3.7.b Dengue y clima: la amenaza - EVA — Evaluación y análisis de riesgos de desastres

# Preparación del entorno. En Colab instala el paquete del proyecto desde GitHub (1–2 minutos);
# en una copia local usa el paquete ya instalado con `pip install -e .`.
import sys, subprocess
if "google.colab" in sys.modules:
    subprocess.run([sys.executable, "-m", "pip", "install", "-q", "leticia @ git+https://github.com/mromerot/leticia"], check=True)
from leticia.libro import preparar, intentar
preparar()

El dengue es una amenaza biológica, pero su transmisión depende del clima: la temperatura acelera el desarrollo del mosquito Aedes aegypti y la replicación del virus, la lluvia y el almacenamiento de agua crean criaderos, y la humedad prolonga la vida del vector. Este cuaderno describe los casos notificados en Leticia y su relación con el clima, como paso previo al pronóstico de 3.7.c. Los casos vienen del SIVIGILA del Instituto Nacional de Salud, compilados y estandarizados por OpenDengue Clarke et al., 2024.

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from IPython.display import Markdown, display

from leticia import fuentes, salud, viz
from leticia.config import parametros

pdg = parametros()["dengue"]
semanal = fuentes.dengue_opendengue()
mensual = salud.casos_mensuales(semanal)

1. Casos notificados, 2007–2022¶

anual = semanal.groupby(semanal.index.year).sum()
fig, ax = plt.subplots(1, 2, figsize=(12, 3.6), gridspec_kw={"width_ratios": [2.2, 1]})
ax[0].bar(semanal.index, semanal, width=6, color=viz.ROJO)
ax[0].set_ylabel("casos por semana")
ax[0].set_title("Dengue notificado en Leticia por semana epidemiológica")
ax[1].bar(anual.index, anual, color=viz.ROJO)
ax[1].set_title("Casos por año")
fig.tight_layout()
display(Markdown(f"Casos notificados {semanal.index.min():%Y}–{semanal.index.max():%Y}: **{int(semanal.sum()):,}**".replace(",", ".")
                 + f". Años con más casos: " + ", ".join(f"{a} ({int(v):,})".replace(",", ".") for a, v in anual.nlargest(3).items()) + "."))

2. Estacionalidad del dengue y del clima¶

era = fuentes.clima_diario()
base = era.loc["1991":"2020"]
cas = mensual.loc["2011":]
ciclo = pd.DataFrame({
    "casos (promedio mensual)": cas.groupby(cas.index.month).mean(),
    "lluvia (mm/mes)": base["precipitation_sum"].resample("MS").sum().groupby(lambda f: f.month).mean(),
    "temperatura media (°C)": base["temperature_2m_mean"].groupby(base.index.month).mean(),
})
fig, ax = plt.subplots(figsize=(9.5, 3.8))
ax.bar(ciclo.index, ciclo["casos (promedio mensual)"], color=viz.ROJO, alpha=0.85, label="casos de dengue (2011–2022)")
ax.set_ylabel("casos por mes")
ax2 = ax.twinx()
ax2.plot(ciclo.index, ciclo["lluvia (mm/mes)"], "o-", color=viz.AZUL_RIO, label="lluvia 1991–2020")
ax2.set_ylabel("lluvia (mm/mes)")
ax2.grid(False)
ax.set_xticks(range(1, 13)); ax.set_xticklabels(list("EFMAMJJASOND"))
ax.set_title("Ciclo anual del dengue y de la lluvia en Leticia")
fig.legend(loc="lower center", ncol=2, bbox_to_anchor=(0.5, 0.0), fontsize=8)
fig.tight_layout(rect=(0, 0.07, 1, 1))
display(ciclo.round(1).T)

Lectura. Los casos aumentan a lo largo del año y alcanzan su máximo en octubre, cuando termina la temporada menos lluviosa (junio–septiembre), regresan las lluvias y la temperatura media es la más alta del año. Es un patrón compatible con la combinación de calor y agua acumulada en recipientes, pero el ciclo promedio mezcla años muy distintos: el brote de 2019 pesa mucho en los promedios.

