EPIDEMIOLOGIA DE ENFERMEDAD HEMORRAGICA ... - citaREA
EPIDEMIOLOGIA DE ENFERMEDAD HEMORRAGICA ... - citaREA EPIDEMIOLOGIA DE ENFERMEDAD HEMORRAGICA ... - citaREA
Resultados 4.5.5.3-Tasas de morbilidad y mortalidad de VHD Asumiendo que todos los conejos adultos muertos por causas patológicas, lo fueron por VHD, en este apartado hemos realizado una estimación de las tasas de morbilidad y mortalidad de este virus a partir de la variación experimentada por la población de adultos en la seroprevalencia de anticuerpos antes y después de cada mortandad invernal. Para ello hemos usado las siguientes relaciones matemáticas: 178 Morbilidad=(Sc+Mt)/Sn Mortalidad=Mt/(Sc+Mt) Sc=Sp'(1-Mt)-Sp En las que: "Mt" es la proporción del total de la población que muere por causas patológicas y que ha sido estimada mediante radioseguimiento. "Sn" es la proporción de conejos adultos seronegativos frente a VHD en el total de la población antes de que tenga lugar la mortalidad. "Sp" y "Sp'" es la proporción de conejos adultos seropositivos frente a VHD en el total de la población antes y después de que tenga lugar la mortalidad. "Sc" es la proporción de la población antes de la mortalidad que será infectada por el virus y no morirá, por lo que al seroconvertir formará parte de Sp'. Para el pico de mortalidad de enero-febrero de 1994 se ha tomado como valor de Sp la prevalencia de anticuerpos de los 14 conejos adultos capturados en octubrediciembre de 1993, que se estimó en un 21,43%. El valor de Mt ya se ha calculado en un 25,48% en anteriores apartados, mientras que para el valor de Sp' se ha considerado la seroprevalencia existente en mayo-junio que se calculó en un 37,5% (n=8), la prevalencia en meses anteriores no se ha tenido en cuenta por considerar que todavía estaba presente la epizootía de VHD. Con estos datos la morbilidad estimada fue de un 40,72% y la mortalidad de un 79,63%. Siguiendo el mismo método, para 1995 se ha considerado la seroprevalencia de octubre-diciembre de 1994, que se estimó en un 66,67% (n=15) y la seroprevalencia de mayo-junio de 1995 estimada en un 88,89% (n=9). En este caso la morbilidad se estimó en un 73,61%, superior a la del año anterior, sin embargo la mortalidad, estimada en un 81,68%, fue muy similar a la calculada para 1994.
4.6-Modelización de Enfermedad Hemorrágica (VHD) 4.6.1-Introducción Resultados La modelización es uno de los componentes de la investigación epidemiológica. El desarrollo de modelos en veterinaria permite incrementar el conocimiento sobre una enfermedad y valorar el costo económico de la misma y su control, ensayando diferentes herramientas de gestión antes de ponerlas a la práctica en el campo; esto permite un ahorro considerable de esfuerzo y recursos, a la vez que abre nuevas vías para la investigación de la enfermedad (Thrusfield y Gettinby 1984). En el presente trabajo las observaciones realizadas en campo muestran notables variaciones en parámetros epidemiológicos tan importantes como la mortalidad en la población, la incidencia temporal, la prevalencia de anticuerpos o la influencia de la edad de los conejos. Mediante técnicas de simulación, en este capítulo se pretende reproducir la variación de estos parámetros epidemiológicos en un modelo matemático que recoge las principales características conocidas de la epidemiología de la enfermedad, con el fin de comprender su dinámica y la posibilidad de recuperar esta especie mediante diferentes medidas de gestión. 4.6.2-Descripción del modelo Se ha desarrollado un modelo de simulación de tipo determinístico construido mediante diagramas de flujo. Para ello se ha utilizado el programa Stella (H.P.S.; USA), en el que se ha seleccionado el algoritmo de Euler como método de integración para el cálculo de los resultados. La unidad de tiempo sobre la que se han definido los valores de todos los parámetros introducidos en el modelo ha sido de una semana, si bien para evitar la aparición de falsos ciclos, el intervalo semanal se ha fraccionado en 4 subintervalos a la hora de realizar los cálculos. Los períodos mensuales han sido idealizados a 4 semanas, con el fin de simplificar el tratamiento de los datos, por lo que un año se ha compuesto de 48 semanas únicamente. Cuando los datos generados se han elaborado para períodos mensuales, anuales, o bianuales se ha recurrido al cálculo de la media acumulada cada 4, 48 ó 96 semanas respectivamente, estimándose así el valor medio semanal para cada mes, año o período de dos años del parámetro en cuestión. El cálculo de la media acumulada cada dos años ha sido necesario para poder estimar el valor medio en el equilibrio de aquellos parámetros que han presentado ciclos bianuales. 179
- Page 138 and 139: Resultados En la figura 14 se obser
- Page 140 and 141: Resultados 4.3-Indice relativo de i
- Page 142 and 143: Resultados medio del IR para los a
- Page 144 and 145: Resultados 134 Respecto a la edad,
- Page 146 and 147: Resultados Dentro de cada categorí
