las salidas espacio-temporales del modelo
CWRF para temperatura a 2 metros (un insumo clave del modelo malárico usado)
y se ha hecho uso del número básico de reproducción sugerido por MacDonald
[1957] para proveer mapas espacio-temporales de la distribución de posibles
casos de malaria.
El análisis revela que las simulaciones son capaces de representar la distribución
espacial reportada [SNEM, 2010]. Sin embargo, aunque el modelo reproduce los
ciclos de variabilidad interanual, no es capaz de considerar el decremento
evidenciado en las observaciones de casos, producto de un eficiente trabajo por
parte del SNEM en términos de mecanismos de control anti-malaria. El modelo
actualmente considera escenarios de variabilidad natural, y por ello es menester
introducir, por ejemplo por medio del parámetro asociado a la probabilidad de
supervivencia diaria, información sobre campañas de fumigación. Esta información
se está solicitando al SNEM para una próxima versión de la presente herramienta.
Entre los aspectos más relevantes se cuenta con que la metodología de acoplar
un modelo dinámico para alimentar la componente climática de un modelo de
malaria está dando sus frutos. Una metodología que involucre múltiples modelos
de clima y malaria, con sus respectivos ensamblados estadísticos, parece ser un
paso natural a seguir a continuación.
Como recomendaciones, pueden señalarse las siguientes:
36
1.- Incluir en el modelo de MacDonald, por medio,por ejemplo, de la probabilidad
de supervivencia diaria, la información referente a los mecanismos de control antimalaria.
2.- Considerar otros modelos más complejos en el mismo estudio. Esto ameritará
poseer un levantamiento adecuado de información socio-económica que en
general no se tiene al nivel adecuado. Se sugiere iniciar una campaña para
determinar los parámetros mínimos necesarios y obtenerlos.
3.- Considerar otros modelos, o realizaciones del mismo modelo, climáticos, en
aras de producir un ensemble estadístico con los distintos miembros.
4.- Considerar un multi-modelo de malaria acoplado a un multi-modelo climático,
de nuevo para disminuir las incertidumbres.
5.- Iniciar esfuerzos específicos para el uso de este tipo de herramientas en el
establecimiento de un Sistema de Alerta Temprana para Malaria.
6.- Aprovechar el estudio e iniciativas (por ejemplo, la reciente conformación del
Grupo de Trabajo en Clima y Salud, creado en el Taller de Entrenamiento
asociado al presente proyecto) sugeridas para extender los esfuerzos de
modelación a otras enfermedades, como dengue o fiebre amarilla.
37
BIBLIOGRAFÍA
Aguilar, V. H. M., 2001: Espacio y Malaria en el Ecuador. En: Aguilar, M & Yépez,
R. La malaria es más que una picadura. Serie Publicaciones Científicas Instituto
Juan César García, pp 1-26. Quito
Basanez, M.G., Rodriguez D.J., 2004: Dinámica de transmisión y modelos
matemáticos en enfermedades transmitidas por vectores. Entomotrópica 19(3):
113-134.
Bouma, M. and H. van der Kaay, 1996: The El Niño Southern Oscillation and the
historic malaria epidemics on the Indian subcontinent and Sri Lanka: an early
warning system for future epidemics. Tropical Medicine and International Health,
1(1): p. 86-96.
Casman, E., 2002: The Contextual Determinants of Malaria. United States of
America, Resources for the Future. 381 p
Cañadas, Luis, 1983: El Mapa Bioclimático y Ecológico del Ecuador. Quito, Banco
Central del Ecuador. 210 p.
Chowell G., Munayco C, Escalante A, McKenzie, 2009: The spatial and temporal
patterns of falciparun and vivax malaria in Peru: 1994-2006. Malaria Journal 2009,
8:l42
Githeko, A.K. y Ndegwa, W., 2001: Predicting malaria epidemics in the Kenyan
highlands using climate data: a tool for decisión makers. Glob. Change Hum
Health 2: 54-63.
Hommel, M., 2008: Towards a research agenda for global malaria elimination.
Malar. J.,7 (Suppl I): SI.
Hoshen, M.B y Morse, A.P., 2004: A weather driven model of malaria transmission.
Malaria J. 3:32, doi 10.1186/1475-2875-3-32.
