Predicción con modelo ARIMA en series temporales de Salmonella spp en Chile entre 2014-2022

• Ayala-Aldana, Nicolas ^[1] ; Monleon-Getino, Antonio ; Canela-Soler, Jaume ^[1] ; Retamal-Contreras, Erika ^[2]
  1. [1] Universitat de Barcelona

     Universitat de Barcelona

     Barcelona, España

     
  2. [2] Universidad de Talca

     Universidad de Talca

     Provincia de Talca, Chile

     
• Localización: Ciencia Latina: Revista Multidisciplinar, ISSN-e 2707-2215, ISSN 2707-2207, Vol. 7, Nº. 1, 2023, pág. 75
• Idioma: español
• DOI: 10.37811/cl_rcm.v7i1.4484
• Títulos paralelos:
  • Prediction with ARIMA model in time series of Salmonella spp in Chile between 2014-2022
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

    Introducción. Las Enfermedades Transmitidas por Alimentos ( ETA), constituyen un problema de salud pública de relevancia mundial, siendo motivo de vigilancia epidemiológica y son el resultado del consumo de alimentos que contienen toxinas o microorganismos patógenos vivos. El objetivo de este estudio es analizar las series temporales de Salmonella spp. para el periodo 2014-2022 en Chile y desarrollar un modelo predictivo de Media Móvil Autorregresiva  (ARIMA). Métodos. Se realizó una descomposición de la serie para estudiar tendencia y estacionalidad. Se utilizó la prueba de Dickey-Fuller para estacionalidad y Kruskall-Wallis para comparación de grupos. Se aplicó el modelo ARIMA para realizar una predicción de casos en un año adelante. Resultados. La serie de estudio para Salmonella spp. tuvo un comportamiento estacional sin diferencias significativas entre grupos (periodos). El modelo ARIMA tuvo un buen desempeño para predecir casos en una serie continua. Conclusiones. El análisis de series temporales en epidemiología es una herramienta valiosa para prever futuros brotes o epidemias en el territorio nacional. El modelo ARIMA tiene un buen desempeño en la serie estacional analizada para Salmonella spp en muestras de deposición.

  • English

    Introduction. Foodborne Diseases (ETA) constitute a public health problem of worldwide relevance, being a reason for epidemiological surveillance. ETA are the result of the consumption of foods that contain toxins or pathogenic microorganisms. The objective of this study is to analyze the time series of Salmonella spp. for 2014-2022 in Chile and to perform a predictive model of Autoregressive Moving Average  (ARIMA).Methods. The decomposition of the series was performed to study trends and seasonality. The Dickey-Fuller test was used for seasonality and the Kruskall-Wallis test for group comparison. The ARIMA model was applied to make a prediction of cases in a year ahead. Results. The study series for Salmonella spp. had a seasonal performance without significant differences between groups (periods). The ARIMA model performed well in predicting cases in a continuous series. Conclusions. The analysis of time series in epidemiology is a valuable tool to anticipate future outbreaks or epidemics in the national territory. The ARIMA model has a satisfactory performance in the seasonal series analyzed for Salmonella spp in deposition samples.

