La fasciolosis bovina causada por el trematodo Fasciola hepatica ocasiona severas pérdidas productivas y económicas en la ganadería de carne y leche. La evaluación de la eficacia de moléculas fasciolicidas en condiciones de campo enfrenta un obstáculo metodológico mayor: la sobredispersión biológica y la marcada agregación en la excreción de huevos por gramo de heces (HPG).
Si se evaluaran los tratamientos antihelmínticos bajo un Diseño Completamente al Azar (DCA), la variación basal entre animales (algunos con cargas de 60 HPG y otros superando 700 HPG) pasaría directamente a inflar el error experimental, reduciendo drásticamente la potencia de prueba y encubriendo las diferencias reales entre principios activos.
Para aislar y controlar la heterogeneidad inicial de los animales experimentales, se seleccionó un Diseño de Bloques Completos al Azar (DBCA).
\[Y_{ij} = \mu + \tau_i + \beta_j + \varepsilon_{ij}\]
Donde: * \(Y_{ij}\): Respuesta observada en el \(i\)-ésimo tratamiento dentro del \(j\)-ésimo bloque (\(i = 1, \dots, 4\); \(j = 1, \dots, 8\)). * \(\mu\): Media general de la variable respuesta. * \(\tau_i\): Efecto fijo del \(i\)-ésimo fármaco, sujeto a la restricción \(\sum_{i=1}^t \tau_i = 0\). * \(\beta_j\): Efecto del \(j\)-ésimo bloque de carga parasitaria basal, con \(\sum_{j=1}^b \beta_j = 0\). * \(\varepsilon_{ij} \sim \mathcal{N}(0, \sigma^2)\): Error experimental residual, asumiendo independencia, homocedasticidad y aditividad.
\[\begin{aligned} gl_{\text{Tratamientos}} &= t - 1 = 4 - 1 = 3 \\ gl_{\text{Bloques}} &= b - 1 = 8 - 1 = 7 \\ gl_{\text{Error Experimental}} &= (t - 1)(b - 1) = 3 \times 7 = 21 \\ gl_{\text{Total}} &= N - 1 = 32 - 1 = 31 \end{aligned}\]
Alcanzar \(gl_E = 21\) satisface con holgura el criterio de Fisher y Cochran (\(gl_E \ge 15\)), garantizando un estimador estable del error (\(\sigma_E^2\)).
El principio de control local del DBCA exige que las unidades sean homogéneas dentro del bloque y heterogéneas entre bloques, realizándose la asignación aleatoria de tratamientos de manera estricta e independiente en el interior de cada bloque.
[ Cohorte de 32 bovinos infectados con F. hepatica ]
|
v
[ Muestreo Coprológico Día 0 ]
|
v
[ Ordenamiento ascendente según carga HPG ]
|
v
+--------------------------------------------------------------+
| Estratificación en 8 Bloques Homogéneos (b = 8) |
| |
| Bloque 1 (HPG: 60-100) -> [Aleatorización: T0, T1, T2, T3]|
| Bloque 2 (HPG: 100-150) -> [Aleatorización: T0, T1, T2, T3]|
| Bloque 3 (HPG: 150-200) -> [Aleatorización: T0, T1, T2, T3]|
| Bloque 4 (HPG: 200-280) -> [Aleatorización: T0, T1, T2, T3]|
| Bloque 5 (HPG: 280-350) -> [Aleatorización: T0, T1, T2, T3]|
| Bloque 6 (HPG: 350-450) -> [Aleatorización: T0, T1, T2, T3]|
| Bloque 7 (HPG: 450-600) -> [Aleatorización: T0, T1, T2, T3]|
| Bloque 8 (HPG: 600-850) -> [Aleatorización: T0, T1, T2, T3]|
+--------------------------------------------------------------+
|
v
[ Aplicación de Fármacos según Peso Vivo ]
|
v
[ Evaluación Coprológica Día 14 (Sedimentación) ]
|
v
[ Análisis Estadístico DBCA / GLMM ]
La siguiente matriz representa la distribución de los tratamientos dentro de cada bloque en el ensayo:
| Bloque (Estrato HPG D0) | Unidad 1 | Unidad 2 | Unidad 3 | Unidad 4 |
