4  Capítulo 4 — ¿Cuánta enfermedad hay?

Epidemiología aplicada en acuicultura — Parte II: Medir la enfermedad

Dónde encaja esto — Detectar (prevención secundaria). Contar cuánta enfermedad hay, y cuán rápido aparecen casos nuevos, es la columna de medición de la vigilancia y la detección temprana. Toda actividad de “Detectar” posterior —diagnóstico (Cap. 6), muestreo y diseño de vigilancia (Cap. 8), alerta temprana (Cap. 12)— se apoya en los dos números de este capítulo.

4.1 Panorama

“Estamos perdiendo peces” es una preocupación, no una medición. Antes de decidir si un centro tiene un problema, si está empeorando, o si la intervención del mes pasado ayudó, hay que contar la enfermedad —y contarla de forma comparable entre jaulas, centros y estaciones—. La epidemiología nos da dos maneras complementarias:

  • Prevalencia — cuánta enfermedad existe ahora mismo (una foto).
  • Incidencia — cuánta enfermedad nueva aparece en un período (un flujo).

Responden preguntas distintas, se calculan distinto, y confundirlas es uno de los errores más costosos al reportar enfermedad. Como este es un capítulo de Detectar, también veremos que una prevalencia medida (“aparente”) depende de la prueba usada —la bisagra que conecta este capítulo con el diagnóstico del Capítulo 6—.

Usamos un archivo nuevo, weekly_monitoring.csv: un registro de 12 semanas para una unidad focal en cada centro (jaula de salmón AYS-03, estanque de tilapia LVT-02, estanque de camarón CDG-05), cada una con un episodio de enfermedad.

4.2 4.1 Preparación

pacman::p_load(rio, here, tidyverse, janitor, binom, epiR)

monitoring <- import(here("data", "weekly_monitoring.csv"))
glimpse(monitoring)

4.3 4.2 Prevalencia — enfermedad en una foto

La prevalencia es la proporción de una población que tiene la condición en un momento dado:

prevalencia = (número de casos existentes) ÷ (número en la población)

A partir de nuestras muestras de salud semanales, la prevalencia puntual es simplemente positivos sobre muestreados, un valor por semana:

monitoring <- monitoring |>
  mutate(prevalence = n_positive / n_sampled * 100)

monitoring |>
  filter(unit_id == "AYS-03") |>
  select(week, n_sampled, n_positive, prevalence)

Para la jaula de salmón, la prevalencia de infección sube del 4 % en la semana 1 a un máximo del 48 % en la semana 7, y luego baja —la firma de una epidemia que atraviesa la población—.

Una proporción siempre necesita un intervalo de confianza, porque proviene de una muestra. Nunca reportes una prevalencia a secas:

binom.confint(24, 50, methods = "wilson")
#   method  x  n  mean   lower  upper
#   wilson 24 50  0.48   0.348  0.615

Así, la prevalencia de la semana 7 es 48 % (IC 95 % 34,8–61,5 %) —un intervalo ancho, porque solo se muestrearon 50 peces—. El tamaño de muestra determina la precisión, tema que formalizamos en el Capítulo 8.

🧮 Epivet Tools — Intervalo de confianza para una proporción Calcúlalo sin R: tools.epivet.cl/ci-prop. Ingresa positivos y tamaño de muestra; obtén el intervalo de Wilson. Modelo de referencia: Ausvet EpiTools.

Prevalencia puntual vs. de período. La prevalencia puntual es un solo momento; la prevalencia de período agrupa casos a lo largo de un lapso. En las 12 semanas, la jaula de salmón arrojó 130 positivos de 600 peces muestreados —una prevalencia de período del 21,7 % (IC 95 % 18,6–25,1 %)—. La prevalencia de período siempre es ≥ que cualquier prevalencia puntual dentro de ella.

4.3.1 Prevalencia aparente vs. verdadera — la advertencia de Detectar

Lo que calculamos es la prevalencia aparente: la proporción que la prueba llamó positiva. La prevalencia verdadera difiere cada vez que la prueba es imperfecta, y se recupera con la sensibilidad (Se) y la especificidad (Sp):

prevalencia verdadera = (prevalencia aparente + Sp − 1) ÷ (Se + Sp − 1)

Esto importa mucho para el SRS. En un estudio de clases latentes en tres centros, la sensibilidad de la qPCR para P. salmonis fue muy superior al cultivo y aumentó con la severidad clínica —cerca de 85 % antes de la enfermedad clínica y ~98 % durante un brote (Laurin et al., 2020)—. Y un ensayo ciego entre los laboratorios chilenos autorizados halló que los puntos de corte de positividad y la detección de cargas bajas variaban sustancialmente entre laboratorios (Peña et al., 2025) —así, el mismo pez puede dar una prevalencia aparente distinta según quién lo analice—. Aquí solo señalamos esta corrección; el Capítulo 6 la hace a fondo.

