El papel de las Series Temporales y los Modelos Autoregresivos (ARIMA) para la vigilancia sindrómica en la Sanidad Agropecuaria

Jany del Pozo Fernández, Lucía Fernández Chuairey, Pastor Alfonso Zamora

Resumen

A nivel internacional se eleva el desarrollo alcanzado en la aplicación de nuevos procedimientos para la vigilancia en la salud, los cuales están basados en teorías Matemáticas para la detención de señales anormales y toma oportuna de decisiones para evitar peores consecuencias. El objetivo del presente trabajo es mostrar criterios y valoraciones sobre el empleo de Series temporales: modelos autoregresivos (ARIMA) como una nueva forma de  vigilancia sindrómica en investigaciones asociadas a la Sanidad Agropecuaria. Se abordan fundamentos teóricosde las Series temporales y el desarrollo progresivo alcanzado con el empleo de  modelos autoregresivos (ARIMA), se incluye  la metodología de Box y Jenkins. De igual forma se abordan definiciones sobre la vigilancia sindrómica y tipos más frecuentes.  Sehace énfasisen la aplicación de la Vigilancia sindrómica con el uso de series temporales: modelos autoregresivos (ARIMA) para la detención de señales anormales  y determinar el momento óptimo para activar una alarma en los sistemas de vigilancia. A través de los criterios y  valoraciones realizadas se evidencian que estos procedimientos estadísticos, constituyen herramientas útiles en investigaciones agrarias y en particular a las Ciencias Veterinarias  asociadas a la detección temprana de patrones anormales en la producción.

Palabras clave

Series temporales, Vigilancia Sindrómica, Modelos Autorregresivos

Texto completo:

Doc

Referencias

Alba, A., Dorea, F. C., Arinero, I., Sánchez, J., Cordon, R., Puig, P. y Revie, C. W. 2015. Exploring the surveillance potential of mortality data: nine years of bovine fallen stock data collected in Catalonia PLoS, One, 10. (Spain).

Baudon, E.; Fournié, G.; Dao, T.H.; Pham, TTH.; Duboz, R.;Gely, M.;Peiris, M.; Cowling, B.J.; Ton, V.D.;Peyre, M. (2015) .Analysis of swine movements in a province in Northern Vietnam and application in the design of surveillance strategies for infectious diseases. Transboundary and Emerging Diseases.Jun 4. doi: 10.1111/tbed.12380.

Beltrán-Alcrudo 2009. A flock-tailored early warning system for low pathogenic avian influenza(LPAI) in commercial egg laying flocks.[En línea] Disponible en: <www.elsevier.com/locate/prevetmed Consultado: enero 2018.

Box, G. y Jenkins, G. 1976. Times Séries Analysis, forecasting and control. Holden-Day Series in Time Series Analysis. G. M. Jenkins and E. Parzen, Editors. San Francisco. 553p.

Bravata, D. M., MCDonald, K. M., Smith, W. M., Rydzak, C., BuckeridgE, D. L., Haberland, C. y Owens, D. K. 2004. Systematic review: surveillance systems for early detection of bioterrorism-related diseases. Ann Intern Med, 140, 910-22.

Calba, C., Ponsich, A., Nam, S., Collineau, L., Min, S., Thonnat, J. y Goutard, F.L. 2014. Development of a participatory tool for the evaluation of Village Animal Health Workers in Cambodia. Acta Tropical134, 17–28. doi:10.1016/j.

Chan T.C, King C.C, Yen M.Y., Chiang P.H., Huang C.S. y . Hsiao C.K. 2010. Probabilistic daily ILI syndromic surveillance with a spatio-temporal Bayesian hierarchical model. PLoS One;5:e 11626.

Coutin, M. G. 2007. Las Series temporales. Unidad de Análisis y Tendencias en Salud. MINSAP. La Habana. 33 págs.

Del Pozo Fernández Jany .2016. Vigilancia Sindrómica en gallinas ponedoras de dos unidades comerciales de la provincia de Artemisa. Trabajo de diploma. UNIVERSIDAD AGRARIA DE LA HABANA “Fructuoso Rodríguez Pérez”. Facultad de Medicina Veterinaria. pp. 56.