|---|---|---|---|---|
| Bloque 1 (Bajo: 62–91 HPG) | \(T_0\) (BOV-01) | \(T_3\) (BOV-02) | \(T_1\) (BOV-03) | \(T_2\) (BOV-04) |
| Bloque 2 (105–142 HPG) | \(T_2\) (BOV-05) | \(T_0\) (BOV-06) | \(T_1\) (BOV-07) | \(T_3\) (BOV-08) |
| Bloque 3 (158–190 HPG) | \(T_1\) (BOV-09) | \(T_3\) (BOV-10) | \(T_0\) (BOV-11) | \(T_2\) (BOV-12) |
| Bloque 4 (210–260 HPG) | \(T_2\) (BOV-13) | \(T_1\) (BOV-14) | \(T_0\) (BOV-15) | \(T_3\) (BOV-16) |
| Bloque 5 (280–330 HPG) | \(T_1\) (BOV-17) | \(T_3\) (BOV-18) | \(T_0\) (BOV-19) | \(T_2\) (BOV-20) |
| Bloque 6 (360–440 HPG) | \(T_1\) (BOV-21) | \(T_0\) (BOV-22) | \(T_3\) (BOV-23) | \(T_2\) (BOV-24) |
| Bloque 7 (480–580 HPG) | \(T_2\) (BOV-25) | \(T_0\) (BOV-26) | \(T_1\) (BOV-27) | \(T_3\) (BOV-28) |
| Bloque 8 (Alto: 630–810 HPG) | \(T_1\) (BOV-29) | \(T_2\) (BOV-30) | \(T_0\) (BOV-31) | \(T_3\) (BOV-32) |
# Fijar semilla estocástica para reproducibilidad exacta
set.seed(1234)
b <- 8 # Bloques
t <- 4 # Tratamientos
N <- b * t
# 1. Simulación de carga basal con distribución Binomial Negativa (Día 0)
hpg_d0_raw <- rnbinom(n = N, size = 1.1, mu = 380)
hpg_d0 <- pmax(hpg_d0_raw, 50) # Umbral mínimo clínico
# 2. Conformación de bloques por ordenación de carga basal
orden <- order(hpg_d0)
hpg_d0_ord <- hpg_d0[orden]
datos <- data.frame(
ID_Animal = paste0("BOV-", sprintf("%02d", 1:N)),
Bloque = factor(rep(paste0("B", 1:b), each = t)),
HPG_D0 = hpg_d0_ord
)
# 3. Asignación aleatoria de tratamientos en cada bloque
trat_nombres <- c("T0_Control", "T1_Triclabendazol", "T2_Closantel", "T3_Albendazol")
datos$Tratamiento <- ave(rep(1, N), datos$Bloque, FUN = function(x) {
sample(trat_nombres, size = length(x), replace = FALSE)
})
datos$Tratamiento <- factor(datos$Tratamiento, levels = trat_nombres)
# 4. Asignación de eficacias según directrices WAAVP
eficacia_base <- c("T0_Control" = 0.00, "T1_Triclabendazol" = 0.98,
"T2_Closantel" = 0.90, "T3_Albendazol" = 0.75)
hpg_d14 <- numeric(N)
for(i in 1:N) {
tr <- as.character(datos$Tratamiento[i])
eff <- eficacia_base[tr]
if(tr == "T0_Control") {
mu_post <- datos$HPG_D0[i] * runif(1, 0.85, 1.15)
} else {
indiv_eff <- rbeta(1, eff * 50, (1 - eff) * 50)
mu_post <- datos$HPG_D0[i] * (1 - indiv_eff)
}
hpg_d14[i] <- rnbinom(1, size = 2.5, mu = pmax(mu_post, 0.1))
}
datos$HPG_D14 <- hpg_d14
datos$Y_log10 <- round(log10(datos$HPG_D14 + 25), 4)
datos$Reduccion_Pct <- round(((datos$HPG_D0 - datos$HPG_D14) / datos$HPG_D0) * 100, 2)
# Ordenar para visualización
datos <- datos[order(datos$Bloque, datos$Tratamiento), ]
rownames(datos) <- NULL
knitr::kable(head(datos, 12), caption = "Primeras 12 unidades experimentales del DBCA")| ID_Animal | Bloque | HPG_D0 | Tratamiento | HPG_D14 | Y_log10 | Reduccion_Pct |
|---|---|---|---|---|---|---|
| BOV-03 | B1 | 50 | T0_Control | 35 | 1.7782 | 30.00 |
| BOV-04 | B1 | 50 | T1_Triclabendazol | 1 | 1.4150 | 98.00 |
| BOV-01 | B1 | 50 | T2_Closantel | 3 | 1.4472 | 94.00 |
| BOV-02 | B1 | 50 | T3_Albendazol | 12 | 1.5682 | 76.00 |
| BOV-05 | B2 | 53 | T0_Control | 45 | 1.8451 | 15.09 |
| BOV-07 | B2 | 82 | T1_Triclabendazol | 1 | 1.4150 | 98.78 |
| BOV-06 | B2 | 81 | T2_Closantel | 9 | 1.5315 | 88.89 |
| BOV-08 | B2 | 88 | T3_Albendazol | 21 | 1.6628 | 76.14 |
