Material y métodos

El diseño del estudio es observacional longitudinal y utiliza modelos estadísticos con un enfoque exploratorio, con el objetivo de identificar patrones espacio-temporales en la incidencia del dengue en Bolivia entre 2014 y 2023. Este estudio quedó exento de revisión y aprobación ética, ya que no se realizó con animales ni seres humanos, sino que se basó en la integración de datos disponibles públicamente procedentes de fuentes oficiales. Bolivia^7,8, con una superficie de 1 098 581 km², se encuentra en el centro de América del Sur. Limita con cinco países y está dividida administrativamente en nueve departamentos.

El proceso metodológico, tal y como se ilustra en la figura 1, se estructura en cinco fases que permiten la reproducibilidad del estudio.

Segunda fase: integración y preprocesamiento de datos

Todos los conjuntos de datos se sincronizaron en cada departamento y se agregaron semanalmente. Los valores faltantes se imputaron utilizando una estrategia de interpolación de valores anteriores, repitiendo el último valor disponible o añadiéndolo al período anterior en caso de interrupciones. Se calculó la incidencia anual estandarizada (ASI) por cada 10000 0 habitantes para cada departamento utilizando:

Table 1. Summary of the variables used in Spatio-Temporal Analysis in this study. 

La tabla 1 presenta un resumen de las variables que se incorporarán al análisis espacio-temporal de la incidencia del dengue en Bolivia. La tabla clasifica cada variable según su función dentro del marco GAM, su naturaleza y la justificación de su inclusión. Se seleccionaron variables climáticas, como la precipitación y la temperatura máxima, por su influencia demostrada en la reproducción de los mosquitos y la transmisión viral. Se incluyó el NDVI como indicador de la cobertura vegetal y la idoneidad ecológica de los hábitats. Se incorporó el índice ENSO 3.4 SST para captar la variabilidad climática a gran escala que afecta a los patrones regionales. Por último, se integraron indicadores demográficos, como la población total por departamento, para estandarizar las tasas de incidencia y reflejar la exposición de la población.

Resultados

Los resultados del análisis espacio-temporal exploratorio se muestran en la figura 2. Los resultados identificaron valores más altos de ASI en Pando, Beni, Tarija y Santa Cruz, mientras que Oruro y Potosí registraron las tasas de incidencia más bajas. Los años más críticos fueron 2015, 2016, 2020 y 2023, con una tasa máxima de incidencia de 30,2 por cada 10 000 habitantes en 2023 en Tarija, con altos valores de incidencia de dengue durante las primeras 20 semanas en todos los departamentos. Se observó un aumento de los valores de ASI a partir de la semana 40, especialmente en Beni, Pando y Cochabamba, lo que indica una variación estacional asociada a factores climáticos.

Figure 2. Departmental ASI of dengue in Bolivia, aggregated from 2014 to 2023 showing an increase in dengue cases from week 40 onwards with interannual fluctuations in 2016, 2020 and 2023, indicating seasonal variations related to climate. 

Los resultados también detectaron una oscilación interanual en la incidencia del dengue durante 2016, 2020 y 2023. Las causas subyacentes de este fenómeno podrían estar relacionadas con el impacto de la Oscilación del Sur El Niño (ENSO)^6,21.

Como se puede observar, los brotes de dengue en Bolivia tienden a coincidir con la temporada de lluvias, que generalmente se extiende desde la semana 40 de un año hasta la semana 20 del año siguiente. Según los datos reportados por el SENAMHI, las temperaturas máximas durante este período oscilaron entre 20,0 °C y 35,0 °C en Beni, La Paz, Pando y Santa Cruz, condiciones que favorecen la proliferación del Aedes aegypti.

La figura 3 muestra los patrones departamentales del NDVI agregado semanalmente durante el período estudiado. Se observó una tendencia estacional para todos los años, con una caída en el nivel alrededor de la semana 20 y un aumento alrededor de la semana 40, siguiendo un patrón similar durante las primeras semanas del año siguiente. La Paz, Oruro y Potosí mostraron los niveles más bajos de NDVI. Es precisamente en estos departamentos donde las tasas de incidencia del dengue son más bajas.

Figure 3. Highlights the weekly patterns of NDVI in the Bolivian departments. All years show a seasonal trend with a decrease around week 20 and an increase around week 40. The departments with the lowest NDVI levels have the lowest dengue incidence rates 

Entre 2014 y 2023, la incidencia del dengue mostró las correlaciones más fuertes con el NDVI, la temperatura máxima y las precipitaciones, mientras que el índice Niño 3.4 solo mostró una asociación débil. Los análisis centrados en años críticos 2016, 2020 y 2023 confirmaron estas tendencias, y el NDVI obtuvo sistemáticamente los coeficientes de correlación más altos. La dinámica de las precipitaciones, potencialmente influenciada por los fenómenos de El Niño, puede contribuir al aumento de la incidencia del dengue en la región.