Del Valle, J. Guerra,  C. W. 2012. La multicolinealidad en modelos de Regresión Lineal Múltiple. Revista Ciencias Técnica Agropecuarias, Cuba. ISSN – 2071 – 0054, RNPS – 2177.

Delabouglise, T. H.; Dao, D. B.; Truong, T.T.; Nguyen, N. T.; Nguyen, R.;Duboz, G.;Fournié, N.; Antoine-Moussiaux, V.;Grosbois, D. T.; Vu, V. K.; Le, G.; Salem, M.Peyre. 2015. When private actors matter: information-sharing and surveillance of Highly Pathogenic Avian Influenza in Vietnam. ActaTropical  Jul;147:38-44.

Doherr , M.G. and Audige, L. 2001.Monitoring and surveillance for rare health-related events: a review from the veterinary perspective. Phil Trans R SocLond B 356 1097-06 .

Dórea, F.C; Muckle, C.A.;Kelton, D.;McClure, J.;McEwen, B.J.;McNab, W.B.  2013. Exploratory analysis of methods for automated classification of Laboratory Test Orders into Syndromic Groups in Veterinary Medicine. PLoS ONE 8(3): e57334. [En línea] Disponible en:<www.elsevi er.com/locate/prevetmed> Consultado: octubre 2018.

Dufour B. y  Hendrikx, P. 2009 Epidemiological surveillance in animal health. CIRAD, FAO, OIE, AEEMA.

ECDC .2013. European Centre for Disease Prevention and Control. Surveillance of communicable disease in the European Union. A long-term strategy: Disponible en:htttp://ecdc.europa.eu/en/aboutus/Key%20Documents/0813_KD_Surveillance_of_CD.pdf Consultado: abril 2018 .

Espallargas, D.S. y  Solis, M. 2012. Econometría y Series temporales. Aplicaciones. La Habana .Editorial  Félix Varela, 354 págs.

FAO .2011 .Epidemiología participativa.  Métodos para la recolección de acciones y datos orientados a la inteligencia epidemiológica. Disponible en: http://www.google.com.cu/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0ahUKEwjE8t20yZ_LAhXGqh4KHSVWCK4QFggaMAA&url=http%3A%2F%2Fwww.fao.org%2Fdocrep%2F014%2Fi2363s%2Fi2363s00.pdf&usg=AFQjCNFB2JcxlHvIO6tNsoFnMb8AZayaDg&bvm=bv.115339255,d.dmo. Consultado: febrero 2018.

Fernández L, Tonhati, H; Albuquerque, L.G; Aspilcueta-Borquis, R.R y Menéndez Buxadera, A. 2011. Modelos de regresiones aleatorias para la estimación de parámetros genéticos y estudios de curvas de lactancia del Holstein en Cuba. Revista Cubana de Ciencia Agrícola, Tomo 45, Número 1.

Fernández-, L; Lara A.M; Pereyra, A.M; Guerra, CW; De Calzadilla, J. 2013. Estadística Aplicada a la Ingeniería Agrícola y a las Ciencias Agropecuarias. Su contribución en la docencia, investigación y transferencia de conocimiento. Revista Ciencias Técnicas Agropecuarias, 22(2).

Fernández, Lucia; Guerra, C.W; De Calzadilla, J; Lim. N.U. 2017. Desarrollo de la Modelación Estadístico–Matemática en las Ciencias Agrarias. Retos y perspectivas. Revista Investigación Operacional.  VOL 38.  , No.5, 462-467.

German R.R., Lee L.M, Horan J.M, Milstein R.L, Pertowski C.A. y Waller M.N. 2001.Updated guidelines for evaluating public health surveillance systems: recommendations from the Guidelines Working Group. MMWR Recomm Rep, 50:1-35.

GuancheGuanche, H; García E; Gutiérrez F. 2005. Morbilidad y letalidad hospitalaria por asma bronquial. Rev Cubana Med [serie en Internet]. [citado 2 Oct 2007];44(3-4). Disponible en: http://bvs.sld.cu/revistas/med/vol44_3-4_05/med033-405.htm.

