Universidad: evidencias y modelos para la prevención

En esta webquest: Introducción · Tarea · Proceso · Recursos · Evaluación · Conclusión

Ficha de la actividad

Título para la web: Evidencias y modelos para prevenir la fiebre amarilla y el zika.

Destinatarios: alumnado de cursos avanzados de grado o de máster en Biología, Ciencias Ambientales, Salud, Geografía o titulaciones educativas con formación en métodos de investigación.
Dedicación orientativa: 15 horas, distribuidas en seis seminarios de 90 minutos y seis horas de trabajo autónomo.
Agrupamiento: equipos de cuatro o cinco.

Pregunta de investigación: ¿Qué aportan los modelos patogeográficos a la prevención de la fiebre amarilla y qué evidencias adicionales se necesitan para construir una propuesta específica sobre zika?

Los resultados de aprendizaje son distinguir las entidades y escalas de los modelos; evaluar la trazabilidad entre datos, resultados y decisiones; reproducir un ejemplo de integración difusa; reconocer límites de transferencia entre infecciones; y elaborar una recomendación de salud pública fundamentada, comprensible y revisable.

Introducción

Un equipo interdisciplinar os solicita una síntesis para una jornada de transferencia del proyecto Patogeografía espacio-temporal de las zoonosis mediadas por vertebrados voladores. La propuesta deberá explicar cómo se construye conocimiento útil para la prevención y qué afirmaciones excederían la evidencia disponible.

La memoria del proyecto articula preguntas sobre aves, murciélagos, patrones espaciales y alerta temprana. Las dos publicaciones de 2024 seleccionadas para esta webquest reconocen expresamente su financiación y desarrollan modelos de vectores y de transmisión de dengue y fiebre amarilla. La fiebre amarilla permite trabajar la integración de mosquitos, primates y ambiente. El zika se incorpora como caso comparativo que requiere evidencia propia. Los mosquitos no son vertebrados voladores y las dos publicaciones no modelan zika.

El encargo consiste en elaborar un informe técnico y una pieza de transferencia. Se trata de una simulación académica, sin mandato clínico ni evaluación operativa de un brote.

Fundamentos para el análisis

Entidades biológicas y epidemiológicas

Distinguid agente infeccioso, vector competente, hospedador susceptible, reservorio, hospedador amplificador y población humana expuesta. Una asociación espacial entre la distribución de una especie y los casos humanos puede ayudar a formular hipótesis, pero no identifica por sí sola un reservorio ni demuestra una ruta causal de transmisión (Murray et al., 2018; Olivero, 2021).

La fiebre amarilla combina ciclos selváticos y urbanos y, en África, formas intermedias de transmisión. En el ciclo urbano, Aedes aegypti constituye el vector principal. La infección en primates no humanos tiene relevancia para la ecología y vigilancia del ciclo selvático; no justifica medidas indiscriminadas contra estos animales (Monath y Vasconcelos, 2015).

La historia selvática africana del zika no autoriza a asumir el mismo sistema en todos los territorios. Fernandes et al. (2019) encontraron barreras de competencia vectorial en las especies neotropicales y condiciones experimentales que examinaron. Este resultado acota una hipótesis; no demuestra la imposibilidad universal de cualquier ciclo selvático. Contrastadlo con la epidemiología humana descrita por Musso et al. (2019) y Rabe et al. (2025), manteniendo separadas evidencia experimental, revisión epidemiológica e inferencia geográfica.

Favorabilidad y probabilidad

La función de favorabilidad ajusta la probabilidad de presencia estimada respecto a la proporción de presencias y ausencias de la muestra de modelización. Llamamos p a la probabilidad estimada, o a las odds correspondientes, n₁ al número de presencias y n₀ al número de ausencias. La razón entre presencias y ausencias se representa mediante r. La favorabilidad F se calcula así:

Un valor de favorabilidad de 0,5 corresponde a una probabilidad estimada igual a la proporción de presencias en esa muestra. No representa una probabilidad individual de infección del 50 %. La favorabilidad describe condiciones relativas para la presencia de la entidad modelizada; no indica directamente qué porcentaje de personas enfermará (Real et al., 2006; Acevedo y Real, 2012).

