Disease mapping with bayesian approaches and relative risk assessment for public health in Colombia

En Colombia los datos de presencia de enfermedades transmitidas por vectores tienen un problema de sobredispersión, esto quiere decir que más de un 70% de los municipios no tienen casos reportados de las enfermedades o simplemente no los ingresan en el aplicativo SIVIGILA del Instituto Nacional de Salud (INS), también dada la baja operatividad en el sistema de salud en el país, los registros de casos para algunos municipios se pueden concentrar en las grandes urbes, esto quiere decir que casos registrados en grandes áreas municipales como por ejemplo Bogotá en realidad no poseen un recuento de la enfermedad, si no esté conteo hace parte de las áreas cercanas con deficiencia en el sistema de salud donde en realidad se presenta esta enfermedad. Así pues, la estimación del riesgo que pueda tener un municipio en Colombia de que se prolifere una enfermedad puede determinarse mediante el algoritmo INLA teniendo en cuenta estas relaciones espaciales y la presencia de atípicos dado el sistema ineficiente de salud. Los enfoques bayesianos tienen la cualidad de que no solamente se realiza un modelamiento a partir de los datos en cuestión, si no que tiene en cuenta la información que un investigador experimentado o un estudio previo pueda facilitar al proyecto. Dentro de las asociaciones espaciales se determinaron matrices de ponderación espacial (W) que minimizarán la correlación, además se establecen modelos con diferentes distribuciones de probabilidad asociados a conteos con tratamientos específicos a la sobredispersión de los datos.In Colombia, the data on the presence of vector-borne diseases have an over-dispersion problem, which means that more than 70% of the municipalities do not have reported cases of the diseases or simply do not enter them in the SIVIGILA application of National Institute of health, also given the low operation in the health system in the country, case records for some municipalities can be concentrated in large cities, this means that cases registered in large municipal areas such as Bogotá do not really they have a count of the disease, if not this count is part of the nearby areas with deficiencies in the health system where this disease actually occurs. Thus, the estimation of the risk that a municipality in Colombia may have of a disease can be determined using the INLA algorithm taking into account these spatial relationships and the presence of outliers given the inefficient health system. Bayesian approaches have the quality that not only is modeling carried out on the data in question, but also that it takes into account the information that an experienced researcher or a previous study can provide to the project. Within the spatial associations, spatial weighting matrices (W) were determined that will minimize the correlation. In addition, models with different probability distributions associated with counts with specific treatments to the over-dispersion of the data are established