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