susceptibles_cohorte(nacidos = 1000, c1 = 0.90, c2 = 0.80) nacidos no_vacunados fallas_vacunales susceptibles
1 1000 100 31 131
Responde sin consultar el texto. Al terminar, vuelve a esta pregunta y comprueba si cambió tu respuesta.
1. En una cohorte de 1.000 niños con 90 % de una dosis de SRP y 80 % de dos, ¿cuál es la mayor fuente de susceptibles?
c. Con efectividades de 93 % y 97 %, las fallas suman 31 niños; los no vacunados, 100.
Al terminar este capítulo podrás:
Pregunta de trabajo: después de tres años con coberturas de SRP1 entre 85 % y 90 %, ¿cuántos niños menores de cinco años pueden contagiarse de sarampión en un cantón, y es suficiente para un brote?
Un niño es susceptible al sarampión si no tiene protección. Hay tres grupos:
Para una cohorte de \(N\) niños con cobertura de una dosis \(c_1\) y de dos dosis \(c_2\):
\[ S = N\left[(1-c_1) + (c_1-c_2)(1-e_1) + c_2(1-e_2)\right] \]
susceptibles_cohorte(nacidos = 1000, c1 = 0.90, c2 = 0.80) nacidos no_vacunados fallas_vacunales susceptibles
1 1000 100 31 131
En una cohorte de 1.000 niños con 90 % de una dosis y 80 % de dos, quedan 131 susceptibles: 100 no vacunados y 31 fallas vacunales. Los no vacunados son la mayor parte. Por eso la segunda dosis importa sobre todo porque alcanza a niños que no recibieron la primera, no solo porque corrige fallas.
Cada año entra una cohorte nueva con sus susceptibles y los de años anteriores no desaparecen salvo que se vacunen, se infecten o se vayan. Veamos un cantón hipotético con 1.000 nacimientos por año y una caída de coberturas en 2020 y 2021. Las coberturas son valores ilustrativos, no datos de ningún cantón:
historia <- data.frame(
cohorte = 2019:2025,
nacidos = 1000,
c1 = c(0.95, 0.85, 0.80, 0.88, 0.90, 0.92, 0.93),
c2 = c(0.90, 0.75, 0.70, 0.80, 0.85, 0.88, 0.90)
)
historia <- cbind(historia, susceptibles_cohorte(historia$nacidos, historia$c1, historia$c2)[-1])
historia$acumulados <- cumsum(historia$susceptibles)
historia[c("cohorte", "c1", "c2", "susceptibles", "acumulados")] cohorte c1 c2 susceptibles acumulados
1 2019 0.95 0.90 80.5 80.5
2 2020 0.85 0.75 179.5 260.0
3 2021 0.80 0.70 228.0 488.0
4 2022 0.88 0.80 149.6 637.6
5 2023 0.90 0.85 129.0 766.6
6 2024 0.92 0.88 109.2 875.8
7 2025 0.93 0.90 99.1 974.9
ggplot(historia, aes(cohorte, acumulados)) +
geom_col(fill = "#c0712b", width = 0.7) +
geom_hline(yintercept = 1000, linetype = 2) +
scale_x_continuous(breaks = historia$cohorte) +
labs(x = "Cohorte de nacimiento", y = "Susceptibles acumulados") +
theme_minimal(base_size = 12)
Al final de 2025, las siete cohortes suman 975 susceptibles, 0,97 veces una cohorte de nacimiento. Ningún año tuvo una cobertura catastrófica, pero las cohortes de 2020 y 2021 dejaron un bolsón que sigue ahí. Comparar los susceptibles acumulados con el tamaño de una cohorte es una forma práctica de expresarlos; no es un umbral epidemiológico, y la decisión de una campaña de seguimiento la toma el programa con más elementos.
La proporción de la población que debe ser inmune para que un caso importado no inicie una cadena sostenida es \(1 - 1/R_0\), donde \(R_0\) es el número de casos que produce un caso en una población totalmente susceptible. La función umbral_inmunidad() también divide por la efectividad para obtener la cobertura necesaria. Para el sarampión, \(R_0\) es alto y varía entre contextos; usamos tres valores ilustrativos:
umbral_inmunidad(r0 = c(12, 15, 18), efectividad = 0.97) r0 efectividad proporcion_inmune cobertura_necesaria
1 12 0.97 0.9166667 0.9450172
2 15 0.97 0.9333333 0.9621993
3 18 0.97 0.9444444 0.9736541
Incluso con dos dosis, la cobertura necesaria es de 95 % o más. El umbral supone mezcla homogénea: que cualquier persona tiene la misma probabilidad de contactar a cualquier otra. En la realidad los no vacunados se agrupan por barrio, escuela o comunidad, y un promedio cantonal por encima del umbral puede esconder grupos muy por debajo.
