Diferentes enfoques para la estratificación epidemiológica del dengue / Different approach for epidemiologic stratification of dengue

En Cuba se mantiene el riesgo permanente de introducción del dengue, la identificación de los territorios de mayor riesgo resulta indispensable para el abordaje más eficiente de esta problemática.Objetivo: valorar el uso de determinados factores de riesgo que pueden ser empleados para la estratificación del dengue y los métodos más conocidos para efectuarla. Desarrollo: se realizó una revisión documental de diversas fuentes para obtener información acerca de los factores de riesgo de introducción del dengue, así como los distintos métodos utilizados para el análisis espacial de esta enfermedad. En el trabajo se describen detalladamente los tres primeros pasos para realizar la estratificación del dengue como proceso integrador de diagnóstico-intervención-evaluación. Se expusieron además algunas de las ventajas o limitaciones a tener en cuenta a la hora de seleccionar los indicadores y de determinar la alternativa de estratificación. Conclusiones: la decisión final de cuál método emplear y que variables utilizar, se presenta como un dilema para el investigador, pues cualquiera de ellos puede servir perfectamente para los fines propuestos

Cuba maintains the permanent risk of introduction of dengue, the identification of higher risk territories; it is essential to effectively address this problem.Objective: to assess the use of certain risk factors that may be used for stratification of dengue and best-known methods to be carried out.Development: a documentary review was performed in diverse sources for more information about the introduction of dengue risk factors, as well as the different methods used for spatial analysis of this disease. In the present research are described in detail the three first steps to perform the stratification of dengue as a diagnosis-intervention-evaluation integrated process. In addition some of the advantages or limitations were exposed to bear in mind when selecting indicators and determine the choice of stratification.Conclusions: the final decision of which method should be used and what variables should be chosen is a real dilemma for the investigator, because any of them could be perfectly useful for proposed purposes

Caracterización y análisis de series de tiempo de enfermedades respiratorias agudas en la provincia de Camagüey / Characterization and analysis of acute respiratory diseases time series from Camagüey

Fundamentación: En Cuba existe un excelente sistema de vigilancia, pero tiene que enfrentar el reto de constantes cambios demográficos y movimientos de poblaciones dentro y fuera del país, entre otros. Existe un eficiente sistema de alerta y respuesta contra la presentación de enfermedades, pero estos programas deben tener en cuenta el presupuesto para las actividades de la salud pública y la complejidad de la propagación; el uso de modelos matemáticos podría apoyar este esfuerzo. Objetivo: Caracterizar una serie de tiempo de enfermedades respiratorias agudas en la provincia de Camagüey y evaluarla con un método adecuado a su comportamiento. Métodos: Se utilizaron tasas de la serie de tiempo semanal de enfermedad respiratoria aguda reportada entre los años 2000 al 2007 de la provincia de Camagüey, Cuba. Para caracterizar estas series se utilizó el programa Matlab V-7,4-2006. La estacionaridad se evaluó con el método de autocorrelación simple, el comportamiento de linealidad se realizó con la prueba diseñada por Brock, Dechert y Scheinkma, con el método basado en la geometría espectral se determinó si la serie era estocástica o determinista. Se comparan los errores en las predicciones con los modelos ARMA y GARCH y se analizan los errores y las curvas de predicción. Resultados: Se demuestra el comportamiento no estacionario de la serie, basado en la función de autocorrelación simple. La prueba BDS indica que la serie estudiada es no lineal. La prueba de Geometría espectral concluye que la serie proviene de un sistema estocástico. En esta serie estacionaria, no lineal y estocástica resultó más adecuado el modelo GARCH que el ARMA, dado el menor error y más ajuste de la curva de predicción. Estos resultados demuestran la necesidad de clasificar las series de tiempo antes de ser analizadas, para proponer el modelo más adecuado. Conclusiones: La serie estudiada resultó ser no lineal, no estacionaria y estocástica...

Background: In Cuba an excellent system of surveillance exists, but has to face the challenge of constant demographic changes and populations' movements inside and outside of the country, among other. An efficient system of alert and answer against the presentation of diseases exists, but these programs may take into account the budget for the public health activities and the complexity of the propagation; the use of mathematical models could support this effort. Objective: To characterize a series of time of acute respiratory diseases in Camagüey province and to evaluate it with an appropriate method to its behavior. Methods: Rates of series of time weekly of acute respiratory diseases were used, reported between the years 2000 to 2007 of Camagüey province, Cuba. To characterize these series Matlab V-7,4-2006 program was used. The stationarity was evaluated with the simple autocorrelation method, the linearity behavior was carried out with the test designed by Brock, Dechert and Scheinkma, with the method based on the spectral geometry that was determined if the series was stochastic or determinist. Errors were compared in the predictions with ARMA and GARCH models, errors and prediction curves were analyzed. Results: The non stationary behavior of the series is demonstrated, based on the simple autocorrelation function. The test indicates that the studied series was not lineal. The spectral Geometry test concluded that the series comes from a stochastic system. In this stationary, not lineal and stochastic series was more adequate GARCH model than ARMA, given the smallest error and more adjustment of the prediction curve. These results demonstrated the necessity to classify the series of time before being analyzed, to propose the most appropriate model. Conclusions: The studied series turned out to be not lineal, no stationary and stochastic and the prediction was superior in this case, with the model GARCH compared with ARMA.