3. La ventana térmica de la transmisión¶

Mordecai et al. modelaron la respuesta de cada rasgo del mosquito y del virus a la temperatura y la combinaron en el número reproductivo R₀. Para Aedes aegypti, a temperatura constante, la transmisión es máxima hacia 29,1 °C, cae a cero por debajo de 17,8 °C y por encima de 34,6 °C, y es máxima en un rango de 26 a 29 °C Mordecai et al., 2017. Leticia está casi todo el año en la parte baja de ese rango óptimo, de modo que un clima algo más cálido aumenta la aptitud para la transmisión.

t_mes = era["temperature_2m_mean"].resample("MS").mean().loc["1979":]
clase = salud.aptitud_termica(t_mes, pdg["temperatura_limite_inferior"], tuple(pdg["rango_transmision_maxima"]), pdg["temperatura_limite_superior"])
fig, ax = plt.subplots(figsize=(10.5, 3.6))
ax.axhspan(*pdg["rango_transmision_maxima"], color=viz.ROJO, alpha=0.12, label="transmisión máxima (26–29 °C)")
ax.axhline(pdg["temperatura_optima"], color=viz.ROJO, lw=1, ls="--", label=f"óptimo ({pdg['temperatura_optima']} °C)")
ax.plot(t_mes.index, t_mes, color=viz.CALOR, lw=0.8, label="temperatura media mensual (ERA5)")
ax.plot(t_mes.rolling(60, center=True).mean(), color="k", lw=1.4, label="media móvil de 5 años")
ax.set_ylabel("°C")
ax.set_title("Temperatura media mensual en Leticia frente a la respuesta térmica de Aedes aegypti")
ax.legend(fontsize=7.5, ncol=2, loc="lower right")
fig.tight_layout()
dec = pd.crosstab((t_mes.index.year // 10) * 10, clase, normalize="index").mul(100).round(0)
dec.index = [f"{d}s" for d in dec.index]
display(Markdown("**Porcentaje de meses en cada clase de aptitud térmica, por década:**"))
display(dec)

Lectura. Entre 1970 y 1999 dos de cada tres meses tuvieron una temperatura media por debajo de 26 °C; desde 2000, más de la mitad de los meses está dentro del rango de transmisión máxima, aunque todavía por debajo del óptimo. La celda de ERA5 está dominada por bosque; en la ciudad, con su isla de calor (3.4), la temperatura real es mayor. El umbral es de temperatura constante: la variación diaria y los microhábitats del mosquito (tanques, llantas, canaletas) modifican la respuesta.

4. Señales climáticas con rezago¶

X = salud.predictores_mensuales(era, {"ONI": fuentes.oni(), "TNA": fuentes.indice_tna()}, base=(1991, 2020))
y = salud.anomalia_mensual(np.log1p(cas))
rez = salud.tabla_rezagos(y, X, range(0, 7))
fig, ax = plt.subplots(figsize=(7.5, 3.6))
im = ax.imshow(rez.T.values, cmap="RdBu_r", vmin=-0.4, vmax=0.4, aspect="auto")
ax.set_xticks(range(len(rez.index))); ax.set_xticklabels(rez.index)
ax.set_yticks(range(len(rez.columns))); ax.set_yticklabels(rez.columns)
for i in range(rez.shape[1]):
    for j in range(rez.shape[0]):
        ax.text(j, i, f"{rez.iloc[j, i]:.2f}", ha="center", va="center", fontsize=7)
ax.set_xlabel("rezago del predictor (meses)")
ax.set_title("Correlación de Spearman con la anomalía de casos (2011–2022)")
ax.grid(False)
fig.colorbar(im, ax=ax, shrink=0.8)
fig.tight_layout()

Lectura. Las correlaciones entre el clima de un mes y los casos de los meses siguientes son débiles (menores de 0,25 en valor absoluto). En Leticia el dengue depende tanto o más de la inmunidad de la población, del serotipo que circula y de la movilidad en la triple frontera que del clima del mes anterior. La sección 3.7.c evalúa si estas señales, aun débiles, mejoran un pronóstico.

References¶

Clarke, J., Lim, A., Gupte, P., Pigott, D. M., van Panhuis, W. G., & Brady, O. J. (2024). A global dataset of publicly available dengue case count data. Scientific Data, 11, 296. 10.1038/s41597-024-03120-7
Mordecai, E. A., Cohen, J. M., Evans, M. V., Gudapati, P., Johnson, L. R., Lippi, C. A., & others. (2017). Detecting the impact of temperature on transmission of Zika, dengue, and chikungunya using mechanistic models. PLOS Neglected Tropical Diseases, 11(4), e0005568. 10.1371/journal.pntd.0005568