Modelação da abundância de Culex pipiens em Portugal Marília Antunes (1, a) Patrícia de Zea Bermudez (1, b) M a da Conceição Proença (2,a) M a Teresa Rebelo (3,a) M a João Alves, Hugo Osório e equipa REVIVE (4,a) (1) CEAUL e DEIO-FCUL, Universidade de Lisboa (2) LOLS e DF-FCUL, Universidade de Lisboa (3) CESAM/FCUL e DBA-FCUL, Universidade de Lisboa (4) Centro de Estudos de Vectores e Doenças Infecciosas / INSA e ARS s Projectos: (a) PTDC/SAU-SAP/119199/2010 CC5693; (b) PEst-OE/MAT/UI0006/2011 e PTDC/MAT/118335/2010 XXI Congresso Anual da SPE, Aveiro, 30 Novembro de 2013 1/25
1 Motivação 2 Objectivo 3 Os dados 4 Análise exploratória 5 Modelação 6 Resultados 7 Comentários e trabalho futuro 2/25
Motivação Avaliação do risco Os arbovírus são vírus que podem provocar um síndrome febril, sinais e sintomas neurológicos como encefalites e meningites e, mais raramente, febres hemorrágicas. Entre os arbovírus neurotrópicos está o vírus West Nile (WNV, flavivírus) e o vírus Toscana (TOSV, flebovírus) cuja presença em Portugal tem sido bem documentada nas últimas décadas. dist. West Nile virus (2006) 3/25
Motivação Abundância do vector Os arbovírus são transmitidos por artrópodes, de que o Culex pipiens é a espécie mais abundante, sendo durante a refeição de sangue que a fêmea inocula o vírus no hospedeiro. Como vírus transmitidos por artrópodes, os arbovírus têm a sua distribuição relacionada com a distribuição geográfica das espécies vectoras e com as condições e alterações ambientais que influenciam essa distribuição. culex pipiens 4/25
Motivação REVIVE - Rede de Vigilância de Vectores Com o objectivo de conhecer as espécies e a sua distribuição, o Instituto Nacional de Saúde (INSA) e as autoridades de saúde regionais e nacionais portuguesas têm a decorrer um programa nacional de vigilância de mosquitos onde, para além dos insectos colhidos vivos, são reunidos dados ecológicos, climáticos e de georeferência para cada um dos locais. Locais de captura e e estações meteorológicas 5/25
Motivação REVIVE - Rede de Vigilância de Vectores O conhecimento das coordenadas geográficas dos locais de colheita permite a obtenção, através de um programa de Sistemas de Informação Geográfica (SIG), de um conjunto relevante de variáveis associadas com a presença e abundância de mosquitos como a altitute, o tipo de utilização do solo e a proximidade a massas de água, entre outras. Dados de georreferenciação 6/25
Objectivo Modelação da abundância Quantos mosquitos existem? Considerando que a dimensão da captura é reflexo da abundância, apresentamos uma primeira abordagem ao problema que consiste na construção de um modelo em que a dimensão esperada da captura é estimada através de um preditor linear, segundo uma abordagem bayesiana. Quantos mosquitos capturados? 7/25
Os dados Os dados A captura A captura de mosquitos é realizada nos meses de Maio a Outubro, com recurso a diversos métodos, predominando a captura através de armadilha usando gelo seco como isco. As armadilhas são instaladas no início da noite e recolhidas na manhã do dia seguinte. Armadilha 8/25
Os dados Os dados Dados geográficos O conhecimento das coordenadas geográficas dos locais de colheita permite a obtenção, através de um programa de Sistemas de Informação Geográfica (SIG), de um conjunto relevante de variáveis associadas com a presença e abundância de mosquitos como a altitute, o tipo de utilização do solo e o tipo de massa de água nas proximidades, entre outras. Proximidade a massas de água 9/25
Análise exploratória Dimensão da captura Dimensão da captura Dimensão das capturas não vazias frequência 0 100 200 300 400 500 600 frequência 0 100 200 300 400 500 600 0 200 400 600 800 1000 1200 1400 nº de mosquitos 0 200 400 600 800 1000 1200 1400 nº de mosquitos 10/25
Análise exploratória Dimensão da captura por latitude dimensão da captura 0 200 400 600 800 1000 1200 1400 latitude 37 38 39 40 41 37 38 39 40 41 latitude captura=0 captura>0 11/25
