Video Experimental Relacionado
Updated: Jan 29, 2026

Constructing and Visualizing Models using Mime-based Machine-learning Framework
Published on: July 22, 2025
Modelado geoespacial para la identificación de puntos críticos de enfermedades zoonóticas en el marco de una salud:
Jabulani Nyengere1, Willard Mbewe2, Lucius Malalu2
1Ndata School of Climate and Earth Sciences, Malawi University of Science and Technology, P.O Box 5196, Limbe, Malawi. jnyengere@must.ac.mw.
El modelado geoespacial ayuda a identificar puntos críticos de enfermedades zoonóticas, pero la integración completa de datos humanos, animales y ambientales para enfoques de Una Salud sigue siendo un desafío debido a las limitaciones de datos.
Área de la Ciencia:
- Salud Pública; Epidemiología; Ciencia Geoespacial
Sus antecedentes:
- Las enfermedades zoonóticas presentan desafíos globales de salud pública, lo que requiere una vigilancia integrada.; El modelado geoespacial es crucial para identificar puntos críticos de enfermedades e informar las estrategias de Una Salud.; Existe una síntesis limitada sobre cómo los métodos geoespaciales operacionalizan los principios de Una Salud.
Objetivo del estudio:
- Revisar sistemáticamente los estudios que aplican el modelado geoespacial para identificar puntos críticos de enfermedades zoonóticas.; Evaluar la integración de los principios de Una Salud dentro de estos enfoques geoespaciales.; Identificar limitaciones y direcciones futuras para el modelado geoespacial en el control de enfermedades zoonóticas.
Principales métodos:
- Revisión sistemática siguiendo las pautas PRISMA 2021 (2000-2025).; Se buscaron múltiples bases de datos de estudios sobre modelado geoespacial de puntos críticos de enfermedades zoonóticas.; Se extrajeron datos sobre métodos, variables, geografía e integración de Una Salud; se realizó una síntesis descriptiva.
Principales resultados:
- 46 estudios cumplieron los criterios, con un aumento de las publicaciones después de 2020, concentradas en África, Asia y Europa.; Los métodos comunes incluyeron modelos espaciales bayesianos, imágenes satelitales, aprendizaje automático y modelado de nichos ecológicos.; Las variables climáticas fueron los predictores dominantes; las variables socioecológicas y de salud animal se integraron menos. La integración completa de Una Salud se encontró solo en el 15,2% de los estudios.
Conclusiones:
- El modelado geoespacial es vital para la identificación de puntos críticos de enfermedades zoonóticas, pero enfrenta limitaciones para operacionalizar completamente Una Salud.; La fragmentación de datos y la integración desigual de los dominios humano, animal y ambiental limitan los enfoques actuales.; La mejora de la vigilancia integrada, incluidos los predictores socioecológicos, y la estandarización de los métodos son cruciales para el impacto en las políticas.
Videos de Conceptos Relacionados
Review and Preview
Percentiles are a type of fractile that partition data into...
Review and Preview
Models of Health Promotion and Illness Prevention I
The health belief model (HBM) attempts to predict health-related behavior in specific belief patterns. According to the HBM, a person's...
Models of Health Promotion and Illness Prevention II
The agent-host-environment model states that disease results...
Random and Systematic Errors
Systematic Sampling Method
Systematic sampling is one of the simplest methods...

