Desbloqueando datos sobre la salud animal: lecciones de dos proyectos basados en datos
publicado el
06/14/2025
escrito por
Amélie Desvars-Larrive
Amélie es epidemióloga veterinaria en Vetmeduni Viena y en el Complexity Science Hub. Estudia las enfermedades zoonóticas, integrando la epidemiología de campo con enfoques de “Una sola salud” basados en datos.
¿Cómo pasamos de datos no estructurados a construir un entendimiento compartido y sistemas de salud más fuertes?
La epidemióloga veterinaria Amélie Desvars-Larrive comparte lecciones de dos proyectos innovadores que transforman los datos sobre la sanidad animal en conocimientos poderosos y utilizables; mostrando cómo los datos pueden impulsar una acción efectiva en el enfoque “Una sola salud”.
Los datos sobre la sanidad animal se refieren a cualquier información relacionada con la sanidad de los animales. Incluyen registros clínicos, perfiles de patógenos, resultados de laboratorio y detalles epidemiológicos. Estos datos juegan un papel fundamental en la vigilancia de enfermedades animales, el seguimiento de amenazas zoonóticas, la comprensión de patrones de enfermedad, la protección de la seguridad alimentaria, el apoyo a la salud pública y la orientación en la toma de decisiones políticas.
Un enfoque exitoso de “Una sola salud” depende del intercambio fluido, la integración, el análisis y la interpretación de datos entre sectores. Sin embargo, los datos sobre sanidad animal suelen estar no estructurados y dispersos en distintas agencias, plataformas y publicaciones. Además, se presentan en diversos formatos y niveles de detalle, lo que dificulta su integración y análisis. Estas brechas pueden provocar decisiones mal informadas, políticas ineficaces y una mala asignación de recursos.
La pandemia de la COVID-19 puso en evidencia estos desafíos. Mientras que los datos sobre casos humanos estuvieron disponibles rápidamente en formatos accesibles a través de múltiples canales, y a pesar de los llamados globales a un enfoque de “Una sola salud” para enfrentar la pandemia,junto con el primer caso reportado de SARS-CoV-2 en animales desde febrero de 2020, los datos estructurados y fácilmente utilizables sobre SARS-CoV-2 en animales quedaron rezagados. Esto expuso un punto ciego crítico en los sistemas de vigilancia.
Este problema va más allá de los marcos globales. Trabajando en un proyecto para modelar interacciones zoonóticas naturales en Austria, mi equipo enfrentó un gran obstáculo: la ausencia de una base de datos nacional integral que catalogue las fuentes y agentes zoonóticos. Esta brecha,que no es exclusiva de Austria, limita nuestra capacidad para comprender completamente sistemas zoonóticos con múltiples fuentes y agentes.
En los últimos cinco años, nuestro grupo de investigación ha abordado estos desafíos a través de dos proyectos basados en datos, transformando datos sobre la sanidad animal aislados y no estructurados en recursos FAIR (Encontrables, Accesibles, Interoperables y Reutilizables):
- SARS-ANI – Este proyecto recopiló el primer conjunto de datos estandarizado a nivel mundial sobre eventos de SARS-CoV-2 en animales, destacando brechas en los informes, como la subnotificación ante la Organización Mundial de Sanidad Animal (OMSA), retrasos en la publicación de casos y un sesgo en los reportes hacia especies domésticas.
- Austrian Zoonotic Web – Este proyecto transformó 47 años (1975–2022) de registros dispersos en un conjunto de datos estructurado y FAIR sobre interacciones zoonóticas en Austria. Los resultados revelaron que las especies domésticas, cinegéticas y sinantrópicas representan el mayor riesgo de transmisión zoonótica en Austria y evidenciaron la aparición de al menos ocho agentes zoonóticos en el país durante ese período.
Captura de pantalla del panel SARS-ANI: distribución de los eventos de SARS-CoV-2 reportados en animales.
