Análisis de series temporales para la detección de brotes de salmonelosis

Abstract

Antecedentes: La salmonelosis es la primera causa de brotes de enfermedades de origen alimentario de los países desarrollados y, según algunas estimaciones, en los EE. UU podrían producirse anualmente más de un millón de casos. Las infecciones por este agente patógeno son de obligada notificación a las autoridades sanitarias en multitud de países, por lo que está disponible una gran cantidad de información sobre la frecuencia y distribución de la enfermedad. Objetivo: Este trabajo pretende evaluar la capacidad de varios tipos de análisis para capturar la variabilidad en el número de casos esporádicos de salmonelosis, de modo que puedan predecirse los casos esperados con antelación y detectar así desviaciones que puedan ser debidas a la presencia de brotes. Métodos: Se analizó una serie temporal, comprendida entre los años 2005-2017, del número de casos semanales definidos como esporádicos por el departamento de salud de Minnesota. La capacidad de los modelos para detectar brotes se evaluó generando predicciones sobre cada semana del año 2018 y comparando posteriormente estas con los casos totales reales observados, incluyendo los procedentes de brotes conocidos. Adicionalmente, se generaron curvas ROC y se fijaron puntos de corte alternativos para optimizar la sensibilidad y la especificidad de la diferencia entre casos totales observados (esporádicos y pertenecientes a brote) y casos esporádicos predichos como herramienta para detectar brotes activos. Resultados: Los mejores modelos ajustados a partir de las diferentes técnicas empleadas fueron un modelo autorregresivo integrado de media móvil estacional (SARIMA) (1,0,1) x (0,1,1)52 con constante, una regresión armónica dinámica con 10 términos de Fournier y un modelo ARIMA (0,1,1) para los errores, además el mejor modelo de redes neuronales autorregresivas (NNAR) tuvo parámetros (14,1,8) y las variables precipitación y temperatura como predictoras. Las mejores predicciones de los casos de salmonelosis esporádicos semanales del año 2018 fueron, según el error absoluto medio (2,740) y la raíz del error cuadrático medio (4,388), las obtenidos a través de la regresión armónica dinámica. Las predicciones puntuales de los casos semanales de salmonelosis humanas, una vez aplicados los puntos de corte óptimos, permitieron obtener una sensibilidad y especificidad para la detección de brotes activos en las semanas de 2018, del 76,67% y 72,73% en el caso de las obtenidas a partir de la regresión armónica dinámica, del 83,33% y 63,63% con las del SARIMA y del 93,33% y 40,90% con las del NNAR. Conclusiones: Los modelos SARIMA, NNAR y las regresiones dinámicas armónicas fueron capaces de modelizar correctamente la distribución temporal de los casos esporádicos semanales de salmonelosis y de generar predicciones aceptables. Además, el método desarrollado, basado en la comparación entre predicciones puntuales semanales de casos esporádicos de salmonelosis con los totales observados, permite detectar semanas en las que hay brotes activos con una sensibilidad elevada y una especificidad aceptable.