Con el registro nominal no hace falta suponer coberturas: se cuenta a cada niño según sus dosis válidas de SRP al corte. Cada niño aporta 1 si no tiene dosis, \(1 - e_1\) si tiene una y \(1 - e_2\) si tiene dos.
datos <- preparar_registro(n = 2000, semilla = 2026)
personas <- datos$personas
srp <- datos$evaluadas[datos$evaluadas$vacuna_codigo == "SRP" & datos$evaluadas$estado == "valida", ]
dosis_srp <- table(factor(srp$id_persona, levels = personas$id_persona))
personas$dosis_srp <- pmin(as.integer(dosis_srp[personas$id_persona]), 2)
personas$menor_12m <- sumar_meses(personas$fecha_nacimiento, 12) > datos$fecha_corte
personas$riesgo <- c(1, 1 - 0.93, 1 - 0.97)[personas$dosis_srp + 1]
resumen <- do.call(rbind, lapply(split(personas, personas$canton), function(p) data.frame(
canton = p$canton[1], ninos = nrow(p),
menores_12m = sum(p$menor_12m),
mayores_sin_dosis = sum(!p$menor_12m & p$dosis_srp == 0),
susceptibles = round(sum(p$riesgo), 1),
proporcion_inmune = round(1 - sum(p$riesgo) / nrow(p), 3))))
resumen canton ninos menores_12m mayores_sin_dosis susceptibles proporcion_inmune
C01 C01 614 37 35 92.7 0.849
C02 C02 496 25 53 93.9 0.811
C03 C03 386 15 60 86.8 0.775
C04 C04 239 10 80 95.8 0.599
C05 C05 265 13 36 57.3 0.784
En todos los cantones una parte de los susceptibles son menores de 12 meses que todavía no podían vacunarse: es inevitable y se resuelve con la vacunación oportuna a los 12 meses. Los que preocupan son los mayores de 12 meses sin ninguna dosis. En C04 son 80 de 239 niños. Ninguno de los cantones alcanza en sus menores de cuatro años la proporción inmune de la tabla anterior, aunque no es la comparación correcta: el umbral se refiere a toda la población, incluidos adolescentes y adultos.
A diferencia de la estimación por cohortes, el registro nominal dice quiénes son: se puede obtener la lista de mayores de 12 meses sin SRP por establecimiento para buscarlos.
pendientes <- personas[!personas$menor_12m & personas$dosis_srp == 0, ]
head(table(pendientes$establecimiento)[order(-table(pendientes$establecimiento))], 5)
C04-E1 C03-E3 C04-E2 C04-E3 C02-E2
30 28 25 25 22
Con coberturas de 85 % a 90 % durante tres años, cada cohorte deja entre 12 % y 18 % de niños susceptibles, contando las fallas vacunales. En un cantón con 1.000 nacimientos anuales eso suma varios cientos de niños menores de cinco años, a los que se agregan los menores de 12 meses. Si es «suficiente para un brote» no se responde con un número: depende de cómo se agrupan esos niños, de los adultos susceptibles, de la importación de casos y de la capacidad de detectarlos y responder. El capítulo da la primera pieza, la magnitud y la ubicación de los susceptibles. El caso 1 la combina con la vigilancia.
susceptibles_cohorte(1000, 0.90, c(0.80, 0.90)) evita \(1000 \times 0{,}10 \times (0{,}07 - 0{,}03) = 4\) susceptibles. susceptibles_cohorte(1000, c(0.90, 0.95), 0.85) evita unos 47, porque la mayor parte de la ganancia viene de vacunar a niños sin ninguna dosis.campana <- historia$cohorte %in% 2020:2024; historia$susceptibles[campana] <- historia$susceptibles[campana] * (1 - 0.85 * 0.93); sum(historia$susceptibles).1 - 0.93 por 1 - 0.85 en personas$riesgo. Aumentan más los cantones con más niños con una sola dosis; los no vacunados no cambian.Responde antes de abrir cada respuesta. Si fallas una, vuelve a la sección correspondiente antes de continuar.
2. ¿Por qué los susceptibles se acumulan entre cohortes?
a. Varios años de coberturas «casi buenas» suman un bolsón grande.
3. La cobertura necesaria para la inmunidad colectiva se calcula como:
d. La proporción inmune necesaria es 1 − 1/R0; como la vacuna no protege al 100 %, la cobertura debe ser mayor.
4. ¿Qué supuesto del umbral de inmunidad colectiva falla con más frecuencia en la práctica?
b. Un promedio por encima del umbral puede esconder barrios muy por debajo.
5. Dos barrios de 500 niños tienen 98 % y 78 % de cobertura. ¿Qué dice el promedio de 88 %?
b. La heterogeneidad importa más que el promedio.
6. ¿Qué ventaja tiene el registro nominal sobre la estimación por cohortes para trabajar con susceptibles?
d. La estimación dice cuántos; el registro dice quiénes.