Factores biogeográficos determinantes de la distribución de Triatoma recurva en Chihuahua, México, 2014

María Elena Torres, Hugo Luis Rojas , Luis Carlos Alatorre , Luis Carlos Bravo , Mario Iván Uc , Manuel Octavio González , Lara Cecilia Wiebe , Alfredo Granados , .

Palabras clave: Triatoma, Triatominae, ecosistema, enfermedad de Chagas, vectores de enfermedades, clima

Resumen

Introducción. Triatoma recurva es un vector de Trypanosoma cruzi cuya existencia y desarrollo biológico están determinados por factores que pueden influir en la transmisión de la tripanosomiasis a los seres humanos.
Objetivo. Determinar una posible distribución espacial de Triatoma recurva y algunos factores sociales que determinan su presencia.
Materiales y métodos. El modelado de nicho ecológico se hizo con el programa MaxEnt empleando las variables bioclimáticas (WorldClim) derivadas de los valores mensuales de temperatura y precipitación para generar variables biológicamente significativas. La cartografía resultante evidenció áreas adecuadas para la presencia de T. recurva.
Resultados. Los resultados indicaron que la precipitación del mes más seco (Bio 14), la temperatura máxima del mes más cálido (Bio 5), y la altitud (Alt) y la temperatura media del trimestre más seco (Bio 9), determinaron en mayor porcentaje el área de distribución de T. recurva, observándose que es una especie con una acentuada relación con las estructuras domésticas y circundantes.
Conclusión. Esta metodología puede emplearse en otros contextos geográficos para localizar posibles sitios de muestreo de estos triatominos.

Descargas

Los datos de descargas todavía no están disponibles.

Referencias bibliográficas

Vidal-Acosta V, Ibáñez-Bernal S, Martínez-Campos C. Infección natural de chinches Triatominae con Trypanosoma cruzi asociadas a la vivienda humana en México. Salud Pública de México. 2000;42:496-503.

Castro T, Hernández-Betancourt S, Puerto FI, Torres-León M. Lesiones histológicas asociadas a la posible infección por Trypanosoma cruzi (Chagas, 1909) en corazones de roedores sinantrópicos capturados en Yucatán, México. An Biol. 2016;38:29-35. https://doi.org/10.6018/analesbio.38.03

Medone P. Biogeografía de los insectos vectores de la enfermedad de Chagas: influencia de las variables ambientales sobre la distribución de los triatominos en América (tesis). Accessed: October 6, 2018. Available at: http://sedici.unlp.edu.ar/handle/10915/52775

Rivas N, Sánchez-Espíndola E, Camacho AD, Alejandre-Aguilar R. Comparative egg morphology of six Meccus species and Triatoma recurva (Stål, 1868) Hemiptera: Reduviidae. J Vector Ecol. 2016;41:135-41. https://doi.org/10.1111/jvec.12205

Padilla-Narváez FA. Ciclo de vida, hábitos de alimentación y defecación de Triatoma carrioni (Larrouse, 1926) pertenecientes a la provincia de Loja, bajo condiciones controladas de laboratorio. Accessed: October 6, 2018. Available at: http://repositorio.puce.edu.ec/handle/22000/10386

World Health Organization. The world health report 2002: Reducing risks, promoting healthy life. Accessed: October 6, 2018. Available at: https://www.who.int/whr/2002/en/

Nash D, Mostashari F, Fine A, Miller J, O’leary D, Murray K, et al. The outbreak of West Nile virus infection in the New York City area in 1999. New Engl J Med. 2001;344:1807-14. https://doi.org/10.1056/NEJM200106143442401

Ramírez-Sierra MJ, Dumonteil E. Infection rate by Trypanosoma cruzi and biased vertebrate host selection in the Triatoma dimidiata (Hemiptera: Reduvidae) species complex. J Med Entomol. 2016;53:20-5. https://doi.org/10.1093/jme/tjv168

Montenegro D, Vera M, Zuleta L, Llanos V, Junqueira A. Estrategia para determinar la línea base en áreas de interrupción vectorial de la enfermedad de Chagas. Rev Panam Salud Pública. 2016;39:341-51

Monroy ÁL, Pedraza AM, Prada CF. Prevalence of anti-Trypanosoma cruzi antibodies in women of childbearing age in Socotá, Boyacá, 2014. Biomédica. 2016;36:90-6. https://.doi.org/10.7705/biomedica.v36i3.2923

Ramsey J, Ordóñez R, Tello-López A, Pohls J, Sánchez V, Peterson A. Actualidades sobre la epidemiología de la enfermedad de Chagas en México. México: Instituto Nacional de Salud Pública; 2003. p. 85-104.

