Análisis Espacial del Dengue en R
para focalizar el control del vectores


Dr. Felipe Dzul Manzanilla

Dr. Fabián Correa-Morales


Date: 2024-01-24

Update: 2024-01-26


Temario

  • Ciclo del vida del programa de Dengue
  • Análisis Espacial de la Transmisión de Dengue
    • Hotspots de la Transmisión de Dengue
    • Cadenas de Transmisión Activa
    • Modelo Log-Gaussian Cox Process
    • Mapas de Calor

Temario

  • Análisis Espacial del Vector del Dengue.
    • Análisis Geoestadístico con INLA
    • Algoritmo del Análisis Geoestadístico
  • Modelo Estratégico de Focalización del Dengue

Temario

  • Análisis Espacial del Dengue en México en R
  • Hotspots de la Transmisión
  • Cadenas de Transmisión Activa
  • Modelo Espacial Log-Gaussian Cox Process
  • Análisis Geoestadístico del Vector del Dengue
  • Desarrollo del dengueverse y dashboard

Ciclo del Vida del Programa del Dengue

Análisis Espacial de la Transmisión del Dengue

Hotspots de la Transmisión del Dengue

  1. Bajar las bases de datos del SINAVE.
  2. Geocodificar las bases.
  3. Bajar los shapefile del INEGI.
  4. Seleccionar la localidad de interes y extraer los AGEBs.
  5. Contar el número de casos por AGEB.
  6. Cálcular el Z-score de los casos.
  7. Generar la matriz de adjacencias.
  8. Cálcular el estadístico espacial local Getis&Ord \(\color{#2ECC40}G_{\color{#2ECC40}i}^{\color{#2ECC40}*}\).
  9. Realizar la la corrección de Bonferroni.
  10. Cálcular los hotspots.
  11. Visualizar los hotspots.

Estadístico Espacial Local \(\color{#2ECC40}G_{\color{#2ECC40}i}^{\color{#2ECC40}*}\) (Hotspots)

\[\color{#2ECC40}G_{\color{#2ECC40}i}^{\color{#2ECC40}*} = \frac{\color{#FF4136}\sum_{\color{#FF4136}j \color{#FF4136}= \color{#FF4136}1}^\color{#FF4136}{n} \color{#FF4136}w_{\color{#FF4136}i\color{#FF4136}j}\color{#FF4136}x_{\color{#FF4136}j}} {\color{#0074D9}\sum_{\color{#0074D 9}j \color{#0074D9}= \color{#0074D9}1}^{\color{#0074D9}n} \color{#0074D9}x_{\color{#0074D9}j}}\]

donde:

\(\color{#FF4136}\sum_{\color{#FF4136}j \color{#FF4136}= \color{#FF4136}1}^\color{#FF4136}{n} \color{#FF4136}w_{\color{#FF4136}i\color{#FF4136}j}\color{#FF4136}x_{\color{#FF4136}j}\) el numerador, es la suma de los valores \(x_{i}\) de la unidad espacial de interes con sus vecinos \(x_{j}\) &

\(\frac{}{\color{#0074D9}\sum_{\color{#0074D9}j \color{#0074D9}= \color{#0074D9}1}^{\color{#0074D9}n} \color{#0074D9}x_{\color{#0074D9}j}}\) el denominador, es la suma de todos los valores \(x\) en toda la localidad de interes.

Hotspots son las áreas o las unidades espaciales con valores altos de \(\color{#2ECC40}G_{\color{#2ECC40}i}^{\color{#2ECC40}*}\) y homogéneos de la unidad espaciales de interes \(x_{ij}\). En otras palabras el estadístico espacial, identifica las unidades espaciales \(x_{ij}\) con valores altos comparados con el valor promedio de todas la unidades espaciales en la localidad de interes.

Candenas de Transmisión Knox Test

  1. Bajar las bases de datos del SINAVE.  

  2. Geocodificar las bases.  

  3. Generar la base (onset y coordenadas).  

  4. Aplicar el Knox test.  

  5. Definir los Space-Time link.  

  6. Visualizar Space-Time link. ]

Candenas de Transmisión Knox Test

\[\color{Orange}{Knox} = \frac{1}{2} \sum_{i=1}^{n} \sum_{i=1}^{n} \color{Green}{S_{ij}} \color{red}{T_{ij}}\] donde:

\(\color{Green}{S_{ij}}\) = 1 si el caso \(( i\ne j)\) & la \(d_{ij} \le \delta^s\) (metros = 400), de lo contrario 0.

