Análisis de las condiciones epidemiológicas, clínicas, sociodemográficas y geoespaciales de la población femenina de la localidad de Isarzama, mediante el análisis de la información obtenida del tamizaje para la enfermedad de Chagas
DOI:
https://doi.org/10.63688/5c5yt586Palabras clave:
enfermedad de Chagas, Trypanosoma cruzi, aprendizaje automático, georreferenciación, vigilancia epidemiológicaResumen
La enfermedad de Chagas continúa constituyendo un problema de salud pública en Bolivia, especialmente en mujeres en edad reproductiva por el riesgo de transmisión congénita. El objetivo del estudio fue desarrollar y evaluar un modelo predictivo para la detección temprana y estratificación del riesgo de serorreactividad para Trypanosoma cruzi en mujeres de Isarzama, Cochabamba. Se realizó un estudio cuantitativo, observacional y transversal analítico con 326 participantes, integrando variables epidemiológicas, clínicas, sociodemográficas, ambientales, serológicas y geoespaciales. La serorreactividad alcanzó aproximadamente el 11 %. Los principales factores asociados fueron antecedente materno de Chagas, presencia de vinchucas, antecedentes familiares y vivienda de adobe. El modelo reportó sensibilidad de 94,4 %, especificidad de 91,8 %, exactitud de 92,6 % y AUC-ROC de 0,95. El análisis geoespacial permitió identificar sectores con mayor riesgo ambiental, mientras que el seguimiento digital mostró elevada asistencia a controles y continuidad del proceso. Se concluye que la integración de factores epidemiológicos, georreferenciación y seguimiento digital presenta potencial para fortalecer la priorización del tamizaje y la vigilancia epidemiológica en el primer nivel de atención.
Descargas
Referencias
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
Christodoulou, E., Ma, J., Collins, G. S., Steyerberg, E. W., Verbakel, J. Y., & Van Calster, B. (2019). A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models. Journal of Clinical Epidemiology, 110, 12–22. https://doi.org/10.1016/j.jclinepi.2019.02.004
Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
Cucunubá, Z. M., Gutiérrez-Romero, S. A., Ramírez, J.-D., Velásquez-Ortiz, N., Ceccarelli, S., Parra-Henao, G., Henao-Martínez, A. F., Rabinovich, J., Basáñez, M.-G., Nouvellet, P., & Abad-Franch, F. (2024). The epidemiology of Chagas disease in the Americas. The Lancet Regional Health – Americas, 37, 100881. https://doi.org/10.1016/j.lana.2024.100881
Delgado-Noguera, L. A., Hernández-Pereira, C. E., Ramírez, J. D., Hernández, C., Velásquez-Ortiz, N., Clavijo, J., Ayala, J. M., Forero-Peña, D., Márquez, M., Suarez, M. J., Traviezo-Valles, L., Escalona, M. A., Perez-Garcia, L., Mejias Carpio, I., Sordillo, E. M., Grillet, M. E., Llewellyn, M. S., Gabaldón, J. C., & Paniz-Mondolfi, A. E. (2022). Tele-entomology and tele-parasitology: A citizen science-based approach for surveillance and control of Chagas disease in Venezuela. Parasite Epidemiology and Control, 19, e00273. https://doi.org/10.1016/j.parepi.2022.e00273
Ghilardi, F. D. R., Silva, G., Vieira, T. M., Mota, A., Bierrenbach, A. L., Damasceno, R. F., Oliveira, L. C., Chiavegatto Filho, A. D. P., & Sabino, E. (2024). Machine learning for predicting Chagas disease infection in rural areas of Brazil. PLOS Neglected Tropical Diseases, 18(4), e0012026. https://doi.org/10.1371/journal.pntd.0012026
Gurgel-Gonçalves, R., Julião, G. R., Ferreira, R. A., Souza, R. C. M., Rojas-Cortez, M., Vieira, T. M., Miranda, V. L., Brant, J. L., Obara, M. T., Albuquerque e Silva, R., Ibarrola-Vannucci, A. K., Marti, G., & Ceccarelli, S. (2026). New technologies for identification and surveillance of Chagas disease vectors. Revista da Sociedade Brasileira de Medicina Tropical, 59, e0597-2025. https://doi.org/10.1590/0037-8682-0597-2025
Hochberg, N. S., & Montgomery, S. P. (2023). Chagas disease. Annals of Internal Medicine, 176(2), ITC17–ITC32. https://doi.org/10.7326/AITC202302210
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.