Parra-Henao G, Quirós-Gómez O, Jaramillo-O N, Cardona ÁS. Environmental determinants of the distribution of Chagas disease vector Triatoma dimidiata in Colombia. Am J Trop Med Hyg. 2016;94:767-74. https://doi.org/10.4269/ajtmh.15-0197

Cajo DJ, Moreno M, Chaguamate L, Valencia N, Ayala VR. Aplicación de modelos de nicho ecológico para estudios epidemiológicos: Triatoma dimidiata, vector de la enfermedad de Chagas en Ecuador. Revista Politécnica. 2016;37:88:92.

Marín E, Exébio C, Santillán R, Cuba C, Jurberg J, Galvão C. Observaciones de campo y algunos parámetros biológicos de los triatominae (Hemiptera: Reduviidae), vectores de la enfermedad de Chagas en el noriente de Perú. Pueblo Continente. 2014;25:53-74.

Morris E, Bone C. Identifying spatial data availability and spatial data needs for Chagas disease mitigation in South America. Spat Spatiotemporal Epidemiol. 2016;17:45-58. https://doi.org/10.1016/j.sste.2016.04.006

Gentry J, Sturm B, Peterson AT. Predictive mapping of transmission risk of a soil-transmitted helminth across East Africa: Findings from community prevalence surveys. J Public Health Dev Ctries. 2016;2:150-61.

Quinde-Calderón L, Ríos-Quituizaca P, Solorzano L, Dumonteil E. Ten years (2004–2014) of Chagas disease surveillance and vector control in Ecuador: Successes and challenges. Trop Med Int Health. 2016;21:84-92. https://doi.org/10.1111/tmi.12620

Urbina-Cardona JN, Loyola RD. Applying niche-based models to predict endangered-Hylid potential distributions: Are neotropical protected areas effective enough? Trop Conserv Sci. 2008;1:417-45. https://doi.org/10.1177/194008290800100408

INEGI. Territorio, población y economía de México, 2010. Accessed: August 25, 2018. Available at: http://www3.inegi.org.mx/sistemas/spc/Default.aspx

Hijmans RJ, Cameron SE, Parra JL, Jones PG, Jarvis A. Very high resolution interpolated climate surfaces for global land areas. Int J Climatol. 2005;25:1965-78. https://doi.org/10.1002/joc.1276

Young N, Carter L, Evangelista P. A MaxEnt model v3. 3.3 e tutorial (ArcGIS v10). Accessed: August 20, 2018. Available at: https://www.coloradoview.org/wp-content/coloradoviewData/trainingData/a-maxent-model-v8.pdf

Kawashima RS, Siqueira MF, Mantovani JE. Dados do monitoramento da cobertura vegetal por NDVI na modelagem da distribuição geográfica potencial do lobo-guará (Chrysocyon bracyurus). Florianópolis, Brasil: INPE; 2017. p. 3983-90.

Cruz-Cárdenas G, Villaseñor JL, López-Mata L, Martínez-Meyer E, Ortiz E. Selección de predictores ambientales para el modelado de la distribución de especies en Maxent. Rev Chapingo Ser Cie. 2014;20:187-201. https://doi.org/10.5154/r.rchscfa.2013.09.034

García E. Modificaciones al sistema de clasificación climática de Köppen. 5th edition. México D.F.: Instituto de Geografía UNAM; 2004.

González Lozano FA. Manual introductorio ArcGis 10.2. Accessed: August 20, 2018. Available at: http://bdigital.unal.edu.co/50837/1/manualintroductorioArcGis10.2.pdf

Torres R, Jayat JP. Modelos predictivos de distribución para cuatro especies de mamíferos (Cingulata, Artiodactyla y Rodentia) típicas del Chaco en Argentina. Mastozool Neotrop. 2010;17:335-52.

Martínez-Ortega RM, Tuya-Pendás LC, Martínez-Ortega M, Pérez-Abreu A, Cánovas AM. El coeficiente de correlación de los rangos de Spearman, caracterización. Revista Habanera de Ciencias Médicas. 2009;8:5.

