Estimación de la prevalencia de hidatidosis humana considerando la distribución espacial en dos centros poblados de Junín-Perú

Abstract

En el campo de la epidemiología, la medición correcta de un indicador es de suma importancia. Debido a esto, para estimar correctamente el valor para la prevalencia de una enfermedad, se propuso una metodología que permita corregir el sesgo de selección espacial existente cuando la información se recolecta por medio de campañas en un centro de salud. Se partió del supuesto de que el riesgo a ser seleccionado para la muestra no era aleatorio a nivel espacial. Por medio del contraste entre las funciones de intensidad de la población y la muestra se determinaron los pesos que permitieron ajustar un modelo para estimar la prevalencia corregida. Este procedimiento se realizó tanto en simulaciones, como usando la data real correspondiente a dos centros poblados de Junín. Pese a que los resultados en las estimaciones de los casos simulados fueron no concluyentes, se analizó sobre la data real; ajustando los modelos no solo con la data espacial, sino integrando covariables epidemiológicas como factores de riesgo, lo que permitió una mejora en las métricas de ajuste de los modelos. En el caso de Corpacancha se encontró que la prevalencia se encontraba sobreestimada; mientras que en Canchayllo, esta se encontraba subestimada.

In the field of epidemiology, the correct measurement of an indicator is of paramount im-portance. Due to this, in order to correctly estimate the value for the prevalence of a disease, a methodology was proposed to correct the existing spatial selection bias when the information is collected through campaigns in a health center. Furthermore, it was assumed that the risk to be selected for the sample was not random at the spatial level. By means of the contrast between the intensity functions of the population and the sample, the weights that allowed adjusting a model to estimate the corrected prevalence were determined. This procedure was carried out both in simulations and using the real data corresponding to two populated centers of Junín. Although the results in the estimates of the simulated cases were inconclusive, the real data was analyzed; adjusting the models not only with spatial data, but also integrating epidemiological covariates as risk factors, which allowed an improvement in the adjustment metrics of the models. In the case of Corpacancha, it was found that the prevalence was overestimated; while in Canchayllo, it was underestimated.