La prevalencia de presencia aquí es una propiedad de las unidades del conjunto de datos, no necesariamente la prevalencia clínica de una infección en personas. La transformación favorece la comparación entre salidas de modelos de presencia, pero no corrige automáticamente errores de muestreo, falsas ausencias o sesgos diagnósticos.

Escala e incertidumbre

Los trabajos de 2024 emplean una malla global de 18 874 hexágonos de aproximadamente 7774 km². Consideran dos periodos futuros, dos escenarios RCP y cinco modelos de circulación general; se obtienen diez combinaciones por periodo. Se exploran cambios de favorabilidad y dispersión entre proyecciones. Esa dispersión no equivale a un intervalo que contenga todas las fuentes posibles de incertidumbre.

Entre las decisiones metodológicas que requieren discusión figuran la conservación de variables no climáticas al proyectar, la estabilidad de relaciones estimadas, la escala espacial, el tratamiento de distribuciones de primates y la calidad de los registros de casos. La resolución global limita el uso para decisiones locales. RCP 4.5 y RCP 8.5 son los escenarios utilizados en esos artículos; no deben renombrarse como SSP sin una correspondencia metodológica justificada.

Publicaciones del proyecto que debéis analizar

U1: Modelo integrado de transmisión

Aliaga-Samanez, Romero, Murray, Cobos-Mayo, et al. (2024). Climate change is aggravating dengue and yellow fever transmission risk. Ecography. DOI: https://doi.org/10.1111/ecog.06942.

El artículo integra modelos de vectores y de enfermedad, con componentes ambientales y biogeográficos de primates. La intersección difusa representa factores limitantes. Se proyectan condiciones futuras y se comparan con el periodo 2001–2017. En la tabla siguiente se recogen resultados publicados del índice de incremento global I, definido mediante sumas de favorabilidad, no mediante recuentos de casos.

Infección	I en 2041–2060	I en 2061–2080	Magnitud que resume
Fiebre amarilla	0,051	0,071	Cambio relativo neto en la suma global de favorabilidad
Dengue	0,004	0,099	Cambio relativo neto en la suma global de favorabilidad

Fuente: Aliaga-Samanez, Romero, Murray, Cobos-Mayo, et al. (2024), apartado de resultados y figuras 1 y 2. El 0,071 se interpreta como un incremento cercano al 7,1 % de esa magnitud modelizada en el periodo lejano. No significa un 7,1 % más de personas infectadas, ni un aumento de 7,1 puntos porcentuales del riesgo individual. El dengue aparece para interpretar fielmente el artículo y no sustituye el caso de zika.

Preguntas de lectura: ¿qué cambia al incorporar primates y vectores selváticos?, ¿qué componentes del modelo se recalibran?, ¿qué incertidumbre refleja la desviación estándar de las proyecciones?, ¿qué relación hay entre resultados globales y heterogeneidad regional? Utilizad la figura 2 para la fiebre amarilla.

U2: Proyecciones de vectores

Aliaga-Samanez, Romero, Murray, Segura, et al. (2024). Potential climate change effects on the distribution of urban and sylvatic dengue and yellow fever vectors. Pathogens and Global Health. DOI: https://doi.org/10.1080/20477724.2024.2369377.

El artículo proyecta favorabilidad para especies de mosquitos urbanos y selváticos. Describe cambios regionales pese a la relativa estabilidad global y señala la necesidad de atención entomológica a especies menos estudiadas. Su objeto inmediato es el componente vectorial. No debe convertirse en una predicción clínica directa ni en una prueba de circulación de un virus en todas las áreas favorables.

Preguntas de lectura: ¿qué especies integran cada conjunto vectorial?, ¿qué se mantiene constante?, ¿qué distingue ganancia local de ganancia global?, ¿qué datos sobre presencia y competencia vectorial deberían verificarse antes de aplicar la proyección a otro patógeno?

