La investigación de La Data Cuenta utilizó un modelo de análisis predictivo basado en la relación entre las condiciones climáticas y los casos probables de dengue en México. Un análisis predictivo es una herramienta que utiliza datos históricos para anticipar o pronosticar eventos futuros. En este caso, el modelo predictivo analiza cómo factores climáticos como la temperatura y la precipitación influyen en la proliferación del mosquito Aedes aegypti y, por tanto, en los casos de dengue. Al identificar estos patrones, el modelo permite prever cómo las variaciones climáticas podrían afectar la transmisión del virus. Todo el análisis se realizó en R. R es un lenguaje de programación y entorno de software libre usado para el análisis estadístico y la visualización de datos. Es popular en investigación y análisis porque permite manejar grandes volúmenes de datos y realizar análisis complejos de forma eficiente.

1. Recopilación y preparación de datos

• Recopilación de Datos: Se reunieron datos mensuales de casos probables y confirmados de dengue de la Dirección General de Epidemiología, junto con datos meteorológicos del Servicio Meteorológico Nacional, específicamente temperatura media mensual y precipitación mensual, de diferentes estados de México a partir de 2020 y hasta julio de 2024. Para capturar el desfase temporal, se utilizaron los datos del clima del mes anterior, ya que el ciclo de vida del mosquito, desde huevo hasta adulto capaz de transmitir el virus, tarda entre 7 y 10 días. Además, los síntomas del dengue aparecen entre 4 y 10 días después de la infección. Por lo tanto, las condiciones climáticas del mes anterior capturan mejor la relación entre el ambiente y la incidencia de dengue en humanos. Este enfoque permite al modelo considerar el tiempo necesario para que el clima influya en la población de mosquitos y, por ende, en los casos de dengue.
•  2. Categorización de Variables Climáticas

Las variables climáticas se agruparon en diferentes rangos para analizar su impacto en los casos de dengue:

• Precipitación: Se clasificó en tres categorías:
  • Menos de 90 mm,
  • Entre 90 mm y 360 mm,
  • Más de 360 mm.
• Temperatura: Se dividió en cuatro rangos:
  • 16°C a 20°C,
  • 20°C a 25°C,
  • 25°C a 28°C,
  • 28°C a 30°C.

El rango de precipitación inferior a 90 mm y la temperatura entre 16°C y 20°C se utilizaron como grupos de referencia en los modelos de regresión.

3. Codificación de Variables

Se utilizaron variables dicotómicas (dummy variables) para representar los diferentes umbrales de precipitación y temperatura. Esto permitió codificar cada rango específico con un «1» y los demás como «0», para así reflejar su efecto en el análisis.

4. Selección de Modelos de Regresión

Para garantizar la precisión del análisis, se utilizaron dos modelos de regresión para los datos:

• Regresión Cuasi-Poisson: Este modelo fue seleccionado debido a la sobredispersión en los datos, es decir, cuando la variabilidad de los casos de dengue es mayor de lo que un modelo Poisson estándar podría predecir. La regresión cuasi-Poisson ajusta mejor estos datos, permitiendo una estimación más precisa de cómo las variables climáticas impactan en la incidencia del dengue.
• Modelo Poisson con inflación de ceros: Este modelo se empleó para tratar la alta frecuencia de ceros en los datos, es decir, meses en los que no se reportaron casos de dengue. El modelo con inflación de ceros separa el proceso que genera los ceros del que produce los casos positivos, proporcionando un ajuste más preciso en escenarios donde los ceros son comunes.

5. Aplicación y ajuste

Los modelos seleccionados (cuasi-Poisson y Poisson con inflación de ceros) se aplicaron para analizar la relación entre las variables climáticas y los casos de dengue en cada estado de México, así como en un análisis general para todo el país. Se estimaron los coeficientes para cada rango de temperatura y precipitación, lo que permitió identificar la magnitud y dirección de la relación entre estas variables y los casos de dengue.

6. Advertencias y limitaciones

• Debido a que muchas infecciones por dengue pueden ser asintomáticas, es probable que los datos no reflejen la totalidad de los casos. Esto podría generar una subestimación en los análisis realizados.

• Aunque la temperatura y la precipitación se identifican como factores clave, otros factores ambientales o sociales también influyen en la transmisión del dengue (como la urbanización o la movilidad humana). El modelo simplifica la realidad al considerar solo dos variables principales.

• El modelo se basa en datos históricos, por lo que su capacidad para predecir patrones futuros puede verse afectada por la incertidumbre climática. Los cambios impredecibles en la frecuencia e intensidad de eventos climáticos extremos podrían reducir la efectividad del modelo en el futuro.

Nota: Es importante destacar que la definición de este estudio consideró los parámetros utilizados en el artículo «Generalized Linear Regression Model to Determine the Threshold Effects of Climate Variables on Dengue Fever: A Case Study on Bangladesh» de Shamima Hossain, publicado en abril de 2023, que proporciona un enfoque estructurado para modelar el impacto de las variables climáticas en enfermedades transmitidas por vectores.