Consecuencias de una mala detección de enfermedades
En la ciencia veterinaria, los factores de riesgo actúan a nivel epidemiológico para explicar y detallar la distribución de las enfermedades. La detección de enfermedades se basa en comparativas entre características de las poblaciones sanas y enfermas. Sin embargo, un error en esta detección de enfermedades generar observaciones que pueden no representar con precisión la situación real de la enfermedad.
Para analizar estos factores, es importante cuantificar el impacto que tiene la presencia de imperfecciones de la sensibilidad en la detección de casos sobre la identificación de los factores de riesgo de la enfermedad cuando se utilizan modelos logísticos y poner énfasis sobre los modelos Poisson cero-inflados y cómo estos usan los datos de conteo de enfermedades para ajustar problemas en la detección.
Los ejercicios de simulación
Las simulaciones de diferentes estudios muestran que, bajo modelos logísticos, los factores de riesgo a nivel de granja se identifican generalmente de orma correcta. Si la detección de animales infectados es imperfecta y heterogénea entre granjas, es probable que las variables asociadas con la heterogeneidad se identifiquen incorrectamente como factores de riesgo.
Asimismo, las simulaciones muestran que cuando los datos de recuento están disponibles por separado, no se deben reducir a conjuntos de datos de presencia/ausencia a nivel de granja, sino que hay que modelar mediante el uso de conteo de cero-inflados, pues estos presentan una menor sensibilidad a los problemas derivados de una mala detección de enfermedades.
Análisis de los datos del sistema de notificación de abortos en bovino
La segunda parte del estudio consistió en un análisis de los datos franceses de vigilancia del aborto bovino, sistema caracterizado por una detectabilidad imperfecta y heterogénea del aborto.
Se detectaron diferencias importantes entre los resultados cuantitativos del modelo logístico y los del modelo de Poisson cero-inflados.
La conclusión final del estudio demuestra que cuando existe una mala detección de enfermedades, los modelos logísticos aplicados a los informes de casos agregados a una escala mayor conducen probablemente a estimaciones sesgadas y a identificar incorrectamente como factores de riesgo variables que influyen en la propia sensibilidad de detección.
Los autores recomiendan invertir esfuerzos en explicar o al menos discutir la mala detección de enfermedades al evaluar las asociaciones entre los factores de riesgo putativos y las distribuciones de la enfermedad observada.
Hispalgan
Consecuencias de una mala detección de enfermedades