38
INAMHI-SNEM, 2010. Convenio de Cooperación Interinstitucional entre el Instituto
Nacional de Meteorología e Hidrología (INAMHI) y el Servicio Nacional de
Erradicación de la Malaria (SNEM). Firmado en Febrero del 2010.
Kistler, R., et al., 2001: The NCEP-NCAR 50-Year Reanalysis: Monthly Means CDROM and Documentation, Bull. Amer. Meteor. Soc., 82, 247-267.
MacDonald, G., 1957: The epidemiology and control of malaria. Oxford University
Press, London.
Martens, W.J.M., 1997: Health impacts of climate change and ozone depletion. An
eco-epidemiological modeling approach. Maastricht. The Netherlands.
McKenzie, F.E., Wong, R.C, Bossert, W.H., 1998: Discrete-event simulation
models of Plasmodium falciparum malaria. Simulation 71 (4): 213-217.
Ministerio de Salud Pública del Ecuador y Organización Panamericana de la
Salud, 2009: Estrategia de Cooperación de País, de la OPS/OMS en Ecuador,
Periodo 2010-2014.
Mitchell, T.D, Jones, 2005: An improved method of constructing a database of
monthly climate observations and associated high-resolution grids, International
Journal of Climatology vol 25,DOI:10.1002/joc.1181 693 - 712
Muñoz, Á.G., 2010: Estructura Jerárquica Multimodelo del Observatorio Andino.
Trabajo de Ascenso para Categoría de Profesor Agregado. La Universidad del
Zulia. Maracaibo, Venezuela.
Muñoz, Á.G, López, M.P., Velásquez, R., et al., 2010: An Environmental Watch
System for the Andean countries: El Observatorio Andino, BAMS, doi:
10.1175/2010BAMS2958.1
Muñoz, Á.G. y Recalde, C., 2010: North Western South America Retrospective
Simulation from CMC - OA – INAMHI. Centro de Modelado Científico (CMC) e
39
INAMHI.
Base
de
datos
disponible
públicamente
en
http://iridl.ldeo.columbia.edu/SOURCES/.U_Zulia/.CMC/ [Consulta: Julio 2010]
Organización Mundial de la Salud, 2010: Malaria Fact Sheet N°94. Disponible en
http://www.who.int/mediacentre/factsheets/fs094/en/index.html
[Consulta:
21
Septiembre 2009]
40
Organización Panamericana de la Salud, 2006: Regional Strategic Plan for Malaria
in
the
Americas
2006
–
2010.
24
pp.
Disponible
en:
www.paho.org/english/AD/DPC/CD/mal-reg-strat-plan-06.pdf.
[Consulta:
18
Septiembre 2009]
Organización Panamericana de la Salud, 2009: Paludismo en las Américas: No
hay tiempo que perder. http://www.who.int/topics/malaria/es/ [Consulta: 21
Septiembre 2009].
Recalde, C., 2010: Predicibilidad de Malaria para la Provincia del Guayas con
Modelos Dinámicos. Tesis de Grado Ingeniería Ambiental, Universidad Agraria del
Ecuador. 94 pp.
Ruiz, D., Yan, G., 2003: Biology of African Highland Malaria: report. Department of
Biological Sciences, State University at Buffalo, 60 pp.
Ruiz, D., Yan, G., 2004: Modeling malaria transmissionfor Kisii District in the
highlands of Western Kenya. Part I: analysis of base scenarios. Department of
Biological Sciences, State University at Buffalo, 45 pp.
Ruiz, D., Poveda, G., Quiñones M.L., et al., 2002a: Modelación Sistemática para el
diagnóstico de la interacción clima-malariaen Colombia. Aplicación durante El Niño
1997-1998 y La Niña 1998-2000. Meteorol Colomb 5: 41-48.
Ruiz, D., Poveda, G., Quiñones M.L., et al., 2002b: Modeling entomologicalclimatic interaction of malaria transmission at Nuquí (Colombian Pacific Coast).
Case of study: El Niño 1997-1998 and La Niña 1998-2000. In: Conference Climate
Variability and Change and their Health Effects in the Caribbean: Information for
Climate Variability and Change Adaptation Planning in the Health Sector.
PAHO/WHO. Bridgetown, Barbados.