Guerra, C.W; Menéndez, E; Barrera, R. y Egaña, E. 2010. Estadística. La Habana. Editorial Félix Varela 2da Ed. ISBN 959-258-421-4.

Hasler, B., Howe, K. S. y Stark, K. D. 2011. Conceptualising the technical relationship of animal disease surveillance to intervention and mitigation as a basis for economic analysis. BMC Health Serv Res, 11, 225 págs.

Herrera, M. 2013 .Métodos Estadísticos alternativos de análisis con variables discretas y categóricas en investigaciones agropecuarias. Tesis presentada en opción al grado de Doctor en Ciencias. Instituto de Ciencia Animal.

Hoinville, L, Ellis-Iversen J, Vink, D, Watson, E, Snow, L y Gibbens, J. 2009. Discussing the development and application of methods for effective surveillance in livestock populations: Report of a workshop held prior to the ISVEE conference, Durban, South Africa. Disponible en: available at http://www.defra.gov.uk/ahvla-en/disease-control/surveillance/pre-isvee-workshop/ Consultado: marzo 2018.

Hoinville, L. J.; Alban, L; Drewe, J. A; Gibbens, J. C; Gustafson, L; Hasler, B; Saegerman, C; Salman, M. y Stark, K. D. 2013. Proposed terms and concepts for describing and evaluating animal-health surveillance systems. Prev Vet Med, 112, 1-12 págs.

Hulth, A., Andrews, N., Ethelberg, S., Dreesman, J., Faensen, D., Van Pelt, W. y Schnitzler, J. 2010. Practical usage of computer-supported outbreak detection in five European countries. Euro Surveill, 15.

IMV. 2010. Resolución 21/2010 del Director General del Instituto de Medicina Veterinaria.

Jackson, M.L, Baer, A., Painter, I. y  Duchin,  J. A. 2007 Simulation study comparing aberration detection algorithms for syndromic surveillance. BMC Medical Informatics and Decision Making.7:6:10.1186/1472-6947-7-6.

Katz, R., May, L., Baker, J. y Test, E. 2011. Redefining syndromic surveillance. J Epidemiol Glob Health, 1, 21-31.

Kleinman, K. P., Abrams, A. M., Kulldorff, M. y Platt, R. 2005. A model-adjusted space-time scan statistic with an application to syndromic surveillance. Epidemiol Infect, 133, 409-19.

Kleinman, K., Lazarus, R. and Platt, R. 2004. A generalized linear mixed models approach for detecting incident clusters of disease in small areas, with an application to biological terrorism. Am J Epidemiol, 159, 217-24.

Lawson, A. B. 2013. Bayesian disease mapping: hierarchical modeling in spatial epidemiology, CRC press.p 25-35.

Lombardo, J. S., Burkom, H. y Pavlin, J. 2004. ESSENCE II and the framework for evaluating syndromic surveillance systems. MMWR Morb Mortal Wkly Rep, 53: 159-65.

Macnab, Y. C. 2011. On Gaussian Markov random fields and Bayesian disease mapping. Stat Methods Med Res, 20, 49-68.

Mandl, K. D., Overhage, J. M., Wagner, M. M., Lober, W. B., Sebastiani, P., Mostashari, F., Pavlin, J. A., Gesteland, P. H., Treadwell, T., Koski, E., Hutwagner, L., Buckeridge, D. L., Aller, R. D.   y Grannis, S. (2004). Implementing syndromic surveillance: a practical guide informed by the early experience. J Am Med Inform Assoc, 11, 141-50.

 

Hutwagner, L., Buckeridge, D. L., Aller, R. D.   y Grannis, S. 2004. Implementing syndromic surveillance: a practical guide informed by the early experience. J Am Med Inform Assoc, 11, 141-50.

Miller, B., Kassenborg, H., Dunsmuir, W., Griffith, J., Hadidi, M., Nordin, J. D. y Danila, R. 2004. Syndromic surveillance for influenzalike illness in ambulatory care network. Emerg Infect Dis, 10, 1806-11.

Morante, F. 2018. La estadística en las investigaciones científicas. Disponible en: https://www.masscience.com/2016/03/27/la-estadistica-en-las-investigaciones-cientificas.

