Asociación entre factores climáticos e incidencia de dengue en Inambari, Madre de Dios, Perú. Análisis de modelos de regresión

Abstract

Variables climáticas como la precipitación, la temperatura y la humedad relativa influyen en la dinámica poblacional de los vectores y en el riesgo de transmisión del dengue. Este estudio tuvo como objetivo identificar el modelo para datos de conteo más adecuado para describir la asociación entre los factores climáticos y el dengue en Inambari, Madre de Dios, Perú. Para ello, se evaluaron distintos modelos de regresión para datos de conteo, incluyendo los modelos de regresión Poisson, Binomial Negativa, Poisson Cero Inflacionado, Binomial Negativa Cero Inflacionado y Poisson Inversa Gaussiana. Asimismo, se incorporaron rezagos climáticos específicos determinados mediante análisis de correlación cruzada (CCF). La comparación entre modelos mediante los criterios de información de Akaike (AIC) y Bayesiano (BIC) identificó al Modelo de Regresión Poisson Inversa Gaussiana (MRPIG) como el modelo con mejor ajuste. Posteriormente, la incorporación de términos suaves mediante splines permitió extender este modelo (MRPIG-S), mejorando el ajuste e incorporando relaciones potencialmente no lineales entre las variables climáticas y la incidencia del dengue. Además, el uso de splines cíclicos contribuyó a representar adecuadamente la estacionalidad semanal observada en la dinámica temporal del dengue. El diagnóstico del modelo MRPIG-S evidenció un ajuste adecuado en términos generales, aunque persistieron limitaciones asociadas a la dependencia temporal y a la representación de eventos extremos relacionados con brotes epidémicos. No obstante, los modelos Poisson Inversa Gaussiana, particularmente en su extensión con splines, constituyen herramientas útiles para el análisis de datos epidemiológicos sobredispersos y con comportamiento estacional, aportando evidencia relevante para fortalecer los sistemas de vigilancia epidemiológica.

Climatic variables such as precipitation, temperature, and relative humidity influence vector population dynamics and the risk of dengue transmission. This study aimed to identify the most suitable count model to describe the association between climatic factors and dengue in Inambari, Madre de Dios, Peru. To this end, different count regression models were evaluated, including Poisson, Negative Binomial, Zero-Inflated Poisson, Zero-Inflated Negative Binomial, and Poisson Inverse Gaussian regression models. In addition, specific climatic lags identified through cross-correlation analysis were incorporated into the modeling process. Model comparison using the Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC) identified the Poisson Inverse Gaussian Regression Model (PIGRM) as the model with the best fit. Subsequently, the incorporation of smooth terms through splines extended this model (PIGRM-S), improving model fit and allowing the representation of potentially nonlinear relationships between climatic variables and dengue incidence. Furthermore, the use of cyclic splines adequately captured the weekly seasonality observed in the temporal dynamics of dengue. The diagnostic analysis of the PIGRM-S model showed an overall adequate fit, although some limitations associated with temporal dependence and the representation of extreme events related to epidemic outbreaks remained. Nevertheless, Poisson Inverse Gaussian models, particularly their extension with splines, constitute useful tools for the analysis of overdispersed epidemiological data with seasonal behavior, providing relevant evidence to strengthen epidemiological surveillance systems.