Ruiz, D., Poveda, G., Mantilla, R., et al., 2003: Modelación de la interacción
entomológia-climática de la transmisión de malaria mediante dinámica de
sistemas. Rev Colomb Entomol, 29: 191-201.
Ruiz, D., Poveda, G., Velez, I, et al., 2006: Modelling entomological-climatic
interactions of Plasmodium falciparum malaria in two Colombian endemic regions:
contributions to a National Malaria Early Warning System. Malaria J 5:66.
Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, W. Wang and
J. G. Powers, 2005: A Description of the Advanced Research WRF Version 2,
NCAR Tech. Note NCAR/TN-468\&STR, 88 pp.
Servicio Nacional de Erradicación de la Malaria y Vectores Artrópodos (SNEM),
2009: Ecuador Campeón en la lucha contra la Malaria. Artículo web disponible en
http://www.msp.gov.ec/dps/snem/index.php?option=com_content&view=article&id
=91:saludos&catid=5:noticias&Itemid=29 [Consulta: 15 de Marzo 2010]
Servicio Nacional de Erradicación de la Malaria y Vectores Artrópodos (SNEM),
2010: comunicación interna enmarcada en el Convenio de Cooperación SNEMINAMH.
Shigui Ruana, et al., 2008: On the Delayed Ross–Macdonald Model for Malaria
Transmission.
Bulletin
of
Mathematical
Biology
70:
1098–1114.
doi
10.1007/s11538-007-9292-z
Wilks, D., 2006: Statistical Methods in the Atmospheric Sciences, 2nd Edition,
Elsevier, Amsterdam.
41
Worral, E., Connor, S.J., Thomson, M.C., 2007: A model to simulate the impact of
timing, coverage and transmission intensity on the effectiveness of indoor residual
spraying (IRS) for malaria control. Trop Med Int Health 12(1): 75-88.
Yang, H., 2000: Malaria transmission model for different levels of acquired
immunity and temperature-dependent parameters (vector). Rev Saúde Pública
34(3): 223-231
42
Yang, H., Ferreira, M., 2000: Assesing the effects of global warming and local
social and economic conditions on the malaria transmission. Rev Saúde Pública
34(3): 214-222.
43
ANEXOS
Anexo I
FIGURAS DISPONIBLES EN
http://cmc.org.ve/descargas/Epid/ECU_MALARIA_mens_FALCI.tgz
http://cmc.org.ve/descargas/Epid/ECU_MALARIA_mens_VIVAX.tgz
44
Anexo II
INFORME TALLER + ESTANCIA DE INVESTIGACIÓN
PROF. DANIEL RUIZ
Desarrollo e implementación de modelos dinámicos de malaria en el Ecuador
23-30 de agosto de 2010
Documento preparado por:
Ángel G. Muñoz
Centro de Modelado Científico (CMC). La Universidad del Zulia. Maracaibo, 4004. (Venezuela)
Cristina Recalde
Instituto de Meteorología e Hidrología. (Ecuador)
Daniel Ruiz Carrascal
Programa en Ingeniería Ambiental, Escuela de Ingeniería de Antioquia (Colombia)
International Research Institute for Climate and Society, Columbia University in the City of New York (USA)
Introducción
En el marco de los proyectos MAE-GEF-PNUD-SCN-PRAA-PACC-INAMHI se ha desarrollado un
estudio de predicibilidad de malaria en el Litoral Ecuatoriano. La investigación hace uso de modelos
dinámicos para la simulación computacional de la dinámica de transmisión de esta enfermedad. En el
entrenamiento se presentaron los resultados preliminares del proyecto, el marco de referencia conceptual
para el estudio, y las múltiples herramientas y metodologías disponibles.
45
Objetivos
Los objetivos de la misión fueron: (a) proveer a los participantes de la capacitación los
conocimientos básicos y herramientas necesarias para llevar a cabo la modelación dinámica de la
transmisión de la malaria en el Ecuador; (b) apoyar la conformación de un Grupo de Investigación sobre
Clima-Salud; (c) participar en actividades de investigación sobre Clima-Salud (específicamente ClimaMalaria) en conjunto con el grupo de trabajo presente en Ecuador; y (d) proveer un documento preliminar
de los resultados de las actividades desarrolladas durante la visita. A continuación se hace una relación
breve de los principales resultados de la misma.
1.