\(\color{red}{T_{ij}}\) = 1 si el caso \(( i\ne j)\) & la \(d_{ij} \le \delta^t\) (dÍas = 20), de los contrario 0.

Hipotesis Nula las distancias temporales entre pares de casos son independientes de las distancias espaciales.

Hipotesis Alternativa existe dependencia de las distancias espaciales y temporales entre los pares de casos (existen cadenas de transmisión).

Log-Gaussian Cox Process

  1. Bajar las bases de datos del SINAVE.  

  2. Geocodificar las bases.  

  3. Aplicar el LGCP.  

  4. Visualizar el modelo

Log-Gaussian Cox Process

Modelo General \[\varLambda{_s} = exp(n{_s})\] El modelo asume que los casos son una parcial realización de un proceso Gausiano (log-Gaussian).

Modelo en un Grid \[\varLambda_{ij} = \int\limits_{s_{ij}}^{} exp(n(s))ds\] \[\varLambda_{ij} \approx |s_{ij}| exp(n_{ij})\] donde \(|s_{ij}|\) es el área de la celda \(s_{ij}\)

\(y_{ij}|n_{ij} \sim Poisson(|s_{ij}|exp(n_{ij}))\)

\(n_{ij} = \beta{_0} + \beta{_1} \space x \space cov (s_{ij}) + f{_s}(s_{ij}) + f{_u}(s_{ij})\)

Análisis Espacial del Vector del Dengue

Análisis Geoestadístico

\(s{_i}\) sitios de colecta con coordenadas geográficas (longitud. latitud).  

\(D\) area de estudio (zona metropolitana de Guadalajara).  

\(Y{_i}\) es la variable de respuesta (Número de Huevos por Ovitrampa o Manzana).  

\(y{_i}\) tiene una distribución (binomial negativa ó zibn).  

\(U{_s{_i}}\) el efecto espacial & el proceso ocurre en un campo gaussiano continuo (Gaussian Field).

Se usa SPDE & Elemento Finito para aproximar la matriz de covarianzas de \(U{_s{_i}}\)

\(\color{#2ECC40}{el \space proceso \space se \space encuentra \space implementado \space en \space INLA}\)

Análisis Espacial del Vector del Dengue

Análisis Espacial del Vector del Dengue

Análisis Espacial del Dengue de México en R

Paquetes en R desarrollados por el Programa (denhotspots & deneggs) para el análisis espacial.

Hotspots de la Transmisión de Dengue en

# Step 1. load the dengue geocoded dataset ####
load("~/Dropbox/hotspots_2023/8.RData/denmex.RData")
head(xy)
   ANO      long      lat
1 2008 -115.4686 32.65884
2 2009 -115.4863 32.57693
3 2009 -115.5069 32.59968
4 2010 -115.7097 32.62194
5 2010 -115.4743 32.64025
6 2010 -115.4667 32.59835
# Step 2. extract the locality #####
x <- rgeomex::extract_ageb(locality = c("Guadalajara", "Zapopan", 
                                        "Tlaquepaque", "Tonalá"), 
                           cve_edo = "14")
head(x)
$locality
Simple feature collection with 4 features and 6 fields
Geometry type: POLYGON
Dimension:     XY
Bounding box:  xmin: -103.4861 ymin: 20.55375 xmax: -103.2139 ymax: 20.79372
Geodetic CRS:  WGS 84
     CVEGEO CVE_ENT CVE_MUN CVE_LOC      NOMGEO AMBITO
1 140390001      14     039    0001 Guadalajara Urbana
2 140980001      14     098    0001 Tlaquepaque Urbana
3 141010001      14     101    0001      Tonalá Urbana
4 141200001      14     120    0001     Zapopan Urbana
                        geometry
1 POLYGON ((-103.3135 20.7438...
2 POLYGON ((-103.3156 20.6464...
3 POLYGON ((-103.2614 20.6947...
4 POLYGON ((-103.4292 20.7920...

