View
219
Download
0
Category
Preview:
Citation preview
Epidemiologia agrícola aplicada
ao vigilância epidemiológica
Instructor:Gustavo Mora AguileraColegio de PostgraduadosMéxico morag@colpos.mx
Coordinador:Louse Larissa May de MioUFPRBrasilmaydemio@ufpr.br
6, 9-11 Dic. 2013Univ. Federal Rural do Paraná
Curitiva, Brasil
Gustavo Mora Aguilera, CP y Sinavef Lab, Méx.Gabriela Calderón Estrada, ANACAFE Guatemala
Gerardo Acevedo Sánchez , Sinavef LabJorge Flores, Sinavef Lab
Santiago Domínguez, Sinavef Lab
Tema 5-1 Temporal analises. Previsão
Conceptos
• Objetivo
Analisar e discutir princípios e aplicações do temporal analises na epidemiologia.
Créditos do trabalhos discutidos: Gustavo Mora Aguilera, CP y Sinavef Lab, Méx.Gabriela Calderón Estrada, ANACAFE Guatemala
Gerardo Acevedo Sánchez , Sinavef LabJorge Flores, Sinavef Lab
Santiago Domínguez, Sinavef Lab
Notas breves de Descrição de epidemias
2
4
6
8
10
12
14
16
18
Inci
denc
ia (
%)
9-m
ay
25-m
ay
8-ju
n
22-ju
n
6-ju
l
20- ju
l
3-au
g
17-a
ug
31- a
ug
14- s
ep
28- s
ep
12-o
ct
26-o
ct
9-no
v
23-n
ov
7-de
c0
Fecha siembra 21 Junio (FJ)Fecha de siembra Agosto (FA)
Thrips en FJThrips en FA
Dendranthema grandiflora - TSWV
Análisis Parcial de Epidemias
0
10
20
30
40
50
60
70
Núm
ero
de t
ripsMod. Monomolecular:
Ymax Corregida (0.25)rm=0.098** r2=0.98
Ymax no corregida (1.0)rm=0.006* r2=0.78
Weibull (Ymax correg.)b=10.71* c=1.17 r2=0.93
Análisis EscalandoInt. Enf. (x10)
Epidemia porción 1
Ochoa et al., 1988 Plant Pathology
Mod. Logístico:Ymax Corregida (0.80)rL=0.035* r2=0.63
Ymax no corregida (1.0)rL=0.096* r2=0.74
Weibull (Ymax correg.)b=13.71* c=1.71 r2=0.65
Epidemia porción 2
b= 0.0026 r2=0.88
Epidemia total
0
100
200
300
400Rep. 11
Rep. 2 Rep. 3 Rep.4
IC
0
100
200
300
400
0 10 20 30 40 50
Days aftertransplanting
AC
0
100
200
300
400
TCNúm
ero
de a
galla
s po
r pl
anta
Días despues del trasplante Lycopersicum sp / Nacobus aberransJairo (2000)
0
100
200
300
400
500
600
700
800
0 10 20 30 40 50 60 70 80 90 100 110
Num
ber
of g
alls
per
pla
ntTestigo Absoluto
Justificación: 40,50,60periodo crítico en estimación pérdidasproducción
Porción 1Modelada
1 0.97 0.080 0.62 0.0782 0.97 0.084 0.46 0.0493 0.96 0.083 0.31 0.0604 0.97 0.082 0.46 0.062
r2 b-1 r2 b-1rep
Por
ción
2
Porción 1 Completa 2
Media= 0.082r2= 0.97-0.96
Se puede generar un solo modelo con la elpromedio de b y c
Modelo de Weibull
Análisis Parcial de Epidemias
Exploración Gráfica.
Calcular varios parámetros.
Evaluar posibles conclusiones con cada
parámetro.
Evaluar ventajas estadísticas de cada
parámetro seleccionado.
Evaluar la implicación biológica de la
conclusiones, usando cada variable.
De las variables posibles a usar, seleccionar la
más practica de medir y/o aplicabilidad
biológica.
Incluir los análisis de varias variables para ver
consistencia en la respuesta.