Taller de capacitación sobre modelos dinámicos de malaria
Se llevaron a cabo dos sesiones de capacitación en torno a la modelación de la dinámica de
transmisión de la malaria. La primera sesión (conceptual) incluyó el desarrollo de los siguientes seis
módulos:
Módulo 1: Aspectos preliminares – Teoría General de Sistemas
Conceptos básicos, teoría general de sistemas, aproximación sistémica, dinámica de sistemas, identificación
del problema y el sistema, fronteras, diagramas de influencia, diagramas stock-flow, ejemplos y aplicaciones
(modelo de la meseta de Kaibab, crecimiento de poblaciones –especies individuales y dos poblaciones-, modelos
avanzados), proceso de experimentación-validación-análisis.
Módulo 2: Modelación dinámica de la transmisión de la malaria
Problema, aproximación sistémica, fronteras, diagramas de causalidad, diagramas stock-flow, diagramas
esquemáticos, ensambles, capacidades actuales, intereses futuros.
Módulo 3: Modelos dinámicos disponibles
Modelos de Macdonald (1957), Martens (1997), McKenzie et al. (1998), Yang (2000), Githeko & Ndegwa
(2001), Ruiz et al. (2002a, 2002b, 2003, 2006), Ruiz & Yan (2003), Hoshen & Morse (2004), Worrall, Connor &
Thomson (2007), Chiyaka, Garira & Dube (2007), y Gomero (2008)
Módulo 4: Análisis de variables
Variables exógenas (población de vectores, parásito, ambientales, asociadas a individuos y asociadas a las
comunidades en riesgo) y endógenas, niveles de entendimiento.
Módulo 5: Proceso de experimentación
Análisis retrospectivo (escenario base, cambios en condiciones iniciales, condiciones locales, análisis de
sensibilidad, incertidumbres) y análisis de escenarios futuros (cambios en condiciones climáticas y socioeconómicas), proceso de implementación, rol de factores no-climáticos, ejemplo real.
Módulo 6: Sistemas Integrados de Vigilancia y Control
46
Componentes principales, rol e importancia, selección de áreas piloto.
La segunda sesión (práctica) incluyó el desarrollo de los siguientes cinco módulos:
Módulo 1: Análisis retrospectivo – Escenario base y cambios en condiciones iniciales
Red hidrometeorológica local y regional, ciclos anuales de variables climáticas, casos positivos de la
enfermedad, incidencia de malaria, horizontes de tiempo base, equilibrios, estacionalidad, cambios en
proporciones de la población total en riesgo en estado infeccioso y estado inmune.
Módulo 2: Análisis retrospectivo – Análisis de condiciones locales
Tres experimentos: (1) condiciones climáticas reales; (2) condiciones climáticas y entomológicas reales; (3)
condiciones climáticas, entomológicas y socioeconómicas reales; coeficiente de correlación y error medio
cuadrático, incidencia de malaria, prevalencia y anomalías.
Módulo 3: Análisis retrospectivo – Análisis de sensibilidad e incertidumbre
Cambios en la probabilidad de recuperación de los individuos, en la probabilidad de supervivencia diaria del
vector y en el Índice de Sangre Humana, condiciones moderadas y criticas de transmisión, incertidumbre en la
representación de la densidad vectorial, otros ejemplos.
Módulo 4: Escenarios futuros – Cambio en condiciones climáticas
Modelación del sistema climático, clima y predicción climática, pronósticos estacionales y de corto plazo,
futuro de mediano plazo (tendencia históricas de variables climáticas, El Niño Oscilación del Sur), futuro de largo
plazo (cambio climático, escenarios, simulaciones de incidencia de malaria esperada).
Módulo 5: Escenarios futuros – Cambio en condiciones climáticas y socioeconómicas
Escenarios de cambio climático + escenarios socioeconómicos favorables y desfavorables (asociados a los
periodos infecciosos promedio de la población humana y otros factores).