Antecedentes que explican el enfoque

Murray et al. (2018), https://doi.org/10.1111/ecog.03625, articula el marco patogeográfico. Olivero (2021), https://doi.org/10.1002/9781119882381.ch11, ofrece una síntesis sobre biogeografía de enfermedades. Aliaga-Samanez et al. (2022), https://doi.org/10.1038/s42003-022-03492-9, es un antecedente específico de fiebre amarilla publicado antes del comienzo del proyecto en septiembre de 2022.

Los trabajos sobre Ébola de Olivero, Fa, Real, Farfán, et al. (2017), Olivero, Fa, Real, Márquez, et al. (2017) y Olivero et al. (2020) permiten contrastar el desarrollo de modelos y las inferencias sobre fauna y deforestación. Son antecedentes, no resultados sobre fiebre amarilla o zika ni publicaciones financiadas por este proyecto de 2021. Sus referencias completas figuran al final de esta página.

Tarea

Entregad un informe técnico de 2200 a 2800 palabras, sin contar anexos y referencias, una matriz de evidencias con al menos diez registros y una pieza de transferencia de una página dirigida a personas sin formación especializada. Preparad una defensa oral de ocho minutos.

El informe debe incluir:

1. Problema, alcance territorial y temporal y marco de Una Salud.
2. Análisis crítico de U1 y U2, con una ficha metodológica de cada artículo.
3. Comparación específica con zika, apoyada en estudios propios de esa infección.
4. Cálculos reproducibles del ejercicio y distinción entre datos simulados y resultados publicados.
5. Propuesta razonada de vigilancia y prevención, con indicadores, criterios de revisión y límites.
6. Bibliografía APA 7 con al menos ocho fuentes científicas con DOI: U1 y U2, tres sobre zika, una metodológica y otras dos pertinentes.

Cada estudiante entregará una nota individual de 400 a 500 palabras sobre una inferencia que aceptaría, una que rechazaría y la evidencia que podría modificar su posición. Adjuntará su contribución al trabajo y, si empleó IA generativa, una descripción de para qué la usó y cómo verificó sus resultados. La IA no se admite como fuente bibliográfica de hechos o DOI.

Proceso

Seminario 1: Formulamos preguntas y relaciones causales

Asignad responsabilidades de epidemiología, ecología de vectores, análisis de modelos y síntesis de evidencia; si sois cinco, añadid comunicación y participación comunitaria. Acordad una pregunta principal y dos secundarias. Un ejemplo es estudiar qué justifica priorizar vigilancia en una región con elevada favorabilidad y baja notificación.

Construid un diagrama dirigido con relaciones hipotéticas entre clima, agua y criaderos, distribución de vectores, exposición humana, infección, diagnóstico y notificación. Incorporad vacunación para fiebre amarilla y vías no vectoriales para zika en diagramas separados. Identificad al menos un factor de confusión y un mecanismo de observación. No presentéis el diagrama como un resultado demostrado por U1 o U2.

Seminario 2: Extraemos evidencia del proyecto

Leed resumen, métodos, resultados, discusión y financiación de U1 y U2. Para cada estudio registrad pregunta, entidad modelizada, unidades, periodos, predictores, procedencia de datos, combinación de modelos, evaluación, resultado principal, limitaciones y DOI. Localizad una figura que permita comprobar el resultado elegido.

La matriz de evidencias añadirá a cada afirmación el tipo de estudio, el lugar exacto del texto o figura, una interpretación autorizada y una extrapolación que no está autorizada. Diferenciad en esa matriz los resultados del proyecto de los antecedentes y de la literatura externa sobre zika.

Seminario 3: Contrastamos el caso de zika

Utilizad Petersen et al. (2016), Rasmussen et al. (2016), Musso et al. (2019), Messina et al. (2016), Fernandes et al. (2019) o Rabe et al. (2025), según vuestra pregunta. Leed las versiones corregidas cuando proceda.