0 20 40 60 80 100 120 140 160 180 200 220 240 2600.0
0.2
0.4
0.6
0.8
1.0
Días Después de la Siembra
Prop
orci
ón d
e In
cide
ncia
AABCPE=4273r = 0.043G
ABCPE=4452r = 0.009G
B
A
B
0 20 40 60 80 100 120 140 160 180 200 220 240 2600.0
0.2
0.4
0.6
0.8
1.0
Días Después de la Siembra
Prop
orci
ón d
e In
cide
ncia
D
CABCPE=7170r = 0.015G
ABCPE=5594r = 0.015G
D
C
0 20 40 60 80 100 120 140 160 180 200 220 240 2600.0
0.2
0.4
0.6
0.8
1.0
Días Después de la Siembra
Prop
orci
ón d
e In
cide
ncia
F
EABCPE=10045r = 0.026G
ABCPE= 5640r = 0.026G
F
E
Exploración en la Comparaciónde Univariada de Parámetros
n-Mediciones de Intensidad de Enfermedad
Muestras o poblaciones medidas a intervalos de tiempo, p.e. días, sem., etc., o unidades fisiológicas (unid. calor o fototérmicas):
Evaluaciones con mapas de campo o unidades de distancia
< 4 eval. /rep
1 eval.p.e. Yf SISi
Análisis Espacial
Análisis Univariadop.e. ANVA
Si
Análisis Multivariadop.e MANOVA
No
Eval. en Diseños Experimentales
< 4 eval / n-pop
Si
No
1 eval./n-pop.
Reporte Descriptivo
Si n< 4: media; n ³ 4: t-test, regresión
2-3 eval(p). / pop. ³10n
2-3 eval / anal. indiv.
Si SiNo
Análisis Multivariado p.e
Conglomerados
Si
No
³ 4 eval./rep/curva
³ 4 eval./ n-curvas
No
No
No
curvas forma def.
Selección de ABCPE, Tt, y otros parámetros de local.
Selección de Modelos y de parámetros de localización e integración
No
Si >1 param. anal. Indiv.
Si
No
>1 par.(p)Curvas ³10n
Exploración y visualización
gráficaSi
No
Análisis Temporal
Diagrama de flujo del Análisis Temporal de Epidemias
Parametrización de curvas
Inferência de epidemias:Previsão. Conceptos
G G Márquez (Colombia, Premio Novel)Cien años de soledad
…en los pergaminos de Melquíades estaba escrito su destino……Era la historia de la familia…con cien años de anticipación… Aureliano saltó once páginas
para no perder tiempo en hechos demasiados conocidos....para anticiparse a las predicciones y
averiguar la fecha y las circunstancias de su muerte … todo lo escrito en ellos era irrepetible desde
siempre y para siempre, porque las estirpes condenadas a cien años de soledad no tenían una
segunda oportunidad sobre la tierra.
M O D E LO
MENTALTANGIBLE
FISICO ABSTRACTO
CUALITATIVOCUANTITATIVO
ESTOCASTICO
No paramétricoMultivaridoUnivariado
DETERMINISTICO
LogísticoGompertz
Monomolecular
RichardsWeibull
PATOGENO HOSPEDANTE
AMBIENTE
dy / dt = f(t)
dy / dt = f(t)
HOSPEDANTE
1. Clasificación de Modelos en la Epidemiología
Campbell y Madden (1990) modif. Mora, 1997
Patógeno
Suelo
Vector
Clima
?
Manejo Agronómico
Hospedante
Objetivo de un ModeloUn modelo Describe, Explica, o Predice relaciones funcionales Causa (X’s) Efecto (Y’s)
Ejemplos:D Intensidad de Enfermedad D inóculo Inc = 0.026 esp23 + e
D Intensidad de Enfermedad D tiempo ln(1/1-inc) = - 4.0 + 0.022 t + eDIntensidad de Enfermedad D vectores virulíferos y = (N-Ag)(prop. virulíferos)
Modelos Determinísticos Modelos Estocásticos
Y=f(x)
VariablesPatógeno (X1)
Variablesde Clima (X2,X3)
Estructura Biológica de un Modelo
Amarre Fruto
B2
B3
spora
B1
Febrero
Enero
Mayo
Marzo Agosto
Espo
Noriega et al., 1998; Guillén et al., 2003, Guillén, 2002
VariablesPatógeno (X1)
VariablesEnfermedad (Y1)
VariablesEnfermedad (Y2,Y3)
¿Tiempo?¿Espacio?
VariablesPatógeno (Y1)
Variablesde Clima (X2,X3)
VariablesHospedante (Y4,Y5)
● Seleccionar las variables climáticas y/o biológicas determinantes del progreso de epidemias (mecanistico).
● Predecir cambios de enfermedad, daño o densidad de plaga durante el ciclo de un cultivo presente o futuro.
● Aplicar oportunamente medidas de control o manejo fitosanitario.
Para qué um modelo de previsao?
Intensidad de daño
Temperatura F0 (D + E + F)
No significativo (- )
< 90
Intermedio 90 - 100Severo > 100
¿Debe ser matemático?