$ageb
Simple feature collection with 1270 features and 9 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -103.4861 ymin: 20.54882 xmax: -103.2 ymax: 20.79372
Geodetic CRS:  WGS 84
First 10 features:
      OBJECTID        CVEGEO CVE_ENT CVE_MUN CVE_LOC CVE_AGEB Ambito Shape_Leng
23317    23317 1403900013482      14     039    0001     3482 Urbana   3637.262
23318    23318 1403900012696      14     039    0001     2696 Urbana   3432.020
23319    23319 1403900014207      14     039    0001     4207 Urbana   1864.111
23320    23320 1403900013020      14     039    0001     3020 Urbana   4580.413
23321    23321 1403900014194      14     039    0001     4194 Urbana   1955.355
23322    23322 1403900015243      14     039    0001     5243 Urbana   1891.697
23323    23323 1403900015084      14     039    0001     5084 Urbana   2035.218
23324    23324 1403900011927      14     039    0001     1927 Urbana   2194.300
23325    23325 1403900013088      14     039    0001     3088 Urbana   3207.238
23326    23326 140390001051A      14     039    0001     051A Urbana   2767.618
      Shape_Area                       geometry
23317   286365.2 MULTIPOLYGON (((-103.3217 2...
23318   518915.1 MULTIPOLYGON (((-103.3765 2...
23319   169661.8 MULTIPOLYGON (((-103.2781 2...
23320   864900.3 MULTIPOLYGON (((-103.3133 2...
23321   193752.6 MULTIPOLYGON (((-103.2776 2...
23322   144208.2 MULTIPOLYGON (((-103.2712 2...
23323   240413.0 MULTIPOLYGON (((-103.2862 2...
23324   289063.5 MULTIPOLYGON (((-103.3336 2...
23325   522372.5 MULTIPOLYGON (((-103.3103 2...
23326   407880.2 MULTIPOLYGON (((-103.2964 2...
library(magrittr)
library(sf)
z <- denhotspots::point_to_polygons(x = xy,
                                    y = x$ageb,
                                    ids = names(x$ageb)[-10],
                                    time = ANO,
                                    coords = c("long", "lat"),
                                    crs = 4326,
                                    dis = "DENV") 
head(z)
Simple feature collection with 6 features and 25 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -103.3896 ymin: 20.63876 xmax: -103.2692 ymax: 20.7373
Geodetic CRS:  WGS 84
  OBJECTID        CVEGEO CVE_ENT CVE_MUN CVE_LOC CVE_AGEB Ambito Shape_Leng
1    23317 1403900013482      14     039    0001     3482 Urbana   3637.262
2    23318 1403900012696      14     039    0001     2696 Urbana   3432.020
3    23319 1403900014207      14     039    0001     4207 Urbana   1864.111
4    23320 1403900013020      14     039    0001     3020 Urbana   4580.413
5    23321 1403900014194      14     039    0001     4194 Urbana   1955.355
6    23322 1403900015243      14     039    0001     5243 Urbana   1891.697
  Shape_Area DENV_2008 DENV_2009 DENV_2010 DENV_2011 DENV_2012 DENV_2014
1   286365.2         0         1         0         0         0         0
2   518915.1         0         1         0         0         0         0
3   169661.8         0         0         0         0         0         0
4   864900.3         0         0         0         0         0         0
5   193752.6         0         1         0         0         0         0
6   144208.2         0         0         0         0         0         0
  DENV_2015 DENV_2013 DENV_2016 DENV_2017 DENV_2018 DENV_2019 DENV_2020
1         0         0         0         0         0        11         0
2         0         0         0         0         0         2         0
3         0         1         0         0         0         2         2
4         1         0         0         0         0         3         1
5         1         1         2         0         0         1         0
6         0         0         2         0         0         2         0
  DENV_2021 DENV_2022 DENV_2023                       geometry
1         0         0         0 MULTIPOLYGON (((-103.3217 2...
2         0         0         0 MULTIPOLYGON (((-103.3765 2...
3         0         0         0 MULTIPOLYGON (((-103.2781 2...
4         0         0         0 MULTIPOLYGON (((-103.3133 2...
5         0         0         0 MULTIPOLYGON (((-103.2776 2...
6         0         0         0 MULTIPOLYGON (((-103.2712 2...
hotspots <- denhotspots::gihi(x = z,
                              id = names(z)[c(1:9)], 
                              time = "year",
                              dis = "DENV",
                              gi_hi = "gi",
                              alpha = 0.95)
head(hotspots)
Simple feature collection with 6 features and 11 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -103.3896 ymin: 20.63876 xmax: -103.2692 ymax: 20.7373
Geodetic CRS:  WGS 84
  OBJECTID        CVEGEO CVE_ENT CVE_MUN CVE_LOC CVE_AGEB Ambito Shape_Leng
1    23317 1403900013482      14     039    0001     3482 Urbana   3637.262
2    23318 1403900012696      14     039    0001     2696 Urbana   3432.020
3    23319 1403900014207      14     039    0001     4207 Urbana   1864.111
4    23320 1403900013020      14     039    0001     3020 Urbana   4580.413
5    23321 1403900014194      14     039    0001     4194 Urbana   1955.355
6    23322 1403900015243      14     039    0001     5243 Urbana   1891.697
  Shape_Area intensity_gi hotspots_gi                       geometry
1   286365.2            1           1 MULTIPOLYGON (((-103.3217 2...
2   518915.1            0           0 MULTIPOLYGON (((-103.3765 2...
3   169661.8            1           1 MULTIPOLYGON (((-103.2781 2...
4   864900.3            1           1 MULTIPOLYGON (((-103.3133 2...
5   193752.6            1           1 MULTIPOLYGON (((-103.2776 2...
6   144208.2            0           0 MULTIPOLYGON (((-103.2712 2...