Morse, S. S. 2012. Public health surveillance and infectious disease detection. Biosecur Bioterror, 10, 6-16.

OIE (2015). Organización Mundial de Sanidad Animal. Código Sanitario para los Animales Terrestres.

OIE. 2011 Terrestrial Animal Health Code. Disponoble en:  http://www.oie.int/international-standard-setting/terrestrial-code/access-online/ ( consultado en:  marzo 2018) .

Pavlin, J. A., Mostashari, F., Kortepeter, M. G., Hynes, N. A., Chotani, R. A., Mikol, Y. B., Ryan, M. A., Neville, J. S., Gantz, D. T., Writer, J. V., Florance, J. E., Culpepper, R. C., Henretig, F. M.y  Kelley, P. W. (2003). Innovative surveillance methods for rapid detection of disease outbreaks and bioterrorism: results of an interagency workshop on health indicator surveillance. Am J PublicHealth, 93, 1230-5.

 

Culpepper, R. C., Henretig, F. M.y  Kelley, P. W. (2003). Innovative surveillance methods for rapid detection of disease outbreaks and bioterrorism: results of an interagency workshop on health indicator surveillance. Am J PublicHealth, 93, 1230-5.

 

Peña, D. 2005. Análisis de series temporales. Madrid. Editorial Alianza. pp.245.

Ramírez  F., Ordóñez,  R. and  Iriarte, J.M. 2005. Vigilancia en salud pública: más allá de las enfermedades  transmisibles. Gac. Sanit. pp 5:19:18:13 .

Ramírez Juan Ruiz, Hernández-Rodríguez  Gabriela Eréndira  y Zulueta Rodríguez Ramón, Concepción. Modelos Box-Jenkins: Time Series AnalysisForecasting in SugarCaneProduction .2011. Facultadde Ciencias Agrícolas. Universidad Veracruzana.pp103-109.

Rodríguez, L. 2015. Modelación y simulación de la producción de biomasa de Pennnisetum Purpureum Schum vc. King grass y su aplicación en la alimentación. Tesis presentada en opción al grado de Doctor en Ciencias. Instituto de Ciencia Animal. 100 pág.

Schwabe, C.1982. The current epidemiological revolution in veterinary medicine.part I. Prev. Vet. Med. 1, 5–15.

Skvortsov, A. y  Ristic, B. 2012. Monitoring and prediction of an epidemic outbreak using syndromic observations. Math Biosci, 240, 12-9.

Suárez, Y. E. 2010. “El concepto “Una Salud” en el contexto global actual”. Revista electrónica de Veterinaria. 1695-7504 Volumen 12 Número 5B.

Vallejo, R. (2012). Introducción a las Series Cronológicas. Modelos ingenuos.  Universidad Técnica  Federico Santa María. España.  

Van Metre, D. C., Barkey, D. Q., Salman, M. D. y Morley, P. S. 2009. Development of a syndromic surveillances y stem for detection of disease among livestock entering an auction market. J Am Vet Med Assoc, 234, 658-64.

Vázquez, Y; Guerra, C.W; Sánchez, O.E. 2014 .Modelación estadístico-computacional para el estudio de la sostenibilidad socioeconómica de la empresa pecuaria valle del Perú. Revista Investigación Operacional. 35(2): 121-129.

Vial, F. y  Berezowski, J. 2015. A practical approach to designing syndromic surveillance systems for livestock and poultry. Prev Vet Med, 120, 27-38.

Vourc'h, G; Bridges, V. E; Gibbens, J; De Groot, B. D., Mcintyre, L; Poland, R.  y

 

Barnouin, J. 2006. Detecting Emerging Diseases in Farm Animals through Clinical Observations. Emerging Infectious Diseases, 12: 204-210.

Ward, M. P. y Carpenter, T. E. (2000). Techniques for analysis of disease clustering in space and in time in veterinary epidemiology. Prev Vet Med, 45, 257-84.

Yom-Tov, E., Borsa, D., Cox, I. J.  y Mckendry, R. A. 2014. Detecting Disease Outbreaks in Mass Gatherings Using Internet Data. Journal of Medical Internet Research, 16,ed, 154.

 

Enlaces refback

  • No hay ningún enlace refback.