Análise exploratória Dimensão da captura por longitude dimensão da captura 0 200 400 600 800 1000 1200 1400 longitude 8.5 8.0 7.5 7.0 8.5 8.0 7.5 7.0 longitude captura=0 captura>0 12/25
Análise exploratória Dimensão da captura e temperatura máxima dimensão da captura 0 200 400 600 800 1000 1200 1400 temperatura máxima 20 25 30 35 40 20 25 30 35 40 temperatura máxima captura=0 captura>0 13/25
Análise exploratória Dimensão da captura e humidade relativa máxima dimensão da captura 0 200 400 600 800 1000 1200 1400 humidade relativa máxima 40 50 60 70 80 90 100 40 50 60 70 80 90 100 humidade relativa máxima captura=0 captura>0 14/25
Análise exploratória Dimensão da captura e proximidade de massa de água dimensão da captura 0 200 400 600 800 1000 1200 1400 dimensão da captura 0 50 100 150 200 Albufeira Lagoa Paul Rio Albufeira Lagoa Paul Rio 15/25
Análise exploratória Dimensão da captura e mês de captura dimensão da captura 0 200 400 600 800 1000 1200 1400 dimensão da captura 0 50 100 150 200 5 6 7 8 9 10 mês de captura 5 6 7 8 9 10 mês de captura 16/25
Modelação Excesso de zeros Quantos zeros? 0 100 200 300 400 dim. captura=0 dim. captura>0 Porquê? Só é possível capturar mosquitos se houver mosquitos Se houver poucos mosquitos, é natural que nenhum seja capturado Os zeros observados podem ser Estruturais (falsos zeros) - não há mosquitos Reais (zeros verdadeiros) - há mosquitos mas nenhum foi capturado 17/25
Modelação Modelos para contagens Abordagem frequencista i = 1,2,...,n Y i Poisson(µ i ) Abordagem Bayesiana Distribuições a priori: β j dnorm(0.0,0.00001), ou m log(µ i ) = β 0 + β j x ij j=1 j = 0,1,...,m; Y i BinNeg(p i,r) m logit(p i ) = β 0 + β j x ij j=1 r Gamma(10 4,10 4 ) 18/25
Modelação Modelos para contagens com excesso de zeros Abordagem frequencista P(Y i = y i ) = { pi P(W i = 0),y i = 0 (1 p i )P(W i = y i ),y i > 0 W i P(µ i ) ou ( ) r W i BN,r r +µ i logit(p i ) = β 0 + log(µ i ) = θ 0 + m β j x ij j=1 m θ j x ij j=1 Abordagem Bayesiana Distribuições a priori: β j dnorm(0.0,0.00001), θ j dnorm(0.0,0.00001), j = 0,1,...,m; r Gamma(10 4,10 4 ) 19/25
Resultados Resultados da abordagem frequencista Observado Poisson Binomial Negativa 20/25
Resultados Resultados da abordagem bayesiana Observado Poisson Binomial Negativa 21/25
Resultados Resultados da abordagem frequencista Observado ZI Poisson ZI Bin. Negativa 22/25
Resultados Resultados da abordagem bayesiana Observado ZI Poisson ZI Bin. Negativa 23/25
Resultados Estatísticas dos parâmetros a posteriori Poisson Binomial Negativa Parâm. Média Erro MC 2.5% 97.5% Média Erro MC 2.5% val97.5pc α.ast 4.936 0.01525 4.24 5.653 12.29 0.0684 6.09 18.56 α 0 2.303 5.462E-4 2.272 2.332 2.369 0.001168 2.221 2.516 β 1 25.25 0.07076 20.66 29.88 34.21 0.3683-5.424 75.03 β 2-13.56 0.01801-15.16-11.99-33.2 0.1689-48.86-17.76 β 3 11.56 0.009291 11.06 12.03 10.64 0.04249 6.8 14.55 β 4-1.546 0.001885-1.678-1.414-0.107 0.01109-1.405 1.191 β 5 0.1073 4.114E-4 0.07499 0.1418 0.2914 0.001903 0.05026 0.5482 β 6 0.1981 0.01198-0.431 0.7625-0.2741 0.03768-2.024 1.63 β 7 2.358 0.009977 2.139 2.567 1.663 0.03312 0.4047 2.917 β 8 2.023 0.00996 1.804 2.236 1.789 0.03179 0.5722 2.964 β 9 0.8586 0.005127 0.7161 0.9907 0.9854 0.009232 0.3027 1.62 β 10 1.694 0.005092 1.56 1.821 2.142 0.009119 1.498 2.763 β 11 0.5683 0.005128 0.4312 0.7055 1.334 0.009137 0.6778 1.949 β 12 1.218 0.005111 1.083 1.348 1.529 0.009247 0.8531 2.167 β 13 0.7179 0.005028 0.5729 0.8573 1.192 0.009112 0.5205 1.804 DIC 26720.0 3771.0 Os parâmetros dos modelos estimados segundo as duas abordagens não apresentaram diferenças evidentes. DIC(ZIP)=22020> DIC(ZINB) 24/25
Comentários e trabalho futuro Comentários Melhor desempenho da abordagem bayesiana: nos modelos com excesso de zeros - proporcionou melhor explicação da ocorrência de mosquitos; na estimação do modelo ZINB - permitiu a inclusão de um maior número de covariáveis (tipo de água); Trabalho futuro análise de sensibilidade variáveis meteorológicas - desfasamento temporal dependência espacial... definição de vizinhança observações da vizinhança desfasadas no tempo 25/25