Hotspots de la Transmisión de Dengue en

denhotspots::staticmap_intensity(x = hotspots,
                                 pal = rcartocolor::carto_pal,
                                 pal_name = TRUE,
                                 name = "OrYel",
                                 breaks = 1,
                                 dir_pal = -1,
                                 x_leg = 0.5,
                                 y_leg = 0.1,
                                 ageb = TRUE)

Hotspots de la Transmisión de Dengue en

mapview::mapview(hotspots,
                 zcol = "intensity_gi",
                 layer.name = "Intensidad",
                 label = FALSE,
                 color = "white",
                 lwd = 0.5, 
                 col.regions =  rcartocolor::carto_pal(n = max(hotspots$intensity_gi), 
                                                       name = "OrYel"))

Modelo Log Gaussian Cox Process

# Step 1. load the dengue geocoded dataset ####
load("/Users/fdzul/Library/CloudStorage/OneDrive-Personal/proyects/geocoding_mex/2023/9.geocoded_dataset/dengue_mx_2023.RData")

# Step 2. extract the dengue cases #####
geocoded_dataset <- z |>
    dplyr::filter(ESTATUS_CASO == 2) |>
    dplyr::mutate(onset = FEC_INI_SIGNOS_SINT,
                  date = as.character(onset),
                  id = VEC_ID) |>
    dplyr::mutate(x = long,
                  y = lat) |>
    sf::st_as_sf(coords = c("long", "lat"),
                 crs = 4326) |>
    dplyr::select(x, y, onset) 

# Step 3. extract the locality ####
loc <- rgeomex::extract_locality(cve_edo = 31,
                                 locality = "Mérida")


# Step 4. extract the dengue cases of the locality 
geocoded_dataset <- geocoded_dataset[loc,] |>
    sf::st_drop_geometry()


# Step 5. map of lgcp 
x <- denhotspots::spatial_lgcp(dataset = geocoded_dataset,
                           locality = "Merida",
                           cve_edo = "31",
                           longitude = "x",
                           latitude = "y",
                           k = 30,
                           plot = FALSE,
                           aproximation = "gaussian",
                           integration = "laplace",
                           resolution = 0.015,
                           approach = "lattice",
                           cell_size = 1500,
                           name = "YlGnBu")
x$map

Modelo Log Gaussian Cox Process

# Step 2. load the dengue dataset geocoded ####
load("/Users/fdzul/Library/CloudStorage/OneDrive-Personal/proyects/geocoding_mex/2024/8.RData/denmex_2024.RData")

# step 3. apply the function ####
####
densnv::mp_heatmap(geocoded_dataset = z,
                   cve_edo = "31",
                   locality = c("Mérida"),
                   status_caso = c(1,2),
                   week = 1:3,
                   alpha = 0.6,
                   static = FALSE,
                   palette = viridis::turbo)

Análisis Geoestadístico del Vector del Dengue

# Step 1. define the path 
path_ovitraps <- "/Users/fdzul/Library/CloudStorage/OneDrive-Personal/datasets/CENAPRECE/2023/14_jalisco"
path_coord <- paste(path_ovitraps, "DescargaOvitrampasMesFco.txt", sep = "/")
map_gua <- deneggs::eggs_hotspots(path_lect = path_ovitraps,
                        path_coord = path_coord,
                       cve_ent = "14",
                       locality  = c("Guadalajara", "Zapopan",
                                     "Tlaquepaque", "Tonala"),
                       longitude  = "Pocision_X",
                       latitude =  "Pocision_Y",
                       aproximation = "gaussian",
                       integration = "eb",
                       fam = "zeroinflatednbinomial1",
                       k = 40,
                       palette_vir  = "magma",
                       leg_title = "Huevos",
                       plot = FALSE,
                       hist_dataset = FALSE,
                       sem = 40, var = "eggs",
                       cell_size = 5000,
                       alpha = .99)

Análisis Geoestadístico del Vector del Dengue

Modelo de Estratificación del Riesgo de Transmisión de Dengue

Concepto

Mapa de riesgo

Dios Botic

github.com/fdzul