Consideramos como “evento” un caso individual o varios casos relacionados epidemiológicamente en los que se identificó ARN viral y/o anticuerpos.
El tamaño del círculo es proporcional al número de eventos;
los colores de los círculos corresponden a las especies animales; los símbolos de animales representan familias taxonómicas.
Fuentes de datos: WAHIS y ProMED-mail de la Sociedad Internacional de Enfermedades Infecciosas.
Datos extraídos de Github el 22 de enero de 2025. Imagen de Amélie Desvars-Larrive, CC BY IGO 3.0
Ambos proyectos se basaron en información disponible públicamente. El conjunto de datos SARS-ANI consolida información sobre eventos de SARS-CoV-2 en animales proveniente del Programa de Monitoreo de Enfermedades Emergentes (ProMED-mail) y del Sistema Mundial de Información Zoosanitaria (WAHIS) de la Organización Mundial de Sanidad Animal (OMSA), desde 2020 hasta la actualidad. Posteriormente, lo enriquecimos con datos extraídos de preprints y publicaciones revisadas por pares.
Para el proyecto Austrian Zoonotic Web, realizamos una búsqueda sistemática de literatura científica y reportes nacionales de vigilancia para recopilar datos epidemiológicos sobre interacciones zoonóticas reportadas en Austria.
Sin embargo, extraer y estructurar datos manualmente fue una tarea laboriosa. Aunque métodos automatizados como el web scraping y el aprendizaje automático tienen gran potencial, la supervisión manual y la experiencia humana siguen siendo indispensables para validar datos complejos de salud, vincular eventos epidemiológicos o resolver inconsistencias. Para optimizar este proceso, utilizamos Excel para la compilación de datos y el entorno de software libre R para la limpieza sistemática, abordando problemas como duplicados, errores tipográficos y valores faltantes. Estudiantes de veterinaria de Vetmeduni Vienna jugaron un papel clave, aprovechando su conocimiento especializado para garantizar una extracción y validación de datos de alta calidad.
La identificación precisa de especies—ya sean animales, vectores o agentes infecciosos—es un requisito fundamental para evitar ambigüedades, garantizar la interoperabilidad de los datos y generar conocimientos útiles para la acción. ¿Uno de nuestros mayores desafíos? Las inconsistencias taxonómicas. Muchos nombres de especies estaban desactualizados, eran incorrectos o incompletos en las distintas fuentes. Para resolverlo, validamos y estandarizamos la nomenclatura utilizando la base de datos NCBI Taxonomy y el paquete de R taxize.
Para maximizar el impacto, seguimos los principios FAIR para la gestión y el manejo responsable de datos, lo que significa que nos aseguramos de que nuestros conjuntos de datos fueran:
- Encontrables (Findable) – Se asignaron identificadores digitales persistentes (DOIs) a los datos para facilitar su identificación y localización.
- Accesibles (Accessible) – Los conjuntos de datos estáticos se almacenaron en repositorios abiertos y confiables como Figshare y Zenodo, garantizando su preservación y fácil acceso.
- Interoperables (Interoperable) – El uso de formatos comunes como .csv y terminología estandarizada permitió su utilización entre sectores y disciplinas.
- Reutilizables (Reusable) – Se proporcionaron licencias claras (optamos por la licencia CC BY 4.0) y documentación para facilitar la reutilización de los datos.
Pero no nos limitamos a compartir los datos. También proporcionamos codebooks (que detallan todos los campos y códigos utilizados), scripts en R documentados para explorar los datos, reproducir nuestros resultados y servir como punto de partida para futuros análisis, así como archivos README con instrucciones paso a paso para comenzar a trabajar con los datos en R. Esto hizo que los datos no solo fueran accesibles, sino también accionables para otras personas, garantizando la transparencia y la reproducibilidad. Además, compartimos las fuentes de información, ya sea mediante enlaces incrustados en los conjuntos de datos o como documentos en una carpeta separada.