Stevens (1935)
Pantoea (Erwinia) stewartii
(Y t - Y t-1)
U. pseudambrosiae
A. spiraecola A. middletonii
A. gossypii
Dependent Variable:
Y = disease incidence
Model: y = f (aphid vectors)
Estructura de un ModeloCaso patosistema viral
Tipos de Variables en un Modeloprobabilístico
Variables SimbolosIndependientesNo. de esporas no acumuladas de Colletotrichum sp. Esp1-8
No. de esporas acumuladas de Colletotrichum sp. Esp21-8
Temperatura mínima Tmin1-8
Temperatura máxima Tmax1-8
Humedad Relativa Máxima HRmax1-8
Humedad Relativa Máxima acumulada HRmax21-8
DependientesPorcentaje de incremento de enfermedad Yt-Yt-1
Reyes, 2002
Variable independiente (Causa) variable Dependiente (Efecto)
Especies Vectoras Cambios en incidencia viral Un modelo de regresión múltiple se puede escribir como:
y x x xo i i 1 1 2 2 ...
donde o, 1,... i son parámetros de regresión (se desconocen) y es un
término de error aleatorio.
Estructura de un Modelo de Regresión Múltiple
Inadecuado uso de la Regresión Múltiple Aun si las asunciones biológicas son apropiadas para el uso del análisis de regresión múltiple, este enfoque tiene dos desventajas importantes:
Problema 1: El método puede no proporcionar una explicación biológica específica con respecto a interacciones en el sistema del hospedero-plaga-ambiente .
Problema 2: El método puede eliminar variables
importantes.
Limitaciones
y = 0.442 + 0.168 An + 0.658 Ag + 0.000092 PW
Average transmision rate= Vector propensity
Vector intensity
Explicación Biológica: caso modelo vector
VAR/MODEL CP R² PAN AG MP P* IN 4.3 0.49 19/60AN AN² AG P* IN 5.0 0.62 21/60AN AN² AG MP P*IN 6.0 0.71 23/60
Mora-Aguilera et al. (1993). Plant Dis. 77:1205-1211
A. gossypii
A. nerii
052
104156208 A.spiraecola
02468 Macrosiphum euphorbiae
Tiempo(semanas)
07
142128 Myzus persicae07
142128
A.g. acum. por 4 sem.Aphis gossypii
013263952
No. T
otal d
e Afi
dos A
lados
Tram
pead
os
A. neriiAphis nerii
0
6
12
18
24
30
Camb
io ab
solut
o de P
apay
a Ring
spot
Inc
idenc
e (%
)
acumulados 4 sem.
020406080
Inten
sidad
de V
ientos
"Nor
tes"
MSE = 0.86
Observados
Predichos
r = 0.79**b = 0.802
Mora-Aguilera et al., Plant Disease 1995
Inc = 0.09 Up + 0.10 Am + 0.11 AgR = 0.82 ** Cp-Mallow = 2. 38
54 61 69 81 91 97-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Days After Planting
Data 1993
Up = U. pseudambrosiae Am = Aphis middletonii Ag = A. gossypii As = A. spiraecola
Actual Inc.
Predicted Inc.
Inc = 0.14 Up + 0.12 (Am As)2 R = 0.94 ** Cp-Mallow = 1. 0 2 *
Days After Planting41 49 57 68 79
-0.4
0.0
0.4
0.8
1.2
1.6
2.0
2.4
Prop
orti
on o
f inc
iden
ce c
hang
e
Data 1994Actual Inc.
Predicted Inc.
Prop
orti
on o
f inc
iden
ce c
hang
e
40 48 54 61 68 75 82 89 950
0,1
0,2
0,3
0,4
Days after planting
Chan
ge o
f Inc
iden
ce
Plot 1 Plot 2
Plot 3
0
0,2
0,4
0,6
0,8
1
Prop
ortio
n of
Incid
ence
Change of Inc.
Proportion of Inc.
0
0,1
0,2
0,3
0,4
Chan
ge o
f Inc
iden
ce
40 48 54 61 68 75 82 89 950
0,2
0,4
0,6
0,8
1
Days after planting
Prop
ortio
n of
Incid
ence
Plot 1 Plot 2
Plot 3 Plot 4
Cambio Absoluto evidencia mejor las variaciones en Intensidad de enfermedad
Watermelon mosaic virus type 2 (WMV-2)
A. middletonii
Mora, 1995
Conclusiones• Un modelo de pronóstico estima la ocurrencia de cambios de
intensidad de enfermedad en el tiempo
• La variable dependiente son incrementos absolutos de enfermedad
• Las variables independiente pertenecen a los subsistemas epidemiológicos. Su selección dependerá del patosistema y su conocimiento
• Un modelo puede ser estocástico o determinístico
• La aplicación es con fines de manejo de la enfermedad o para entender los procesos de enfermedad
• Un modelo es específico para el sistema epidemiológico donde se generó
Recommended