Se implementaron y evaluaron cuatro modelos GAM representativos con fines comparativos. La tabla 2 resume comparativamente los coeficientes y las estadísticas de bondad de ajuste (R cuadrado, desviación explicada, UBRE y AIC) de los cuatro modelos. Esta comparación nos permite evaluar qué especificación captura mejor la variabilidad espacio-temporal de la incidencia del dengue. El modelo 4 se perfila como el modelo óptimo, ya que explica el 67,8 % de la varianza y presenta los valores más bajos de AIC y UBRE, lo que representa los mejores datos y, en consecuencia, su rendimiento predictivo óptimo.

Table 2. GAM models performed to assess whether climate variables and the NDVI index explain the incidence of dengue in Bolivia during the period January 2014 to September 2023. 

Los patrones espaciales revelados por el Modelo 4 indican que Oruro y Potosí presentan las tendencias de incidencia más bajas, mientras que departamentos como Pando, Beni, Chuquisaca, Cochabamba, Tarija y Santa Cruz muestran tendencias moderadas. Del mismo modo, las precipitaciones y las temperaturas máximas fueron de interés, respaldadas por el NDVI y Niño 3,4, que suavizan eficazmente estos valores. Estos resultados se ilustran en la Figura 4, que muestra las funciones suavizadas del Modelo 4. La figura demuestra la relación no lineal entre las precipitaciones y la incidencia del dengue, lo que confirma que la incidencia se estabiliza después de aproximadamente 20 mm de lluvia, un umbral coherente con la resistencia biológica de los huevos del Aedes aegypti y su capacidad de transmisión vertical.

Figure 4. Estimated smooth functions from GAM optimal model (model 4), using epidemiological data for dengue fever in Bolivia from 2014 to 2023, showing that the incidence of dengue cases is correlated with rainfall per epidemiological week 

En relación con la temperatura máxima, se observa que la incidencia del dengue disminuye por debajo de los 20 °C, mientras que este patrón contrario a la intuición es coherente con efectos similares de la temperatura observados en otras partes del mundo. Además, los valores más altos del NDVI se correlacionan linealmente con la incidencia del dengue, lo que lo convierte en un indicador que podría ser útil y que debería evaluarse para otras ubicaciones geográficas. Por último, en el caso de El Niño 3.4, las temperaturas entre 26 y 29 °C aumentan la incidencia de casos de dengue, pero las temperaturas superiores a 29 °C la disminuyen. Es probable que esto se deba a la influencia de El Niño en las precipitaciones.

Discusión

La aplicación de modelos aditivos generalizados (GAM) junto con el NDVI y el índice El Niño 3,4 SST resultó eficaz para identificar las variables climáticas y ambientales asociadas con la transmisión del dengue en Bolivia.

Sin embargo, el poder explicativo de estos modelos no fue absoluto, lo que subraya que la incidencia del dengue no puede explicarse completamente solo por variables climáticas, ambientales o sociodemográficas. Otros factores determinantes, como el comportamiento humano, la densidad de población, los flujos migratorios, las deficiencias en los servicios públicos y la distribución ecológica de las especies de mosquitos, siguen sin tenerse en cuenta en gran medida y deberían incorporarse en futuros análisis^4,21.

El presente estudio muestra que la incidencia del dengue en Bolivia es mayor en las zonas orientales, lo que podría extenderse al oeste y al sur del país. La enfermedad afecta principalmente a jóvenes vulnerables de entre 10 y 39 años, según estudios realizados en otras partes del mundo²². La situación sanitaria en Bolivia también podría empeorar en el futuro, debido a la precariedad del sistema de salud boliviano. Aunque el dengue no es una enfermedad nueva en la parte sur del continente (en particular en Chile y Bolivia), la información sobre salud pública solo se difunde en muy pocos medios de comunicación, limitándose en gran medida a publicaciones dirigidas a turistas, y también hay pocos estudios epidemiológicos sobre el tema.

El estudio también demuestra que la tendencia espacial y temporal del dengue está relacionada con factores climáticos, ambientales y sociodemográficos a nivel regional, lo que confirma el impacto futuro del cambio climático en la proliferación del dengue y otros arbovirus, impulsado por los cambios sociodemográficos y ecológicos futuros. Estos hallazgos concuerdan con estudios previos realizados por otros autores^3,12,23.