Discutid tres transferencias: qué conceptos patogeográficos son compartidos; qué variables o mecanismos exigen evidencia específica; y qué interpretación del riesgo debe cambiar al incorporar transmisión sexual y consecuencias durante el embarazo. La semejanza entre mapas o vectores no basta para transferir coeficientes, umbrales o porcentajes entre infecciones.

Comparad asimismo una proyección de idoneidad con un mapa de notificación. Una baja notificación puede deberse a transmisión baja, pero también a sensibilidad insuficiente de vigilancia. Debe precisarse qué periodo cubre cada fuente. La revisión de Rabe et al. se publicó en 2025 y sintetiza información hasta diciembre de 2023: no constituye un parte de situación actualizado.

Seminario 4: Reproducimos una integración difusa

Este ejercicio utiliza seis unidades ficticias de igual superficie. Los valores son simulados y no proceden del proyecto. «Vector 1», «Vector 2» y «Vector 3» son componentes genéricos de un ejemplo para fiebre amarilla, sin atribución a especies reales. Todos los valores se interpretan como favorabilidad comparable, no como probabilidades individuales. El ejemplo simplifica deliberadamente el trabajo publicado y no reproduce sus estimaciones ni su ajuste estadístico.

Periodo actual — datos simulados

Unidad ficticia	Vector 1	Vector 2	Vector 3	Enfermedad (D)
A	0,8	0,3	0,2	0,7
B	0,2	0,7	0,1	0,4
C	0,1	0,2	0,9	0,8
D	0,6	0,5	0,4	0,2
E	0,2	0,1	0,1	0,6
F	0,7	0,6	0,2	0,9

Periodo futuro — datos simulados

Unidad ficticia	Vector 1	Vector 2	Vector 3	Enfermedad (D)
A	0,9	0,4	0,3	0,6
B	0,3	0,8	0,2	0,6
C	0,2	0,3	0,6	0,9
D	0,7	0,6	0,5	0,5
E	0,5	0,2	0,3	0,7
F	0,8	0,7	0,4	0,8

Para cada unidad y periodo calculad V = máximo de V1, V2 y V3; después T = mínimo de V y D. La unión de componentes vectoriales usa el máximo y la intersección con enfermedad usa el mínimo. Es una operación de conjuntos difusos, no una suma de probabilidades.

Calculad el cambio local como T futura − T actual. Para el conjunto de las seis unidades obtened I = (suma de T futura − suma de T actual) / suma de T actual. Obtened también M = suma de los mínimos entre T actual y T futura / suma de T actual. Explicad por qué el incremento agregado puede ser positivo aunque algunas unidades pierdan favorabilidad.

Como comprobación conceptual independiente, calculad F cuando p = 0,50, n1 = 20 y n0 = 80. Explicad por qué ese valor no representa el porcentaje de personas que enfermarán.

Entregad una tabla de resultados y las operaciones de una fila desarrolladas, en una hoja de cálculo o un cuaderno de análisis. Podéis introducir los valores de las tablas en una hoja de cálculo o utilizar el CSV de apoyo facilitado por el docente. En el CSV los decimales usan punto y los campos se separan por comas. No se exige programar ni ajustar un modelo de distribución desde cero. Para alumnado con formación estadística avanzada, añadid una propuesta de validación espacial o temporal, justificando qué datos independientes necesitaríais.

Seminario 5: Diseñamos una propuesta revisable

Definid un escenario de decisión y marcadlo como hipotético. Podéis comparar una región con antecedentes de fiebre amarilla y una región en la que se deba reforzar la vigilancia de zika. No asignéis valores reales de incidencia o cobertura si no habéis recuperado datos verificables del periodo y territorio.

La propuesta debe separar vigilancia entomológica, epidemiológica y ambiental y explicar quién coordina cada una. Para fiebre amarilla, examinad el papel de la vacunación y la vigilancia de epizootias bajo responsabilidad sanitaria. Para zika, incorporad las vías pertinentes y la protección durante el embarazo. Incluid accesibilidad de los mensajes y coordinación con comunidades y servicios públicos.