Austin PC, Tu JV. Bootstrap methods for developing predictive models. Am Stat. 2004;58:131-7. https://doi.org/10.1198/0003130043277

Quiñones UM, Valerio PD, Ramos JH, Sánchez AM, Magaña JJ, Granados MC. Similaridad del nicho ecológico de Pinus montezumae y P. pseudostrobus (Pinaceae) en México: implicaciones para la selección de áreas productoras de semillas y de conservación. Acta Bot Mex. 2019. https://doi.org/10.21829/abm126.2019.1398

Elith J, Graham CH, Anderson RP, Dudík M, Ferrier S, Guisan A, et al. Novel methods improve prediction of species’ distributions from occurrence data. Ecography. 2006;29:129-51. https://doi.org/10.1111/j.2006.0906-7590.04596.x

Phillips SJ, Anderson RP, Schapire RE. Maximum entropy modeling of species geographic distributions. Ecol Model. 2006;190:231-59. https://doi.org/10.1016/j.ecolmodel.2005.03.026

Riverón-Giró FB, Raventós J, Damon A, García-González A, Mújica E. Spatio-temporal dynamics of the invasive orchid Oeceoclades maculata (Orchidaceae), in four different habitats in southeast Chiapas, Mexico. Biol Invasions. 2019;21:1905-19. https://doi.org/10.1007/s10530-019-01945-7

Duque PL, Liria J, Burgaleta E, Salazar J, Arrivillaga-Henríquez J, Enríquez S, et al. High mosquito diversity in an Amazonian village of Ecuador, surrounded by a Biological Reserve, using a rapid assessment method. J Entomol Acarological Res. 2019;51. https://doi.org/10.4081/jear.2019.7775

Pearson RG, Raxworthy CJ, Nakamura M, Townsend-Peterson A. Predicting species distributions from small numbers of occurrence records: a test case using cryptic geckos in Madagascar. J Biogeogr. 2007;34:102-17. https://doi.org/10.1111/j.1365-2699.2006.01594.x

Liu C, Newell G, White M. The effect of sample size on the accuracy of species distribution models: Considering both presences and pseudo-absences or background sites. Ecography. 2019;42:535-48. https://doi.org/10.1111/ecog.03188

Lyon NJ, Debinski DM, Rangwala I. Evaluating the utility of species distribution models in informing climate change-resilient grassland restoration strategy. Fron Ecol Evol. 2019;7:33. https://doi.org/10.3389/fevo.2019.00033

Fletcher Jr RJ, Hefley TJ, Robertson EP, Zuckerberg B, McCleery RA, Dorazio RM. A practical guide for combining data to model species distributions. Ecology. 2019;100. https://doi.org/10.1002/ecy.2710

Støa B, Halvorsen R, Stokland JN, Gusarov VI. How much is enough? Influence of number of presence observations on the performance of species distribution models. Sommerfeltia. 2019;39:1-28. https://doi.org/10.2478/som-2019-0001

Abdelaal M, Fois M, Fenu G, Bacchetta G. Using MaxEnt modeling to predict the potential distribution of the endemic plant Rosa arabica Crép. in Egypt. Ecol Inform. 2019;50:68-75. https://doi.org/10.1016/j.ecoinf.2019.01.003

Kariminejad N, Hosseinalizadeh M, Pourghasemi HR, Bernatek-Jakiel A, Campetella G, Ownegh M. Evaluation of factors affecting gully headcut location using summary statistics and the maximum entropy model: Golestan Province, NE Iran. Sci Total Environ. 2019;677:281-98. https://doi.org/10.1016/j.scitotenv.2019.04.306

Chen X, Dimitrov NB, Meyers LA. Uncertainty analysis of species distribution models. PLOS ONE. 2019;14:1-11. https://doi.org/10.1371/journal.pone.0214190

Fielding AH, Bell JF. A review of methods for the assessment of prediction errors in conservation presence/absence models. Environ Conserv. 1997;24:38-49. https://doi.org/10.1017/S0376892997000088

Guisan A, Broennimann O, Engler R, Vust M, Yoccoz NG, Lehmann A, et al. Using nichebased models to improve the sampling of rare species. Conserv Biol. 2006;20:501-11. https://doi.org/10.1111/j.1523-1739.2006.00354.x

Naranjo M, Moreno ÁC, Martín S. ¿Dónde buscar troglobiontes? Ensayo de una cartografía predictiva con MaxEnt en Gran Canaria (islas Canarias). Arxius de Miscellània Zoològica. 2014;12:83-92. https://doi.org/10.32800/amz.2014.12.0083

Comisión Nacional para la Biodiversidad. Portal de geoinformación, Sistema Nacional de Información Sobre Biodiversidad. Accessed: August 12, 2018. Available at: http://www.conabio.gob.mx/informacion/gis/

Waleckx E, Cámara-Mejía J, Ramírez-Sierra MJ, Cruz-Chan V, Rosado-Vallado M, Vázquez-Narváez S, et al. Una intervención innovadora de ecosalud para el control vectorial de la enfermedad de Chagas en Yucatán, México. Revista Biomédica. 2015;26:75-86.