Un estudio en Argentina reportó una fuerte relación entre las variables climáticas y la dinámica del dengue¹². En Perú, estudios recientes han señalado la importancia de la movilidad de la población y la densidad urbana como factores de riesgo³, que han identificado de manera similar la variabilidad climática, los patrones de uso del suelo y la dinámica de la población como factores clave en la expansión e intensificación de la transmisión del dengue.

El aumento de la movilidad de los extranjeros y la proliferación de tanques de agua de lluvia pueden facilitar la transmisión del dengue en zonas que antes estaban libres del Aedes aegypti. La abundancia de mosquitos se correlaciona con los criaderos temporales que aumentan durante la temporada de lluvias. Los huevos del Aedes aegypti pueden sobrevivir en seco entre 12 y 15 meses y eclosionar con las lluvias. Si estos huevos están infectados por transmisión vertical, las nuevas larvas pueden transmitir el virus a los seres humanos inmediatamente después de la eclosión, lo que da lugar a una mayor incidencia del dengue después de las lluvias intensas, especialmente en las zonas fronterizas densamente pobladas²³.

De manera similar, aunque se incorporó la variable demográfica de la población total por departamento para el cálculo del ASI, este estudio tiene limitaciones debido a la falta de datos sociodemográficos abiertos, homogéneos y desglosados en Bolivia (por ejemplo, densidad de población, niveles de pobreza, movilidad, etc.). Esto limita la evaluación precisa del papel de los determinantes sociales en la transmisión del dengue, a pesar de utilizar la población total para la incidencia. Se recomienda que los estudios futuros integren fuentes adicionales (encuestas, registros detallados) para fortalecer los modelos eco-epidemiológicos y mejorar la predicción.

Este estudio también destaca la necesidad de realizar estudios futuros que examinen la redistribución de la población de mosquitos en Bolivia, en particular en las zonas aún no invadidas, situadas principalmente en la frontera con Chile, y la necesidad de realizar estudios ecológicos y epidemiológicos que abarquen diversas etapas de la enfermedad y en diferentes entornos. Además, los modelos ecoepidemiológicos deberían incorporarse a las respuestas de salud pública, con una perspectiva “Una sola salud” en contextos transfronterizos^4,5.

Aunque nuestros resultados ofrecen información importante, es necesario abordarlos con cautela debido a los posibles sesgos y errores en la metodología. En primer lugar, existe un posible sesgo de selección derivado de la heterogeneidad de la capacidad de vigilancia epidemiológica entre los distintos departamentos, ya que dicha capacidad varía según la zona geográfica. En segundo lugar, es posible que exista un sesgo de medición debido a la heterogeneidad en la distribución espacial de las estaciones meteorológicas, que pueden no reflejar plenamente la variabilidad climática local. En tercer lugar, podrían producirse errores sistemáticos debido al infrarregistro o la clasificación errónea de los casos de dengue en los registros oficiales, un problema muy extendido en las regiones endémicas. Por último, el uso de datos departamentales agregados puede ocultar la heterogeneidad intradepartamental, lo que limita la precisión de las inferencias espaciales.

Conclusiones

Este estudio confirma la importancia de las variables climáticas y ambientales en la salud de la población en relación con el dengue. Es probable que sea aplicable a otras enfermedades transmitidas por el Aedes aegipti²⁴, como el chikungunya^24,25, el Mayaro y la fiebre amarilla²⁶.

A medida que la incidencia mundial de estas enfermedades aumenta con el cambio climático y el incremento de la migración, la incorporación urgente de estudios epidemiológicos sobre enfermedades transmitidas por vectores en contextos de salud pública se vuelve cada vez más crítica^2,5,6,27. Por lo tanto, un sistema de monitoreo mucho más confiable, con registros exhaustivos a escala espacial y temporal, proporcionaría las respuestas eficaces cada vez más necesarias en la lucha contra las enfermedades infecciosas transmitidas por vectores.

En consonancia con los modelos ecoepidemiológicos y el marco “Una sola salud”, dichos sistemas deben integrar variables climáticas (precipitaciones, temperatura), indicadores ambientales ( NDVI ) y oscilaciones climáticas a gran escala ( ENSO 3.4SST ), ya que estos determinantes se han relacionado teórica y empíricamente con la dinámica de transmisión del dengue en América Latina^5,28. Estudios comparativos en Argentina y Brasil han demostrado que los umbrales de precipitación y temperatura son factores críticos de las epidemias²⁹, mientras que revisiones sistemáticas en Perú destacan el papel de la variabilidad climática y los fenómenos de El Niño en la expansión de las zonas de riesgo³.