• Referencias bibliográficas
  • Akil, L., & Ahmad, H. A. (2016). Salmonella infections modelling in Mississippi using neural network and geographical information system...
  • Benedick, P. lou, Robert, J., & Traon, Y. le. (2021). A Systematic Approach for Evaluating Artificial Intelligence Models in Industrial...
  • Calle, A., Carrascal, A. K., Patiño, C., Carpio, C., Echeverry, A., & Brashears, M. (2021). Seasonal effect on Salmonella, Shiga toxin-producing...
  • Chao, D. L., Roose, A., Roh, M., Kotloff, K. L., & Proctor, J. L. (2019). The seasonality of diarrheal pathogens: A retrospective study...
  • Chile, BCN. B. del C. N. de. (2020). Reportes Estadísticos Biblioteca del Congreso Nacional de Chile. https://www.bcn.cl/siit/reportescomunales/
  • Delahoy, M. J., Cárcamo, C., Huerta, A., Lavado, W., Escajadillo, Y., Ordoñez, L., Vasquez, V., Lopman, B., Clasen, T., Gonzales, G. F., Steenland,...
  • Du, Y., Wang, H., Cui, W., Zhu, H., Guo, Y., Dharejo, F. A., & Zhou, Y. (2021). Foodborne Disease Risk Prediction Using Multigraph Structural...
  • Flores Monter, Y. M., Chaves, A., Arellano-Reynoso, B., López-Pérez, A. M., Suzán-Azpiri, H., & Suzán, G. (2021). Edaphoclimatic seasonal...
  • Fong, K., & Wang, S. (2016). Heat resistance of Salmonella enterica is increased by pre-adaptation to peanut oil or sub-lethal heat exposure....
  • Gut, A. M., Vasiljevic, T., Yeager, T., & Donkor, O. N. (2018). Salmonella infection – Prevention and treatment by antibiotics and probiotic...
  • Huang, L. (2004). Thermal Resistance of Listeria monocytogenes, Salmonella Heidelberg, and Escherichia coli O157:H7 at Elevated Temperatures....
  • Lamas, A., Miranda, J. M., Regal, P., Vázquez, B., Franco, C. M., & Cepeda, A. (2018). A comprehensive review of non-enterica subspecies...
  • Li, X., Singh, N., Beshearse, E., Blanton, J. L., DeMent, J., & Havelaar, A. H. (2021). Spatial Epidemiology of Salmonellosis in Florida,...
  • Martin-Moreno, J. M., Alegre-Martinez, A., Martin-Gorgojo, V., Alfonso-Sanchez, J. L., Torres, F., & Pallares-Carratala, V. (2022). Predictive...
  • Naumova, E. N., Jagai, J. S., Matyas, B., DeMaria, A., MacNeill, I. B., & Griffiths, J. K. (2007). Seasonality in six enterically transmitted...
  • Odeyemi, O. A. (2016). Public health implications of microbial food safety and foodborne diseases in developing countries. Food & Nutrition...
  • Payedimarri, A. B., Concina, D., Portinale, L., Canonico, M., Seys, D., Vanhaecht, K., & Panella, M. (2021). Prediction models for public...
  • Popa, G. L., & Popa, M. I. (2021). Salmonella spp. infection - a continuous threat worldwide. Germs, 11(1), 88. https://doi.org/10.18683/GERMS.2021.1244
  • Pública, I. de S. (2019). Boletin Epidemiológico Trimestral. Brotes de Enfermedades Transmitidas por Alimentos (ETA). Ministerio de Salud,...
  • Sánchez-Vargas, F. M., Abu-El-Haija, M. A., & Gómez-Duarte, O. G. (2011). Salmonella infections: An update on epidemiology, management,...
  • Thomas, J. L., Slawson, R. M., & Taylor, W. D. (2013). Salmonella serotype diversity and seasonality in urban and rural streams. Journal...
  • Vereen, E., Lowrance, R. R., Jenkins, M. B., Adams, P., Rajeev, S., & Lipp, E. K. (2013). Landscape and seasonal factors influence Salmonella...
  • Wang, H., Cui, W., Guo, Y., Du, Y., & Zhou, Y. (2021). Machine Learning Prediction of Foodborne Disease Pathogens: Algorithm Development...
  • Weller, D. L., Love, T. M. T., Belias, A., & Wiedmann, M. (2020). Predictive Models May Complement or Provide an Alternative to Existing...
  • Xu, Z., Hu, W., Zhang, Y., Wang, X., Zhou, M., Su, H., Huang, C., Tong, S., & Guo, Q. (2015). Exploration of diarrhoea seasonality and...
  • Yang, C. C. (2022). Explainable Artificial Intelligence for Predictive Modeling in Healthcare. Journal of Healthcare Informatics Research,...
  • Yang, Y., Khoo, W. J., Zheng, Q., Chung, H. J., & Yuk, H. G. (2014). Growth temperature alters Salmonella Enteritidis heat/acid resistance,...