NotiPress
Las anomalías de la temperatura de la superficie del mar en el Océano Índico surgen como un predictor de las epidemias globales de dengue, según un estudio reciente publicado por la Asociación Estadounidense para el Avance de la Ciencia (AAAS). El dengue, una enfermedad transmitida por mosquitos que afecta a casi la mitad de la población mundial, carece actualmente de tratamientos específicos y vacunas.
Asimismo, los brotes de dengue representan una carga para la salud pública y tienen consecuencias económicas graves. Por lo tanto, la capacidad de anticipar y prepararse para estos brotes es fundamental, especialmente en las regiones donde la enfermedad es endémica.
Los sistemas de alerta temprana del dengue existentes se basan en indicadores climáticos como las precipitaciones y la temperatura para prever las tendencias de la enfermedad. Sin embargo, la influencia de los factores climáticos a larga distancia en los brotes de dengue no se comprende completamente.
El estudio, dirigido por Yuyang Chen y sus colegas, utilizó modelos climáticos y datos de casos de dengue en 46 países del Sudeste Asiático y América. Esto para explorar las asociaciones entre los patrones climáticos globales y la magnitud de las epidemias de dengue. Descubrieron que el índice de toda la cuenca del Océano Índico (IOBW), que refleja las anomalías de la temperatura de la superficie del mar en el Océano Índico tropical, está estrechamente relacionado con los brotes de dengue en ambos hemisferios.
Según los resultados, el IOBW en los tres meses anteriores a la temporada del dengue es un factor crítico para predecir la magnitud y el momento de los brotes de dengue cada año en ambos hemisferios. La capacidad predictiva del IOBW probablemente se debe a su influencia en las temperaturas regionales.
Aunque estos hallazgos podrían mejorar la planificación de la respuesta a los brotes de dengue, los autores advierten contra la extrapolación prematura de los resultados sin una validación rigurosa de datos futuros. Se necesita más investigación para evaluar completamente el rendimiento predictivo del modelo.