Se contó con la participación de un total de 29 profesionales trabajando en el área clima-salud
distribuidos según:
Siete (7) expertos del Instituto Nacional de Meteorología e Hidrología del Ecuador (INAMHI)
Un (1) profesional del Centro Internacional de Investigaciones del Fenómeno El Niño (CIIFEN)
Un (1) profesional del Ministerio de Medio Ambiente del Ecuador
Dos (2) profesionales del Instituto Nacional de Higiene del Ecuador
Cuatro (4) expertos del Servicio Nacional de Control de Enfermedades Transmitidas por Vectores Artrópodos
(SNEM)
Tres (3) docentes e investigadores de la Universidad de Especialidades Espíritu Santo (UEES)
Dos (2) expertos del Ministerio de Medio Ambiente encargados de la Segunda Comunicación Nacional (SCN)
47
Un (1) profesional de la Corporación Financiera Nacional (CFN)
Un (1) docente de la Escuela Superior Politécnica del Litoral (ESPOL)
Dos (2) profesionales del Instituto Nacional de Pesca
Un (1) profesional del Municipio de Guayaquil
Un (1) docente de la Pontificia Universidad Católica del Ecuador (PUCE)
Un (1) profesional de Nature Conservation (TNC)
Un (1) profesional de la Fundación Nobis
48
Un (1) profesional de la Secretaría Nacional de Ciencia y Tecnología (SENACYT)
La evaluación general del curso se presenta en las siguientes figuras (primera sesión en paneles
superiores; segunda sesión en paneles inferiores):
Not
Applicable
0%
Poor Fair
0% 0%
Not
Applicable
8%
Good
17%
Very Good
25%
Overall quality of the first session
Poor
0%
Excellent
67%
Overall quality of the second session
2.
Good
17%
Excellent
50%
Excellent
58%
Not
Applicable
0%
Poor Fair
0% 0%
Fair
0%
Not
Applicable
0%
Good
6%
Very Good
27%
Very Good
25%
Overall instructor effectiveness (first session)
Poor Fair
0% 0%
Excellent
67%
Good
13%
Very Good
20%
Overall instructor effectiveness (second session)
Actividades de investigación del Grupo Clima-Salud
Se adelantaron las actividades de investigación que se consideraron prioritarias para dar inicio al
Grupo de Trabajo en Clima-Salud. Ellas incluyeron: la definición de ejes prioritarios de trabajo, la discusión
de las actividades con pares académicos locales, y el estudio preliminar de tendencias de corto plazo
observadas en la incidencia de malaria en el Ecuador. Los resultados más relevantes de la misión se
presentan a continuación.
Se consideró que la iniciativa denominada ‘Sistema Integrado de Vigilancia y Control de Malaria’,
propuesta como estrategia de adaptación al cambio climático en Colombia y actualmente en proceso de
implementación por parte del Instituto Nacional de Salud de esa nación (ver el diagrama inferior), provee
numerosos elementos para el desarrollo y aplicación en el Ecuador de estrategias y opciones de política
SISTEMA INTEGRADO DE VIGILANCIA Y CONTROL
similares.
PLATAFORMA DE
ALERTA TEMPRANA
Componentes no-climáticos
VIGILANCIA
EPIDEMIOLOGICA
Factores socioeconómicos
Redes institucionales y
estrategias financieras
Casos primarios
VIGILANCIA
ENTOMOLOGICA
Cambio y
variabilidad
climática
Variables biológicas y
entomológicas relevantes
MONITOREO Y
PRONOSTICO DE
ESCENARIOS
CLIMATICOS
Educación,
capacidad instalada
local, continuidad de
procesos
DIAGNOSTICO
OPORTUNO DE
CASOS PRIMARIOS
En torno al análisis de las condiciones de transmisión locales, los registros de casos positivos de
malaria por Plasmodium falciparum y P. vivax, suministrados al INAMHI por el Dr. Lenin Vélez Nieto del
SNEM – Ecuador, sugieren que la enfermedad presentó el comportamiento mostrado en las siguientes
figuras, para todo el territorio nacional y durante el periodo 1975-2007. En términos de índices parasitarios
anuales, la infección por Plasmodium falciparum mostró incidencias inferiores a los 2 casos positivos por
cada 1,000 habitantes en las décadas de los 60s y 70s; se incrementó a valores cercanos a 3.5/1,000
habitantes en la década de los 80s; alcanzó máximos de 6.6 y 6.4 en los años 1999 y 2000; y a mediados de
la primera década del presente siglo la incidencia disminuyó a valores inferiores a 1 caso positivo por cada
1,000 habitantes.
