Ponentes
Descripción
La enfermedad de Chagas, transmitida principalmente por insectos triatominos, representa una carga sanitaria significativa en Paraguay. La vigilancia entomológica tradicional a menudo carece de la granularidad espacial necesaria para una focalización eficiente de los recursos. Este estudio propone un marco metodológico para predecir y estratificar el riesgo vectorial del Chagas a nivel nacional, integrando la teoría del nicho ecológico con el modelado computacional de la distribución de especies.La metodología se basó en la utilización del algoritmo de Máxima Entropía (MaxEnt) para modelar la idoneidad del hábitat de los principales vectores transmisores (Phillips, S. J. et al., Ecol. Model. 190, 231-259, 2006). A diferencia de los enfoques convencionales que dependen exclusivamente de variables macroclimaticas, este trabajo incorporo indices espectrales derivados de teledeteccion, como el Indice de Vegetacion de Diferencia Normalizada (NDVI) obtenido de imagenes satelitales, para capturar la microvariabilidad del uso del suelo y la cobertura vegetal. El ajuste matemático del modelo MaxEnt moderno se formula como una regresión de Poisson penalizada; es equivalente a ajustar un proceso de Poisson no homogéneo (IPP). Para controlar el sobreajuste al incorporar la alta dimensionalidad de las variables espaciales, el problema de optimizacion busca los coeficientes $\beta$ que minimicen la funcion de perdida logaritmica mediante regularizacion Elastic Net:\begin{equation}\min_{\beta_0, \beta} \left[ -\frac{1}{N} \sum_{i=1}^{N} l_i(\beta_0, \beta) + \lambda \left( \frac{1-\alpha}{2} |\beta|_2^2 + \alpha |\beta|_1 \right) \right]\end{equation}Donde $l_i$ es la log-verosimilitud de la presencia del vector, $\lambda$ controla la fuerza de la penalizacion general, y $\alpha$ establece el balance entre la regularizacion Ridge para lidiar con variables ambientales correlacionadas y la penalizacion Lasso para la seleccion estricta de caracteristicas. Los modelos resultantes fueron validados utilizando el Area Bajo la Curva ROC (AUC) y pruebas de Jackknife para medir la importancia de las variables. Los resultados demostraron que la inclusión de las firmas multiespectrales mejoró significativamente la capacidad predictiva del modelo frente a los modelos puramente climáticos (Wang, L. et al., Remote Sens. 16, 1-25, 2024). Las salidas de probabilidad continua del modelo MaxEnt se discretizaron posteriormente para generar un mapa de estratificación de riesgo categórico. Esta integración de biología espacial y aprendizaje automático espacial provee una herramienta geoespacial de alta resolución, permitiendo a las autoridades de salud pública optimizar la logística de las intervenciones de control vectorial hacia las zonas de mayor idoneidad ecológica para los vectores. Agradecimientos: PINV01-528.