Definid tres indicadores con numerador, denominador cuando corresponda, frecuencia y responsable. Elegid un criterio explícito de revisión, por ejemplo revisar la priorización al confirmarse circulación local o cambiar la información sobre vectores. Ese criterio es una propuesta académica, no un protocolo oficial. Diferenciad la calidad de una decisión y la eficacia real de una intervención, que necesitaría evaluación.

Seminario 6: Revisamos por pares y defendemos

Otro equipo revisará dos afirmaciones fuertes, una decisión metodológica y una medida de prevención. Deberá abrir los DOI y comprobar que las fuentes citadas apoyan esas afirmaciones, además de verificar si existe corrección editorial.

En la defensa explicad qué aporta el proyecto y qué habéis añadido desde la literatura de zika. Responded qué parte del análisis seguiría siendo válida si cambiase la distribución de vectores o el nivel de vigilancia. Entregad una versión corregida y un registro breve de cambios.

Recursos y rutas de lectura

Núcleo obligatorio del proyecto: U1 y U2. Los enlaces DOI llevan a las páginas de los artículos. Utilizad el acceso abierto o el acceso bibliotecario autorizado al texto completo. Para U1 se recomienda figura 2 y la discusión sobre limitaciones de escala; para U2, métodos y discusión sobre vigilancia entomológica.

Marco conceptual y métodos: Murray et al. (2018), https://doi.org/10.1111/ecog.03625; Real et al. (2006), https://doi.org/10.1007/s10651-005-0003-3; Acevedo y Real (2012), https://doi.org/10.1007/s00114-012-0926-0. El capítulo de Olivero (2021) es ampliación mediante acceso autorizado, no requisito de compra.

Evidencia específica de zika: Messina et al. (2016), https://doi.org/10.7554/eLife.15272, para idoneidad espacial; Rasmussen et al. (2016), https://doi.org/10.1056/NEJMsr1604338, para causalidad de consecuencias congénitas; Fernandes et al. (2019), https://doi.org/10.1038/s41598-019-56669-4, para competencia vectorial; Rabe et al. (2025), https://doi.org/10.4269/ajtmh.24-0420, para revisión epidemiológica. Seleccionad al menos tres según la pregunta, sin omitir las diferencias de diseño.

Prevención y carga de fiebre amarilla: Monath y Vasconcelos (2015), https://doi.org/10.1016/j.jcv.2014.08.030; Gaythorpe et al. (2021), https://doi.org/10.7554/eLife.64670. Las estimaciones poblacionales no deben confundirse con casos notificados.

Integración de sectores: One Health High-Level Expert Panel (OHHLEP) et al. (2022), https://doi.org/10.1371/journal.ppat.1010537. Usad el marco de Una Salud para explicar la coordinación, no como demostración de la eficacia de vuestra intervención.

Mapa de trabajo: fiebre amarilla

Mapas globales de favorabilidad de transmisión de fiebre amarilla: periodo 2001–2017 y proyecciones 2041–2060 y 2061–2080. Incluye cambios y dispersión entre proyecciones; no representa casos ni probabilidades individuales.

Adaptación al castellano de la figura 2 de Aliaga-Samanez, Romero, Murray, Cobos-Mayo, et al. (2024), Ecography, e06942. DOI: 10.1111/ecog.06942. Licencia CC BY 4.0. Rótulos y pie traducidos. Para el análisis académico, contrastad siempre la adaptación con la figura 2 y su leyenda en el artículo original.

Datos para el ejercicio

El ejercicio contiene seis unidades ficticias, recogidas en las tablas del seminario 4. Podéis copiar sus valores a una hoja de cálculo; el docente también dispone de un CSV de apoyo con los mismos datos. Los valores son simulados y no son resultados del proyecto.

