Avanzando en las Técnicas de Vigilancia de Enfermedades en la Fauna

La vigilancia de enfermedades en la fauna es clave para rastrear infecciones y entender los riesgos para la vida silvestre, los humanos y la agricultura. Muchos programas recogen diferentes tipos de muestras de animales para tener una idea más clara de su salud. Sin embargo, los métodos que analizan múltiples tipos de datos juntos para estudiar tendencias y factores de enfermedades son limitados.

Este artículo presenta un nuevo método para analizar datos emparejados de diferentes muestras tomadas del mismo animal. Usando lo que llamamos "mapas de caracterización", podemos conectar de manera más efectiva estos datos combinados a los procesos de enfermedad. Aplicamos métodos estadísticos bayesianos y frecuentistas para obtener información sobre patrones de infección y parámetros. Este enfoque también tiene en cuenta la precisión de las pruebas utilizadas y sugiere maneras de evaluar cuán bien se ajusta el modelo a los datos.

La motivación detrás de este trabajo proviene de la necesidad de usar juntos tanto la detección de patógenos como las pruebas de anticuerpos. Estas pruebas nos ayudan a estimar cómo se propagan y cambian las enfermedades con el tiempo, particularmente en un modelo ampliamente conocido llamado el Modelo SIR (susceptible, infectado, recuperado).

Nuestros hallazgos muestran que este método de datos emparejados puede estimar parámetros de manera más eficiente que mirar los datos por separado. De hecho, descubrimos que usar datos emparejados a menudo requiere muestras de 5 a 10 veces menos animales. Aplicamos este método para estudiar el SARS-CoV-2 en ciervos de cola blanca salvajes en tres condados de EE. UU., revelando que alrededor del 73% de los ciervos estaban infectados, y se estimó que el número básico de reproducción era de 1.88.

#Importancia del Análisis de Datos Conjuntos

Los programas de vigilancia de vida silvestre suelen incluir serología, que se utiliza para detectar anticuerpos. Este método es rentável y permite rastrear la enfermedad a lo largo del tiempo, ya que los anticuerpos tienden a durar más que la fase activa de la infección. Actualmente, los estudios a menudo dependen de un solo tipo de muestra, mientras que los métodos que reúnen múltiples tipos de muestras son raros.

Nuestro marco está diseñado para conectar pruebas de detección de virus activos (como PCR) y pruebas de detección de anticuerpos. Haciendo esto, podemos obtener una comprensión más completa del proceso de infección. Este enfoque también es adaptable, lo que significa que se puede aplicar a varios tipos de muestras y modelos de transmisión de enfermedades.

#El Papel de Diferentes Muestras

Los esfuerzos de vigilancia a menudo recogen biomarcadores de individuos para explorar la dinámica de la infección. Mientras que las pruebas de infección activa proporcionan tasas de infección actuales, las pruebas serológicas ofrecen información sobre infecciones pasadas. Sin embargo, estimar las tasas de transmisión directa requiere una combinación de diferentes tipos de muestras para tener una imagen más completa.

Actualmente, los métodos que utilizan múltiples muestras para estimar el tiempo de infección a menudo dependen de la cantidad de anticuerpos presentes, pero no todos los programas recogen estos datos. La falta de métodos confiables que analicen muestras sin las cantidades de anticuerpos significa que hay una brecha que necesita ser abordada.

Al utilizar tanto datos de detección de patógenos como datos de anticuerpos, podemos construir un modelo más robusto para entender mejor las infecciones. Este modelo reconoce que los individuos pueden estar en diferentes estados (susceptibles, infectados o recuperados) según los resultados de diferentes muestras. Nuestro trabajo busca mejorar estos modelos para un mejor monitoreo de enfermedades.

#El Modelo SIR y Sus Extensiones

El modelo SIR es una herramienta estándar que se utiliza para rastrear cómo se propagan las enfermedades a través de las poblaciones. En este modelo, se monitorean a lo largo del tiempo tres grupos de individuos: aquellos que son susceptibles, aquellos que son infecciosos y aquellos que se han recuperado. Este modelo es vital para entender las tendencias a nivel poblacional.

Sin embargo, el modelo SIR tradicional tiene limitaciones, especialmente para enfermedades con dinámicas complicadas. Nuestra extensión propuesta, llamada modelo SIBR (susceptible, infectado, ampliamente recuperado, recuperado), acomoda más complejidades. Separa a aquellos que están ampliamente recuperados de aquellos que están completamente recuperados, mejorando el análisis de enfermedades como el SARS-CoV-2.

