dc.title: Modelos espacio-temporales bayesianos para estudiar la incidencia de dengue en el Perú
dc.contributor.author: Caro Ferreyra, Katia Alejandra
dc.description.abstract: La prevención del dengue requiere un sistema para identificar las áreas con mayor riesgo,
utilizando datos epidemiológicos con estructura espacial y temporal. Los enfoques bayesianos,
que integran información previa y manejan estructuras jerárquicas, proporcionan un enfoque
flexible y robusto, que permite estimaciones más precisas de la incertidumbre, además de
captar la correlación espacial y espacio-temporal, registrando esta variabilidad en las estimaciones
de riesgo de enfermedades. Estos enfoques jer´arquicos bayesianos, a menudo requieren
m´etodos num´ericos sofisticados para proporcionar estimaciones de los par´ametros. En este
sentido, se pueden aplicar métodos como el Monte Carlo basado en cadenas de Markov
(MCMC) o la Aproximaci´on Anidada Integrada de Laplace (INLA), siendo ´esta ´ultima una
alternativa computacionalmente más eficiente para modelos gaussianos latentes (MGL), incluyendo
modelos espaciales como el modelo jerárquico de Besag, York y Mollié (BYM), el
cual puede extenderse a contextos espacio-temporales, que son de gran utilidad para evaluar
el conteo de casos a lo largo del tiempo. En este marco, el presente trabajo evaluó tres modelos
bayesianos, un modelo jerárquico de tendencia lineal param´etrica, un modelo jerárquico
modelado dinámicamente usando un paseo aleatorio o random walk y un modelo de tendencia
din´amica no param´etrica con interacción espacio-temporal. Para mostrar el aporte de
esta propuesta, los tres modelos se ajustaron a datos reales que incluyeron tanto los casos de
dengue como su incidencia. En el procedimiento de selecci´on del modelo no solo se comparo
la idoneidad de los modelos, sino también de distintas distribuciones de conteo añadiendo al
análisis, covariables climáticas.; The prevention of dengue requires a system to identify areas at higher risk, using epidemiological
data with spatial and temporal structure. Bayesian approaches, which integrate
prior information and handle hierarchical structures, provide a flexible and robust method
that allows for more accurate uncertainty estimates, as well as capturing spatial and spatiotemporal
correlation, accounting for this variability in disease risk estimates. These hierarchical
Bayesian approaches often require sophisticated numerical methods to provide parameter
estimates. In this context, methods such as Markov Chain Monte Carlo (MCMC) or Integrated
Nested Laplace Approximation (INLA) can be applied, the latter being a more
computationally efficient alternative for latent Gaussian models (LGM), including spatial
models such as the hierarchical Besag, York, and Molli´e (BYM) model, which can be extended
to spatiotemporal analyses, being very useful for evaluating the count of cases over
time. In this framework, the present study evaluated three Bayesian models: a hierarchical
model with a parametric linear trend, a hierarchical model dynamically modeled using a
random walk, and a non-parametric dynamic trend model with spatiotemporal interaction.
To demonstrate the contribution of this proposal, the three models were fitted to real data
that included both dengue cases and their incidence. In the model selection procedure, not
only was the suitability of the models compared, but also different count distributions were
analyzed, adding climatic covariates to the analysis.
↧