Evaluación

Se asigna un 70 % al trabajo grupal y un 30 % a la nota individual. Cada criterio grupal recibe un nivel de 0 a 4; 0 indica ausencia de evidencia. Puntuación grupal sobre 100 = suma de peso × nivel / 4.

Criterio y peso	Nivel 4	Nivel 3	Nivel 2	Nivel 1
Evaluación de U1 y U2 25 %	Identifica diseño, contribución, financiación y límites con precisión	Lectura correcta con alguna omisión	Resumen descriptivo con confusiones metodológicas	Atribuye resultados o alcances que los artículos no ofrecen
Comparación con zika 20 %	Integra evidencia específica y justifica límites de transferencia	Comparación fundada con una limitación poco desarrollada	Analogías incompletas o sin contraste suficiente	Traslada directamente resultados de otra infección
Reproducibilidad y datos 20 %	Cálculos correctos, trazables y simulación bien identificada	Cálculos correctos con documentación parcial	Errores menores o interpretación débil	Errores centrales o datos simulados presentados como reales
Síntesis y propuesta 20 %	Acciones vinculadas a evidencia e indicadores y revisión definidos	Propuesta coherente con concreción parcial	Medidas generales con débil conexión a evidencia	Recomendaciones injustificadas o clínicamente improcedentes
Trazabilidad y transferencia 15 %	Diez registros, ocho DOI pertinentes, citas precisas y mensaje comprensible	Fuentes suficientes con defectos menores	Referencias incompletas o pieza poco comprensible	Evidencia insuficiente o fuentes no verificables

La nota individual se puntúa sobre 100: 40 puntos por justificar las inferencias aceptadas y rechazadas, 30 por identificar evidencia capaz de cambiar la conclusión, 20 por reflexión metodológica y 10 por trazabilidad de la contribución. Nota final sobre 10 = (0,70 × puntuación grupal + 0,30 × puntuación individual) / 10.

Conclusión

Los modelos patogeográficos permiten organizar datos ambientales, biológicos y epidemiológicos y plantear hipótesis útiles para orientar la vigilancia. Su valor depende de la calidad de la evidencia, de la escala y de que las decisiones respeten los límites del modelo.

La síntesis final debe explicar qué contribución concreta procede del proyecto, qué evidencia sustenta el análisis de zika y qué incertidumbres siguen abiertas. Cerrad con una decisión defendible y una condición explícita para revisarla.

Referencias de este recorrido

Acevedo, P., & Real, R. (2012). Favourability: Concept, distinctive characteristics and potential usefulness. Naturwissenschaften, 99(7), 515–522. https://doi.org/10.1007/s00114-012-0926-0

Aliaga-Samanez, A., Cobos-Mayo, M., Real, R., Segura, M., Romero, D., Fa, J. E., & Olivero, J. (2021). Worldwide dynamic biogeography of zoonotic and anthroponotic dengue. PLOS Neglected Tropical Diseases, 15(6), e0009496. https://doi.org/10.1371/journal.pntd.0009496

Aliaga-Samanez, A., Real, R., Segura, M., Marfil-Daza, C., & Olivero, J. (2022). Yellow fever surveillance suggests zoonotic and anthroponotic emergent potential. Communications Biology, 5(1), Artículo 530. https://doi.org/10.1038/s42003-022-03492-9

Aliaga-Samanez, A., Romero, D., Murray, K., Cobos-Mayo, M., Segura, M., Real, R., & Olivero, J. (2024). Climate change is aggravating dengue and yellow fever transmission risk. Ecography, 2024(10), Artículo e06942. https://doi.org/10.1111/ecog.06942

Aliaga-Samanez, A., Romero, D., Murray, K., Segura, M., Real, R., & Olivero, J. (2024). Potential climate change effects on the distribution of urban and sylvatic dengue and yellow fever vectors. Pathogens and Global Health, 118(5), 397–407. https://doi.org/10.1080/20477724.2024.2369377