Mischler, P., Kearney, M., McCarroll, J. C., Scholte, R. G. C., Vounatsou, P., & Malone, J. B. (2012). Environmental and socio-economic risk modelling for Chagas disease in Bolivia. Geospatial Health, 6(3), S59–S66. https://doi.org/10.4081/gh.2012.123
Moons, K. G. M., Damen, J. A. A., Kaul, T., Hooft, L., Andaur Navarro, C., Dhiman, P., Beam, A. L., Van Calster, B., Celi, L. A., Denaxas, S., Denniston, A. K., Ghassemi, M., Heinze, G., Kengne, A. P., Maier-Hein, L., Liu, X., Logullo, P., McCradden, M. D., Liu, N., … van Smeden, M. (2025). PROBAST+AI: An updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ, 388, e082505. https://doi.org/10.1136/bmj-2024-082505
Organización Mundial de la Salud. (2026, 8 de abril). Enfermedad de Chagas (tripanosomiasis americana). Ficha informativa de la OMS
Organización Panamericana de la Salud. (2019). Guía para el diagnóstico y el tratamiento de la enfermedad de Chagas. Organización Panamericana de la Salud. Documento de la OPS
Pascual-Vázquez, G., Alonso-Sardón, M., Rodríguez-Alonso, B., Pardo-Lledías, J., Romero Alegría, A., Fernández-Soto, P., Muñoz Bellido, J. L., Muro, A., & Belhassen-García, M. (2023). Molecular diagnosis of Chagas disease: A systematic review and meta-analysis. Infectious Diseases of Poverty, 12, 95. https://doi.org/10.1186/s40249-023-01143-7
Riley, R. D., Ensor, J., Snell, K. I. E., Harrell, F. E., Jr., Martin, G. P., Reitsma, J. B., Moons, K. G. M., Collins, G. S., & van Smeden, M. (2020). Calculating the sample size required for developing a clinical prediction model. BMJ, 368, m441. https://doi.org/10.1136/bmj.m441
Rodríguez, B. A., Tinajeros, F., Condori, B. J., & Cutshaw, M. K. (2025). Congenital transmission of Chagas disease by vector circulation zone in Bolivia. PLOS Neglected Tropical Diseases, 19(10), e0013591. https://doi.org/10.1371/journal.pntd.0013591
Rojas de Arias, A., Monroy, C., Guhl, F., Sosa-Estani, S., Souza Santos, W., & Abad-Franch, F. (2022). Chagas disease control-surveillance in the Americas: The multinational initiatives and the practical impossibility of interrupting vector-borne Trypanosoma cruzi transmission. Memórias do Instituto Oswaldo Cruz, 117, e210130. https://doi.org/10.1590/0074-02760210130
Salvador, F. G. F., Oliveira, L. F. A., Pimentel, M. I. F., Lyra, M. R., Hasslocher-Moreno, A. M., Holanda, M. T., Varela, M. C., Silveira, H., & Valete, C. M. (2025). Telemedicine in the clinical care of Chagas disease and American cutaneous leishmaniasis: Pilot study in a public referral hospital in Brazil. Frontiers in Public Health, 13, 1616368. https://doi.org/10.3389/fpubh.2025.1616368
Santana, K. H., Oliveira, L. G. R., Castro, D. B., & Pereira, M. (2020). Epidemiology of Chagas disease in pregnant women and congenital transmission of Trypanosoma cruzi in the Americas: Systematic review and meta-analysis. Tropical Medicine & International Health, 25(7), 752–763. https://doi.org/10.1111/tmi.13398
Saunders, M., Small, A., Dedicoat, M., & Roberts, L. (2012). The development and validation of a risk score for household infestation by Triatoma infestans, a Bolivian vector of Chagas disease. Transactions of the Royal Society of Tropical Medicine and Hygiene, 106(11), 677–682. https://doi.org/10.1016/j.trstmh.2012.07.006
Schijman, A. G., Alonso-Padilla, J., Britto, C., & Herrera Bernal, C. P. (2024). Retrospect, advances and challenges in Chagas disease diagnosis: A comprehensive review. The Lancet Regional Health – Americas, 36, 100821. https://doi.org/10.1016/j.lana.2024.100821
Steyerberg, E. W., Harrell, F. E., Jr., Borsboom, G. J. J. M., Eijkemans, M. J. C., Vergouwe, Y., & Habbema, J. D. F. (2001). Internal validation of predictive models: Efficiency of some procedures for logistic regression analysis. Journal of Clinical Epidemiology, 54(8), 774–781. https://doi.org/10.1016/S0895-4356(01)00341-9
Tinajeros, F., Rodríguez-Olguin, B. A., & Cutshaw, M. K. (2024). Prevalence of maternal Chagas disease and vertical transmission rates in Bolivia: A systematic review and meta-analysis. The American Journal of Tropical Medicine and Hygiene, 110(4), 663–668. https://doi.org/10.4269/ajtmh.23-0579
Van Calster, B., McLernon, D. J., van Smeden, M., Wynants, L., & Steyerberg, E. W. (2019). Calibration: The Achilles heel of predictive analytics. BMC Medicine, 17, 230. https://doi.org/10.1186/s12916-019-1466-7
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Blanca Porco Sola (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los artículos publicados en la revista se distribuyen bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esta licencia permite a terceros descargar, copiar, distribuir, adaptar y reutilizar una obra, incluso con fines comerciales, siempre que se otorgue el crédito adecuado al autor original.