En el caso de SARS-ANI, fuimos un paso más allá utilizando la plataforma flexible de Github para ofrecer actualizaciones periódicas —inicialmente semanales y ahora mensuales— asegurando que los usuarios tengan acceso a la información más reciente disponible.
Representación en red de las interacciones zoonóticas naturales (“red zoonótica”) en Austria, 1975–2022.
Cada nodo de la red (círculo) representa un actor en la red zoonótica, con un conjunto de nodos (en negro)
que representa a los agentes zoonóticos y un segundo conjunto que representa las fuentes zoonóticas, clasificadas en distintas categorías:
hospedadores vertebrados (rojo), vectores artrópodos (amarillo), alimentos (azul) y medio ambiente (verde).
Un vínculo entre una fuente zoonótica y un agente indica que el agente fue detectado directa o indirectamente en dicha fuente.
Imagen de Amélie Desvars-Larrive, CC BY 4.0, vía Springer Nature
Visualizar datos es mucho más que presentar números o gráficos: se trata de contar una historia. Para hacer que los datos complejos sobre la salud animal fueran más accesibles y atractivos, trabajamos con una experta en visualización del Complexity Science Hub.
SARS-ANI VIS fue el primer panel de control global que rastreó eventos de SARS-CoV-2 en animales. Para el proyecto Zoonotic Web, desarrollamos visualizaciones interactivas, incluyendo un artículo con narrativa visual (scrollytelling) y un panel interactivo. Estas herramientas no solo mejoraron la comunicación entre audiencias científicas, políticas y públicas, sino que también fomentaron un mayor compromiso con los datos de salud animal, la epidemiología de las zoonosis y el enfoque de Una Salud.
La vigilancia “Una sola salud” solo es tan efectiva como los datos en los que se basa. Sin datos equitativos, oportunos, de alta calidad y FAIR, nuestra capacidad para predecir, prevenir y responder a amenazas sanitarias en la interfaz humano-animal-medio ambiente sigue siendo limitada. Por ello, creo firmemente que todos debemos:
- Promover el acceso libre y permanente a los datos: Utilizar repositorios de acceso abierto;
- Mejorar los estándares de datos y metadatos: Facilitar la localización y reutilización de los datos;
- Adoptar un enfoque con participación humana (human-in-the-loop): Combinar herramientas computacionales con validación experta para mantener la fiabilidad y precisión de los datos;
- Invertir en alfabetización en datos:Capacitar a profesionales en gestión y análisis de datos, especialmente en el ámbito veterinario;
- Reconocer las contribuciones: Atribuir el mérito a las fuentes y equipos por su trabajo;
- Mejorar la comunicación: Crear visualizaciones accesibles y atractivas para llegar a audiencias diversas.
Si abordamos estos desafíos de forma colaborativa, podremos fortalecer los datos sobre salud animal, mejorar la vigilancia integrada Una Salud y los mecanismos de alerta temprana, y construir un futuro donde los datos impulsen decisiones sanitarias más inteligentes, rápidas y eficaces.
Agradecimientos
Quisiera expresar mi más sincero agradecimiento a Eliza Muto, Anja Böck, Liuhuaying Yang y Gavrila Amadea Puspitarani por sus valiosos comentarios sobre el texto.
The Animal Echo aspira a fomentar la comprensión individual y colectiva de la salud y el bienestar de los animales. Le ofrecemos ideas y opiniones de expertos en salud y bienestar animal de todo el mundo. Las opiniones expresadas en The Animal Echo son las de su(s) autor(es) y no reflejan necesariamente la posición oficial de la OMSA.
Continue reading
Manténgase al día con nuestro boletín mensual. Reciba las últimas noticias de nuestra Organización, red y colaboradores. Incluye autodeclaraciones de los Miembros, artículos, conocimientos científicos, publicaciones y mucho más.