Dick, G. W. A., Kitchen, S. F., & Haddow, A. J. (1952). Zika virus (I). Isolations and serological specificity. Transactions of the Royal Society of Tropical Medicine and Hygiene, 46(5), 509–520. https://doi.org/10.1016/0035-9203(52)90042-4

Fernandes, R. S., Bersot, M. I., Castro, M. G., Telleria, E. L., Ferreira-de-Brito, A., Raphael, L. M., Bonaldo, M. C., & Lourenço-de-Oliveira, R. (2019). Low vector competence in sylvatic mosquitoes limits Zika virus to initiate an enzootic cycle in South America. Scientific Reports, 9(1), Artículo 20151. https://doi.org/10.1038/s41598-019-56669-4

Fernandes, R. S., Bersot, M. I., Castro, M. G., Telleria, E. L., Ferreira-de-Brito, A., Raphael, L. M., Bonaldo, M. C., & Lourenço-de-Oliveira, R. (2021). Author correction: Low vector competence in sylvatic mosquitoes limits Zika virus to initiate an enzootic cycle in South America. Scientific Reports, 11(1), Artículo 12677. https://doi.org/10.1038/s41598-021-91676-4

Gaythorpe, K. A. M., Hamlet, A., Jean, K., Garkauskas Ramos, D., Cibrelus, L., Garske, T., & Ferguson, N. (2021). The global burden of yellow fever. eLife, 10, Artículo e64670. https://doi.org/10.7554/eLife.64670

Krauer, F., Riesen, M., Reveiz, L., Oladapo, O. T., Martínez-Vega, R., Porgo, T. V., Haefliger, A., Broutet, N. J., Low, N., & WHO Zika Causality Working Group. (2017). Zika virus infection as a cause of congenital brain abnormalities and Guillain–Barré syndrome: Systematic review. PLOS Medicine, 14(1), e1002203. https://doi.org/10.1371/journal.pmed.1002203

Messina, J. P., Kraemer, M. U. G., Brady, O. J., Pigott, D. M., Shearer, F. M., Weiss, D. J., Golding, N., Ruktanonchai, C. W., Gething, P. W., Cohn, E., Brownstein, J. S., Khan, K., Tatem, A. J., Jaenisch, T., Murray, C. J. L., Marinho, F., Scott, T. W., & Hay, S. I. (2016). Mapping global environmental suitability for Zika virus. eLife, 5, Artículo e15272. https://doi.org/10.7554/eLife.15272

Monath, T. P., & Vasconcelos, P. F. C. (2015). Yellow fever. Journal of Clinical Virology, 64, 160–173. https://doi.org/10.1016/j.jcv.2014.08.030

Mordecai, E. A., Cohen, J. M., Evans, M. V., Gudapati, P., Johnson, L. R., Lippi, C. A., Miazgowicz, K., Murdock, C. C., Rohr, J. R., Ryan, S. J., Savage, V., Shocket, M. S., Stewart Ibarra, A., Thomas, M. B., & Weikel, D. P. (2017). Detecting the impact of temperature on transmission of Zika, dengue, and chikungunya using mechanistic models. PLOS Neglected Tropical Diseases, 11(4), e0005568. https://doi.org/10.1371/journal.pntd.0005568

Mordecai, E. A., Cohen, J. M., Evans, M. V., Gudapati, P., Johnson, L. R., Lippi, C. A., Miazgowicz, K., Murdock, C. C., Rohr, J. R., Ryan, S. J., Savage, V., Shocket, M. S., Stewart Ibarra, A., Thomas, M. B., & Weikel, D. P. (2022). Correction: Detecting the impact of temperature on transmission of Zika, dengue, and chikungunya using mechanistic models. PLOS Neglected Tropical Diseases, 16(6), e0010514. https://doi.org/10.1371/journal.pntd.0010514

Murray, K. A., Olivero, J., Roche, B., Tiedt, S., & Guégan, J.-F. (2018). Pathogeography: Leveraging the biogeography of human infectious diseases for global health management. Ecography, 41(9), 1411–1427. https://doi.org/10.1111/ecog.03625