La infección de malaria por Plasmodium vivax mostró, por su parte, incidencias en el rango 1.7-2.1
casos positivos por cada 1,000 habitantes en las décadas de los 60s y 70s, pero con un pico de 15.6 casos
primarios en el año 1969; se incrementó a valores en el rango 6-12 casos positivos en la década de los 80s
(con un máximo en el año 1984); alcanzó picos de 8.8 y 8.9 casos positivos por cada 1,000 habitantes en los
años 2001 y 2002, respectivamente; y a mediados de la primera década del presente siglo la incidencia
disminuyó a valores inferiores a 1 caso primario/1,000 habitantes.
49
80.000
80.000
Plasmodium falciparum
70.000
70.000
60.000
60.000
50.000
50.000
40.000
40.000
30.000
30.000
20.000
20.000
10.000
10.000
2007
2002
1997
1992
1987
1982
1977
1972
1967
1962
0
1957
0
Total Positive Cases
Total Positive Cases
Plasmodium vivax
50
Year
Plasmodium falciparum
18
16
Plasmodium vivax
16
2007
2002
0
1997
2
0
1992
4
2
1987
6
4
1982
8
6
1977
10
8
1972
12
10
1967
14
12
1962
14
API (x 1,000 inhabitants)
20
18
1957
API (x 1,000 inhabitants)
20
Year
Se infiere que las variables entomológicas relevantes en la dinámica de transmisión de la malaria
pudieron experimentar las tendencias presentadas en las siguientes gráficas. Durante el periodo 1900-2007,
el ciclo esporogónico o periodo de incubación extrínseco (incubación de los parásitos Plasmodium
falciparum en el vector transmisor de la enfermedad) pudo haber disminuido de 15 días a cerca de 13 días.
La probabilidad de supervivencia diaria, por incremento en la temperatura ambiental, pudo haber
disminuido de 0.904 a 0.901. La frecuencia de alimentación sanguínea se pudo haber incrementado de 0.22
picaduras por hospedero por día a cerca de 0.24, gracias a la disminución en la duración del ciclo gonotrófico
de 2.7 a 2.5 días durante tal periodo de tiempo. Finalmente, la capacidad vectorial pudo haber
incrementado de 0.9 a 1.3 picaduras potencialmente infectivas por día afectando la totalidad de la población
en riesgo.
Survival probability of the mosquito
Incubation period of the parasite in
the malarial mosquito [days]
0.903
p [dec]
n [days]
16
15
14
13
12
0.902
0.901
1,900
1,950
0.900
1,900
2,000
2,000
Time [years]
Time [years]
Number of blood meals a mosquito
takes from human beings (1/day)
Feeding interval
51
2.8
0.25
2.7
a [1/day]
Feeding interval
[days]
1,950
2.6
2.5
2.4
1,900
1,950
0.24
0.23
0.22
0.21
1,900
2,000
Time [years]
1,950
2,000
Time [years]
Critical density threshold of vector populations
Vectorial capacity
1.6
10
1.4
VC
[mosq/human]
12
8
1.2
1.0
6
1,900
1,950
Time [years]
2,000
0.8
1,900
1,950
2,000
Time [years]
Se estimaron además las distribuciones espaciales de la Tasa Básica de Reproducción, R 0, sugerida
por Ross-Macdonald (1957), para una resolución temporal mensual y una resolución espacial de 30 km x 30
km, utilizando la temperatura del aire a 2 m de altura sobre la superficie disponible en el modelo CWRF del
Observatorio Andino. En las siguientes figuras se presentan las diferencias entre la R 0 estimada para
condiciones futuras (2015) y la obtenida para el periodo base 1996-2008. En general, se observa que en la
zona del litoral y los piedemontes oriental y occidental de la Cordillera de Los Andes se podrían presentar
incrementos cercanos a 0.1-0.2 casos secundarios por cada caso primario introducido en la población en
riesgo, en particular en los trimestres de MAM y JJA.
52
Diferencia (2015 – periodo base) en la Tasa Básica de Reproducción. Paneles superiores: trimestre Diciembre-EneroFebrero; paneles centrales superiores: trimestre Marzo-Abril-Mayo; paneles centrales inferiores: trimestre Junio-JulioAgosto; paneles inferiores: trimestre Septiembre-Octubre-Noviembre.