🧮 Epivet Tools — Prevalencia aparente → verdadera Corrige una prevalencia medida por una prueba imperfecta: tools.epivet.cl/true-prev. Modelo de referencia: Ausvet EpiTools.

4.4 4.3 Incidencia — enfermedad nueva en el tiempo

La prevalencia cuenta casos existentes; la incidencia cuenta eventos nuevos en una población en riesgo durante un período. Hay dos sabores, y la diferencia es el denominador.

4.4.1 Incidencia acumulada (riesgo)

La incidencia acumulada, o riesgo, es la proporción de una población en riesgo que desarrolla el evento durante un período definido:

incidencia acumulada = (casos nuevos durante el período) ÷ (población en riesgo al inicio)

Para la jaula de salmón, tomando la muerte como evento en las 12 semanas:

salmon <- monitoring |> filter(unit_id == "AYS-03")

N0          <- salmon$n_alive_start[salmon$week == 1]   # 34000
new_events  <- sum(salmon$deaths)                        # 2908
cum_inc     <- new_events / N0 * 100                     # 8.55

binom.confint(new_events, N0, methods = "wilson")
#   mean 0.0855 ; lower 0.0830 ; upper 0.0890

El riesgo de mortalidad de la cohorte en 12 semanas es 8,55 % (IC 95 % 8,3–8,9 %) —tranquilizadoramente cercano al ~12 % de mortalidad promedio por SRS en agua de mar reportado a nivel nacional para el salmón chileno (Rozas-Serri, 2026; Sernapesca)—. El riesgo es intuitivo —“murió alrededor de 1 de cada 12 peces este ciclo”— pero tiene un supuesto oculto: que todos fueron seguidos todo el período. Cuando los peces mueren o se retiran a mitad de camino, no estuvieron en riesgo las semanas posteriores, y el riesgo por sí solo lo pasa por alto.

4.4.2 Tasa de incidencia

La tasa de incidencia lo corrige usando tiempo-animal en el denominador —cada animal aporta solo el tiempo que realmente estuvo en riesgo—:

tasa de incidencia = (casos nuevos) ÷ (tiempo-animal total en riesgo)

Con datos semanales, una unidad aporta aproximadamente su población de inicio de semana como una semana de tiempo-animal:

fish_weeks <- sum(salmon$n_alive_start)         # 395.165 peces-semana
inc_rate   <- new_events / fish_weeks * 1000    # por 1000 peces-semana

Eso da 7,36 muertes nuevas por 1.000 peces-semana (IC 95 % 7,09–7,63). La tasa es la medida correcta para comparar unidades seguidas por lapsos distintos, o cuyas poblaciones encogen —justo la situación en un evento de mortalidad—.

4.4.3 Los tres centros lado a lado

Unidad Especie Inicio Muertes Incid. acum. Tasa /1000 peces-sem
AYS-03 salmón 34.000 2.908 8,6 % 7,4
LVT-02 tilapia 12.000 1.354 11,3 % 9,8
CDG-05 camarón 300.000 69.473 23,2 % 23,1

El estanque de camarón perdió casi un cuarto de sus animales —y un gráfico rápido muestra por qué es distinto: sus muertes culminan en la semana 3 (el colapso agudo por AHPND poco después de la siembra), mientras que salmón y tilapia culminan hacia la semana 8—. Ese momento es en sí mismo una pista epidemiológica, y construimos curvas epidémicas completas en el Capítulo 13.

4.5 4.4 Prevalencia, incidencia y el puente entre ambas

Una imagen clásica: imagina un estanque. La incidencia es la llave que agrega casos nuevos; la recuperación y la muerte forman el desagüe; la prevalencia es el nivel del agua. Un nivel alto puede venir de una llave rápida (alta incidencia) o de un desagüe lento (larga duración). Formalmente, en una situación razonablemente estable:

prevalencia ≈ tasa de incidencia × duración promedio de la enfermedad

Esto explica paradojas aparentes. Una enfermedad rápida y letal como el AHPND puede mostrar una prevalencia modesta en un día de muestreo cualquiera pese a una incidencia devastadora, porque los casos abandonan el grupo de “enfermos” casi de inmediato (mueren). Leer una sin la otra engaña.