Musso, D., Ko, A. I., & Baud, D. (2019). Zika virus infection—After the pandemic. New England Journal of Medicine, 381(15), 1444–1457. https://doi.org/10.1056/NEJMra1808246

Olivero, J. (2021). Biogeography of diseases. En E. Guilbert (Ed.), Biogeography: An integrative approach of the evolution of living (pp. 275–301). ISTE; Wiley. https://doi.org/10.1002/9781119882381.ch11

Olivero, J., Fa, J. E., Farfán, M. Á., Márquez, A. L., Real, R., Juste, F. J., Leendertz, S. A., & Nasi, R. (2020). Human activities link fruit bat presence to Ebola virus disease outbreaks. Mammal Review, 50(1), 1–10. https://doi.org/10.1111/mam.12173

Olivero, J., Fa, J. E., Real, R., Farfán, M. Á., Márquez, A. L., Vargas, J. M., Gonzalez, J. P., Cunningham, A. A., & Nasi, R. (2017). Mammalian biogeography and the Ebola virus in Africa. Mammal Review, 47(1), 24–37. https://doi.org/10.1111/mam.12074

Olivero, J., Fa, J. E., Real, R., Márquez, A. L., Farfán, M. A., Vargas, J. M., Gaveau, D., Salim, M. A., Park, D., Suter, J., King, S., Leendertz, S. A., Sheil, D., & Nasi, R. (2017). Recent loss of closed forests is associated with Ebola virus disease outbreaks. Scientific Reports, 7(1), Artículo 14291. https://doi.org/10.1038/s41598-017-14727-9

One Health High-Level Expert Panel (OHHLEP), Adisasmito, W. B., Almuhairi, S., Behravesh, C. B., Bilivogui, P., Bukachi, S. A., Casas, N., Cediel Becerra, N., Charron, D. F., Chaudhary, A., Ciacci Zanella, J. R., Cunningham, A. A., Dar, O., Debnath, N., Dungu, B., Farag, E., Gao, G. F., Hayman, D. T. S., Khaitsa, M., … Zhou, L. (2022). One Health: A new definition for a sustainable and healthy future. PLOS Pathogens, 18(6), e1010537. https://doi.org/10.1371/journal.ppat.1010537

Petersen, L. R., Jamieson, D. J., Powers, A. M., & Honein, M. A. (2016). Zika virus. New England Journal of Medicine, 374(16), 1552–1563. https://doi.org/10.1056/NEJMra1602113

Rabe, I. B., Hills, S. L., Haussig, J. M., Walker, A. T., dos Santos, T., San Martin, J. L., Gutierrez, G., Mendez-Rico, J., Rodriguez, J. C., Elizondo-Lopez, D., Gonzalez-Escobar, G., Chanda, E., Al Eryani, S. M., Kodama, C., Yajima, A., Kakkar, M., Kato, M., Wijesinghe, P. R., Samaraweera, S., … Rojas, D. P. (2025). A review of the recent epidemiology of Zika virus infection. The American Journal of Tropical Medicine and Hygiene, 112(5), 1026–1035. https://doi.org/10.4269/ajtmh.24-0420

Rasmussen, S. A., Jamieson, D. J., Honein, M. A., & Petersen, L. R. (2016). Zika virus and birth defects—Reviewing the evidence for causality. New England Journal of Medicine, 374(20), 1981–1987. https://doi.org/10.1056/NEJMsr1604338

Real, R., Barbosa, A. M., & Vargas, J. M. (2006). Obtaining environmental favourability functions from logistic regression. Environmental and Ecological Statistics, 13(2), 237–245. https://doi.org/10.1007/s10651-005-0003-3

Actualización sanitaria y contexto institucional

World Health Organization. (2025, 20 de octubre). Yellow fever. https://www.who.int/news-room/fact-sheets/detail/yellow-fever

World Health Organization. (2025, 6 de noviembre). Zika virus. https://www.who.int/news-room/fact-sheets/detail/zika-virus