- Page 148 and 149: Resultados Tabla XIX: Prevalencia d
- Page 150 and 151: Resultados 140 Totales n=26 (12) 46
- Page 152 and 153: Resultados notablemente más elevad
- Page 154 and 155: Resultados 144 No Vac. Negativos No
- Page 156 and 157: Resultados que la inmunización vac
- Page 158 and 159: Resultados que sigue siendo ligeram
- Page 160 and 161: Resultados mortalidad por cuatrimes
- Page 162 and 163: Resultados Cuando la estimación de
- Page 164 and 165: Resultados No se detectó ninguna m
- Page 166 and 167: Resultados aun a pesar de increment
- Page 168 and 169: Resultados valores del índice de a
- Page 170 and 171: Resultados 160 Predación 0,0030 0,
- Page 172 and 173: Resultados Figura 26: Mortalidad di
- Page 174 and 175: Resultados que cabría la posibilid
- Page 176 and 177: Resultados diagnóstico se realizó
- Page 178 and 179: Resultados murió en el interior de
- Page 180 and 181: Resultados el interior de la madrig
- Page 182 and 183: Resultados Las observaciones realiz
- Page 184 and 185: Resultados fue encontrada muerta co
- Page 186 and 187: Resultados 176 Patología 0,9 0,8 0
- Page 190 and 191: Resultados 4.6.2.1-Ciclo biológico
- Page 192 and 193: Resultados fácilmente capturados p
- Page 194 and 195: Resultados representación de una i
- Page 196 and 197: Resultados se ha realizado idéntic
- Page 198 and 199: Resultados 188 45.000 40.000 35.000
- Page 200 and 201: Resultados La principal diferencia
- Page 202 and 203: Resultados 192 0,04 0,035 0,03 0,02
- Page 204 and 205: Resultados El aumento del tamaño d
- Page 206 and 207: Resultados 196 (%) (%) (%) 200 150
- Page 208 and 209: Resultados prevalencia muy elevados
- Page 210 and 211: Resultados 200 100 80 60 40 20 0 10
- Page 212 and 213: Resultados 202 (%) (%) (%) 150 100
- Page 214 and 215: Resultados 204
- Page 216 and 217: Resultados Figura 47: Ciclo bianual
- Page 218 and 219: Resultados 208 Mortalidad VHD Morta
- Page 220 and 221: Resultados 210 Mortalidad VHD Morta
- Page 222 and 223: Resultados 212 En relación a la ed
- Page 224 and 225: Resultados 214 Prevalencia Prevalen
- Page 226 and 227: Resultados 216 Prevalencia Prevalen
- Page 228 and 229: Resultados de la caza es proporcion
- Page 230 and 231: Resultados 220 (octubre-enero y jun
- Page 232 and 233: Resultados 222 año (octubre-enero
- Page 234 and 235: Resultados 224 (%) (%) (%) 100 80 6
- Page 236 and 237: Resultados 226 Por este motivo, si
4.6-Modelización de Enfermedad Hemorrágica (VHD)<br />
4.6.1-Introducción<br />
Resultados<br />
La modelización es uno de los componentes de la investigación epidemiológica. El<br />
desarrollo de modelos en veterinaria permite incrementar el conocimiento sobre una<br />
enfermedad y valorar el costo económico de la misma y su control, ensayando diferentes<br />
herramientas de gestión antes de ponerlas a la práctica en el campo; esto permite un ahorro<br />
considerable de esfuerzo y recursos, a la vez que abre nuevas vías para la investigación de<br />
la enfermedad (Thrusfield y Gettinby 1984).<br />
En el presente trabajo las observaciones realizadas en campo muestran notables<br />
variaciones en parámetros epidemiológicos tan importantes como la mortalidad en la<br />
población, la incidencia temporal, la prevalencia de anticuerpos o la influencia de la edad<br />
de los conejos. Mediante técnicas de simulación, en este capítulo se pretende reproducir la<br />
variación de estos parámetros epidemiológicos en un modelo matemático que recoge las<br />
principales características conocidas de la epidemiología de la enfermedad, con el fin de<br />
comprender su dinámica y la posibilidad de recuperar esta especie mediante diferentes<br />
medidas de gestión.<br />
4.6.2-Descripción del modelo<br />
Se ha desarrollado un modelo de simulación de tipo determinístico construido<br />
mediante diagramas de flujo. Para ello se ha utilizado el programa Stella (H.P.S.; USA),<br />
en el que se ha seleccionado el algoritmo de Euler como método de integración para el<br />
cálculo de los resultados. La unidad de tiempo sobre la que se han definido los valores de<br />
todos los parámetros introducidos en el modelo ha sido de una semana, si bien para evitar<br />
la aparición de falsos ciclos, el intervalo semanal se ha fraccionado en 4 subintervalos a la<br />
hora de realizar los cálculos. Los períodos mensuales han sido idealizados a 4 semanas,<br />
con el fin de simplificar el tratamiento de los datos, por lo que un año se ha compuesto de<br />
48 semanas únicamente. Cuando los datos generados se han elaborado para períodos<br />
mensuales, anuales, o bianuales se ha recurrido al cálculo de la media acumulada cada 4,<br />
48 ó 96 semanas respectivamente, estimándose así el valor medio semanal para cada mes,<br />
año o período de dos años del parámetro en cuestión. El cálculo de la media acumulada<br />
cada dos años ha sido necesario para poder estimar el valor medio en el equilibrio de<br />
aquellos parámetros que han presentado ciclos bianuales.<br />
179