4.6 4.5 La mortalidad es solo incidencia de muerte

Todo lo anterior usó la muerte como evento, así que de hecho hemos estado calculando medidas de mortalidad. Dos términos cierran el círculo:

  • Tasa de mortalidad — tasa de incidencia de muerte en toda la población (lo que calculamos: 7,4–23,1 por 1.000 peces-semana).
  • Tasa de letalidad — muertes entre los animales enfermos (muertes ÷ casos). Es la medida de virulencia del Capítulo 1.

4.7 4.6 Interpretación en el centro de cultivo

Para un programa de Detectar, estos dos números son el sistema de disparo. La prevalencia del muestreo de rutina te dice si hay infección y cuán extendida está ahora; una tasa de incidencia en ascenso te dice que un brote se está gestando antes de que el costo acumulado sea obvio. El beneficio es grande: los centros que detectan antes mediante vigilancia activa suelen tener brotes más tardíos y pequeños (Price et al., 2020), y en Chile la primera detección de SRS en agua de mar se ha adelantado de la semana ~25 a la ~12 (Rozas-Serri, 2026). La trampa, de §4.2, es que cada uno de estos números es una cifra aparente filtrada por una prueba imperfecta y dependiente del laboratorio.

4.8 4.7 Ejercicios

Inténtalo tú (4.1). Calcula la prevalencia puntual de la jaula de tilapia (LVT-02) en cada semana y halla la semana de prevalencia máxima. ¿Es antes o después de la semana de máxima mortalidad? ¿Qué te dice el desfase?

4.2 Calcula la incidencia acumulada de muerte de la cohorte de tilapia a mano desde la tabla de §4.3, y repítela en R con un IC de Wilson.

4.3 El estanque de camarón tiene una incidencia acumulada del 23,2 % pero sus muertes se concentran en las semanas 2–4. Explica por qué la tasa de incidencia es la comparación más honesta con la jaula de salmón, que perdió peces de forma pareja las 12 semanas.

4.4 Una muestra de 50 peces da 6 positivos (prevalencia aparente 12 %). Con la fórmula de Rogan–Gladen, calcula la prevalencia verdadera con Se = 0,85 y Sp = 0,98, y luego con Se = 0,85 y Sp = 0,90. ¿Por qué un pequeño cambio en la especificidad mueve tanto la prevalencia verdadera cuando la aparente es baja?

4.5 Con la analogía del estanque, explica en dos frases cómo una enfermedad con incidencia muy alta puede mostrar baja prevalencia en un día de muestreo al azar.

4.9 Resumen y qué sigue

  • La prevalencia es una foto de los casos existentes; la incidencia es el flujo de casos nuevos en un período.
  • La incidencia acumulada (riesgo) divide los casos nuevos por la población inicial; la tasa de incidencia divide por el tiempo-animal en riesgo, y es la correcta cuando las poblaciones encogen.
  • Adjunta siempre un intervalo de confianza.
  • La prevalencia medida es aparente, no verdadera; depende de la Se/Sp de la prueba y del laboratorio —el puente al Capítulo 6—.
  • prevalencia ≈ tasa de incidencia × duración une ambas y resuelve la paradoja de la enfermedad rápida / baja prevalencia.

En el Capítulo 5 — ¿Qué lo está causando? dejamos de contar enfermedad y empezamos a comparar grupos: riesgo relativo, razón de odds y fracciones atribuibles.

4.10 Referencias y lecturas

  • Dohoo I, Martin W, Stryhn H. Veterinary Epidemiologic Research. 2.ª ed. VER Inc.; 2009.
  • Mardones FO. Preventive medicine of aquatic animals. En: Aquaculture Health Management. Elsevier; 2020. cap. 6.
  • Diethelm-Varela B, et al., Mardones FO. Epidemiología del SRS en salmón de cultivo. J Fish Dis. 2025;e70097.
  • Laurin E, Gardner IA, et al. Estimación bayesiana de sensibilidad y especificidad diagnóstica para P. salmonis. J Fish Dis. 2020;43:1167–1175.
  • Peña A, et al., Mardones FO. Comparación interlaboratorio de qPCR para P. salmonis. J Fish Dis. 2025;48:e14044.
  • Price D, et al. Vigilancia activa y tamaño/momento del brote de SRS. Aquaculture. 2020.
  • Rozas-Serri M. Septicemia rickettsial del salmón: una revisión. Reviews in Aquaculture. 2026.

Archivos de este capítulo: data/weekly_monitoring.csv (nuevo) y scripts/make_weekly_monitoring.R.