12 Capítulo 12 — Vigilancia y alerta temprana
Epidemiología aplicada en acuicultura — Parte V: Detección y respuesta
Dónde encaja esto — Detectar (prevención secundaria). Los Capítulos 4, 6 y 8 construyeron las piezas —medir frecuencia, confiar en una prueba, dimensionar una muestra—. Este capítulo las ensambla en un sistema: cuán buena es tu vigilancia, si puedes declarar ausencia de enfermedad y cómo obtener una alarma antes de que un brote sea obvio.
12.1 Panorama
Un sistema de vigilancia solo vale si capta lo que debe captar, a tiempo para actuar. Tres preguntas lo deciden. ¿Cuán sensible es el sistema completo (no solo la prueba)? ¿Podemos demostrar ausencia a un regulador o comprador? Y ¿podemos dar una alarma temprana desde datos de rutina antes de que el brote se declare? Respondemos las tres sobre una serie temporal regional de dos años.
Usamos regional_srs_weekly.csv: 104 semanas de conteos regionales de casos de SRS con estacionalidad y un brote que comienza en la semana 70.
12.2 12.1 Preparación
pacman::p_load(rio, here, tidyverse, surveillance)
reg <- import(here("data", "regional_srs_weekly.csv"))12.3 12.2 Sensibilidad del sistema de vigilancia
La sensibilidad de la prueba (Capítulo 6) no es la sensibilidad del sistema. Un sistema de vigilancia suele tener varios componentes —qPCR activa basada en riesgo, reporte pasivo de mortalidad—, cada uno con su propia sensibilidad de detección. Un árbol de escenarios los combina. Si la detección en cada componente es independiente, la probabilidad de que el sistema detecte la enfermedad es uno menos la probabilidad de que todos los componentes la pierdan:
CSe = 1 − (1 − Se₁)(1 − Se₂)…
se_active <- 0.55 # componente de qPCR activa basada en riesgo
se_passive <- 0.40 # componente de reporte pasivo de mortalidad
CSe <- 1 - (1 - se_active) * (1 - se_passive) # 0.73Dos componentes mediocres (55 % y 40 %) se combinan en una sensibilidad de sistema del 73 % —mejor que cualquiera por separado, que es todo el argumento de la vigilancia en capas—.
🧮 Epivet Tools — Sensibilidad del sistema y probabilidad de ausencia tools.epivet.cl/sys-sens — combina sensibilidades de componentes y actualiza la probabilidad de ausencia tras una ronda negativa. Modelo de referencia: Ausvet EpiTools.
12.4 12.3 Demostrar ausencia de enfermedad
Las decisiones de comercio y manejo de áreas suelen exigir una afirmación defendible de que una región está libre de enfermedad. Nunca puedes probar la ausencia, pero puedes cuantificar la probabilidad de ausencia, actualizando una creencia previa con cada ronda de vigilancia negativa:
posterior = previa / [ previa + (1 − previa)(1 − CSe) ]
prior_free <- 0.90
post_free <- prior_free / (prior_free + (1 - prior_free) * (1 - CSe)) # 0.971Una ronda limpia de vigilancia negativa eleva la confianza en la ausencia de 0,90 a 0,971; rondas negativas repetidas la llevan más alto. Esta contabilidad bayesiana (las herramientas RSurveillance/FFD) es como se sustenta la ausencia oficial.
12.5 12.4 Alerta temprana: verlo venir
La alerta temprana trata de captar un cambio rápido. Los métodos de detección de aberraciones vigilan un flujo de datos de rutina y marcan cuando excede lo que la variación normal predice. Dos caballos de batalla, entrenados sobre una base previa al brote (semanas 1–52):
Límite de Shewhart — marca cualquier semana por encima de media + 3 DE:
train <- reg$cases[reg$week <= 52]
ucl <- mean(train) + 3 * sd(train) # 45.3
# primera alarma: semana 71EWMA — un promedio móvil ponderado exponencialmente, que acumula desplazamientos pequeños y persistentes y por eso reacciona antes:
# EWMA con suavizado lambda = 0.3; primera alarma: semana 70El brote real comenzó en la semana 70. El EWMA lo captó en la semana 70; el límite de Shewhart, más burdo, solo en la 71. Una semana suena trivial, pero a un tiempo de duplicación del SRS de 4 días es una ventaja significativa. En la práctica el paquete surveillance implementa estos más los algoritmos Farrington y CUSUM usados por sistemas reales de salud animal.
12.6 12.5 Interpretación en el centro de cultivo
Un buen Detectar es un sistema, no una prueba. Su valor se mide en oportunidad: los centros que detectan antes mediante vigilancia activa tienen brotes más tardíos y pequeños (Price et al., 2020), y el desplazamiento nacional de la primera detección de SRS de la semana 25 a la 12 es exactamente este efecto a escala de industria.
12.7 12.6 Ejercicios
Inténtalo tú (12.1). Combina tres componentes de vigilancia con sensibilidades 0,5, 0,4 y 0,3 en una sensibilidad de sistema. ¿Por qué agregar un tercer componente débil igual ayuda?
12.2 Partiendo de una probabilidad previa de ausencia de 0,80 y la sensibilidad de sistema que calculaste, obtén el posterior tras una ronda negativa, y luego tras una segunda.
12.3 Construye el límite de Shewhart y el EWMA sobre la serie regional y confirma cuál alarma primero. Explica por qué el EWMA detecta un alza gradual antes que un límite de 3 DE.
12.4 Tu sistema de alerta temprana se dispara demasiado durante la temporada cálida. ¿Qué característica de los algoritmos reales de surveillance (vs. nuestro límite casero) reduciría estas falsas alarmas, y por qué?
12.8 Resumen y qué sigue
- La sensibilidad del sistema combina sensibilidades de componentes (CSe = 1 − ∏(1 − Seᵢ)); la vigilancia en capas supera a cualquier flujo único.
- La probabilidad de ausencia actualiza una previa con rondas de vigilancia negativa —la base de las afirmaciones oficiales de ausencia—.
- La detección de aberraciones (Shewhart, EWMA, CUSUM, Farrington) da alarmas tempranas; el EWMA captó nuestro brote una semana antes que un límite de 3 DE.
- El beneficio de Detectar es la oportunidad —detectar antes significa brotes más pequeños—.
En el Capítulo 13 — Investigar un brote pasamos a Responder.
12.9 Referencias y lecturas
- Höhle M. surveillance: un paquete de R para monitorear enfermedades infecciosas (Farrington, CUSUM, EWMA).
- Delphino MKVC, Mardones FO, et al. Costo-efectividad de la vigilancia longitudinal del SRS. J Fish Dis. 2021;44:315–326.
- Price D, et al. Vigilancia activa y tamaño/momento del brote de SRS. Aquaculture. 2020.
- Cameron AR, et al. Cuantificación de la sensibilidad del sistema de vigilancia y probabilidad de ausencia (árboles de escenarios).
- Rozas-Serri M. Septicemia rickettsial del salmón: una revisión. Reviews in Aquaculture. 2026.
Archivos de este capítulo: data/regional_srs_weekly.csv y scripts/make_regional_srs_weekly.R.