Peña J, Perdomo LM, Cuartas DE. Geografía de la Salud, una visión de pasado y presente. Entorno Geográfico. 2013;9:146-58.

Chaves M, Esteban C, Gómez-Mantilla MA, Ballesteros-Orduz MF, Rangel-Laguado MA, Concha-Sánchez JG. Manual de modelamiento de datos geoespaciales para la identificación de la vocación agrológica de los predios del municipio de Piedecuesta según el dato del IGAC para el cultivo de la mora. Accessed: August 12, 2018. Available at: http://repositorio.uts.edu.co:8080/xmlui/handle/123456789/7821

Lorenzo MG, Guarneri AA, Pires HH, Diotaiuti L, Lazzari CR. Microclimatic properties of the Triatoma brasiliensis habitat. Cad Saúde Pública. 2000;16:S69-S74. https://doi.org/10.1590/S0102-311X2000000800007

Carbajal-de la Fuente AL, Fernández MP, Piccinali RV, Rodríguez-Planes LI, Duarte R, Gürtler RE. Occurrence of domestic and intrusive triatomines (Hemiptera: Reduviidae) in sylvatic habitats of the temperate Monte Desert ecoregion of Argentina. Acta Trop. 2019;196:37-41. https://doi.org/10.1016/j.actatropica.2019.04.028

Guarneri A, Diotaiuti L, Lazzari C, Lorenzo MG. The effect of relative humidity on Triatoma brasiliensis: Hygropreference and eclosion success. Mem Inst Oswaldo Cruz. 1998;93:349.

Parra-Henao G, Suárez-Escudero LC, González-Caro S. Potential distribution of Chagas disease vectors (Hemiptera: Reduviidae: Triatominae) in Colombia, based on ecological niche modeling. J Trop Med. 2016;2016:1-10. https://doi.org/10.1155/2016/1439090

Obara MT, da Silva Cardoso A, Pinto MC, de Souza CR, Silva RA, Gurgel-Gonçalves R. Eratyrus mucronatus Stål, 1859 (Hemiptera: Reduviidae: Triatominae): first report in the State of Acre, Brazil, and updated geographic distribution in South America. Check List. 2013;9:851-4. https://doi.org/10.15560/9.4.851

Di Luciano VS. Orientation of Triatoma infestans (Hemiptera: Reduviidae) to environmental temperatures. J Med Entomol. 1983;20:446-54.

Balsalobre A. ¿Qué especies de vinchucas modificarán su distribución geográfica en la Argentina? Accessed: August 21, 2018. Available at: http://sedici.unlp.edu.ar/handle/10915/52319

Martínez-Ibarra JA, Paredes-González E, Montañez-Valdez OD, Rocha-Chávez G, Nogueda-Torres B. La biología de tres especies mexicoamericanas de Triatominae (Hemiptera: Reduviidae): Triatoma recurva, Triatoma protracta y Triatoma rubida. Mem Inst Oswaldo Cruz. 2012;107:659-63. https://doi.org/10.1590/S0074-02762012000500013

Anderson RP, Lew D, Peterson AT. Evaluating predictive models of species’ distributions: Criteria for selecting optimal models. 2003; Ecological Modelling 162:211-32. https://doi.org/10.1016/S0304-3800(02)00349-6

Paredes-García DM, Ramírez-Bautista A, Martínez-Morales MA. Distribución y representatividad de las especies del género Crotalus en las áreas naturales protegidas de México. Revista Mexicana de Biodiversidad. 2011;82:689-700.

Cómo citar
1.
Torres ME, Rojas HL, Alatorre LC, Bravo LC, Uc MI, González MO, et al. Factores biogeográficos determinantes de la distribución de Triatoma recurva en Chihuahua, México, 2014. biomedica [Internet]. 1 de septiembre de 2020 [citado 28 de marzo de 2024];40(3):516-27. Disponible en: https://revistabiomedica.org/index.php/biomedica/article/view/5076

Algunos artículos similares:

Publicado
2020-09-01
Sección
Artículos originales

Métricas

Estadísticas de artículo
Vistas de resúmenes
Vistas de PDF
Descargas de PDF
Vistas de HTML
Otras vistas
Crossref Cited-by logo
QR Code