#Vinculando Datos a Modelos

Los datos de vigilancia de enfermedades pueden ayudar a clasificar a los individuos según diferentes estados de enfermedad. Por ejemplo, si un individuo tiene anticuerpos, podría clasificarse como recuperado. Por otro lado, si muestra presencia viral activa, se considera infeccioso. Al aplicar mapas de caracterización, podemos conectar los resultados de las pruebas a estados específicos de enfermedad de manera más precisa.

Este método aclara la clasificación de individuos dentro del modelo SIBR, permitiendo una mejor comprensión de cómo diferentes individuos transitan entre estados a lo largo del tiempo. Con un mapeo adecuado, podemos minimizar confusiones en la categorización, que pueden ocurrir al analizar fuentes de datos separadas.

#Modelos Observacionales

Al analizar datos, es importante notar que el estado de salud real de una persona podría diferir de lo que muestran las pruebas. Esto puede deberse a diversos factores, incluidos errores en la muestreo o en las pruebas. Para estimar verdaderamente el nivel de infección en una población, debemos crear modelos que tengan en cuenta estas discrepancias.

Al aplicar un modelo estadístico jerárquico, podemos entender mejor los datos al considerar la sensibilidad y especificidad de las pruebas. Esto ayuda a proporcionar una visión más precisa de los niveles de infección presentes en una población.

#Estudios de Simulación e Insights

A través de simulaciones, evaluamos la eficiencia de nuestro nuevo modelo en comparación con modelos SIR más simples. Los resultados a menudo indicaron que los datos emparejados generaban estimaciones mucho mejores. En muchos escenarios, encontramos que usar datos emparejados podía llevar a cifras confiables con significativamente menos muestras en comparación con separar los datos.

Para ilustrar los beneficios de nuestro enfoque, lo aplicamos al estudio del SARS-CoV-2 en ciervos de cola blanca. Nuestras análisis sugirieron que tanto los datos de PCR como de serología proporcionaron información más completa que cualquiera de los tipos de datos por separado. El modelo SIBR reveló similitudes en las tasas de infección a través de diferentes condados mientras también descubría patrones y dinámicas únicas.

#Estudio de Caso: SARS-CoV-2 en Ciervos de Cola Blanca

Empleamos nuestro marco de análisis conjunto en un conjunto de datos sobre SARS-CoV-2 en ciervos de cola blanca. Se recopilaron muestras de diversas fuentes, incluidos cazadores y agencias, para asegurar datos robustos. Las pruebas involucraron la detección del virus y de anticuerpos presentes en los ciervos.

En nuestro estudio de caso específico, nos centramos en tres condados con al menos 100 muestras recopiladas regularmente. Los hallazgos indicaron tasas de infección significativas entre los ciervos de cola blanca, con estimaciones que mostraron que un gran porcentaje de ciervos había estado expuesto al virus.

El rendimiento de las pruebas de anticuerpos utilizadas fue variable, por lo que incorporamos suposiciones sobre su precisión en nuestro modelo. Los resultados apuntaron consistentemente a estimaciones de infección más altas cuando se incluían ambos tipos de pruebas en el análisis.

#Conclusión

Los métodos que desarrollamos ofrecen una nueva vía para la vigilancia de enfermedades en la fauna. Al integrar datos de muestras emparejadas, podemos lograr estimaciones más precisas y confiables sobre la dinámica de enfermedades. Este enfoque reconoce la riqueza de los datos recopilados de poblaciones silvestres, ayudando a mejorar los programas de monitoreo de enfermedades.

Nuestros hallazgos contribuyen a una mejor comprensión de los procesos de enfermedad y pueden ayudar a guiar futuras investigaciones y estrategias de gestión. La flexibilidad del modelo SIBR y los mapas de caracterización abren puertas para una mayor exploración en estudios de salud de la vida silvestre, potencialmente mejorando los resultados para la salud de la vida silvestre y la salud humana.

A medida que los programas de vida silvestre continúan recopilando datos extensos, la aplicación de estos métodos puede mejorar el seguimiento de enfermedades, proporcionar una visión más clara sobre las dinámicas de transmisión y, en última instancia, llevar a esfuerzos de conservación más exitosos.