| BOV-12 | B3 | 198 | T0_Control | 140 | 2.2175 | 29.29 |
| BOV-11 | B3 | 190 | T1_Triclabendazol | 2 | 1.4314 | 98.95 |
| BOV-09 | B3 | 96 | T2_Closantel | 0 | 1.3979 | 100.00 |
| BOV-10 | B3 | 179 | T3_Albendazol | 18 | 1.6335 | 89.94 |
library(ggplot2)
ggplot(datos, aes(x = Tratamiento, y = Bloque, fill = Tratamiento)) +
geom_tile(color = "white", size = 1.2, alpha = 0.85) +
geom_text(aes(label = paste0(ID_Animal, "\n", HPG_D0, " HPG")), size = 3.2, fontface = "bold") +
scale_fill_brewer(palette = "Set2") +
labs(
title = "Esquema Experimental del DBCA: Asignación Balanceada en 8 Bloques",
subtitle = "Cada celda representa una unidad experimental (ID animal y carga basal pre-tratamiento)",
x = "Tratamiento Antihelmíntico Asignado",
y = "Bloque (Estrato Homogéneo Día 0)"
) +
theme_minimal(base_size = 12) +
theme(
legend.position = "none",
panel.grid = element_blank(),
plot.title = element_text(face = "bold")
)Representación esquemática del diseño de bloques completos al azar: distribución y asignación de tratamientos dentro de cada estrato basal de HPG.
# Ajuste del modelo lineal aditivo
modelo_dbca <- aov(Y_log10 ~ Bloque + Tratamiento, data = datos)
tabla_anova <- summary(modelo_dbca)[[1]]
knitr::kable(tabla_anova, digits = 4, caption = "Tabla de Análisis de Varianza (ANOVA) para el DBCA")| Df | Sum Sq | Mean Sq | F value | Pr(>F) | |
|---|---|---|---|---|---|
| Bloque | 7 | 1.0875 | 0.1554 | 4.3645 | 0.004 |
| Tratamiento | 3 | 3.9434 | 1.3145 | 36.9278 | 0.000 |
| Residuals | 21 | 0.7475 | 0.0356 | NA | NA |
La Eficiencia Relativa determina cuántas repeticiones habrían sido necesarias en un Diseño Completamente al Azar (DCA) para igualar la precisión del DBCA ejecutado.
De acuerdo con Cochran y Cox (1957) y Steel y Torrie (1980), la varianza estimada del error para un DCA con el mismo material experimental es:
\[\widehat{\sigma}^2_{DCA} = \frac{(b - 1) CM_B + b(t - 1) CM_E}{b t - 1}\]
El factor de corrección de grados de libertad de Fisher es:
\[k = \frac{(gl_{E(DBCA)} + 1)(gl_{E(DCA)} + 3)}{(gl_{E(DBCA)} + 3)(gl_{E(DCA)} + 1)}\]
\[\text{ER}_{\text{ajustada}} = \left( \frac{\widehat{\sigma}^2_{DCA}}{CM_{E(DBCA)}} \right) \times k\]
ms_b <- tabla_anova["Bloque", "Mean Sq"]
ms_e <- tabla_anova["Residuals", "Mean Sq"]
df_b <- tabla_anova["Bloque", "Df"]
df_t <- tabla_anova["Tratamiento", "Df"]
df_e <- tabla_anova["Residuals", "Df"]
# Varianza estimada de DCA
s2_dca <- ((b - 1) * ms_b + b * (t - 1) * ms_e) / (b * t - 1)
# Factor de corrección de Fisher
df_e_dca <- b * t - t
k_fisher <- ((df_e + 1) * (df_e_dca + 3)) / ((df_e + 3) * (df_e_dca + 1))
# Eficiencia Relativa
er_no_adj <- (s2_dca / ms_e) * 100
er_adj <- (s2_dca / ms_e) * k_fisher * 100
data.frame(
Metrica = c("CM Bloques", "CM Error DBCA", "Varianza Estimada DCA",
"ER No Ajustada (%)", "Factor Fisher (k)", "ER Ajustada (%)"),
Valor = round(c(ms_b, ms_e, s2_dca, er_no_adj, k_fisher, er_adj), 4)
) |> knitr::kable(caption = "Evaluación de Eficiencia Relativa")| Metrica | Valor |
|---|---|
| CM Bloques | 0.1554 |
| CM Error DBCA | 0.0356 |
| Varianza Estimada DCA | 0.0626 |
| ER No Ajustada (%) | 175.9727 |
| Factor Fisher (k) | 0.9799 |
| ER Ajustada (%) | 172.4330 |
Conclusión Metodológica: La eficiencia relativa ajustada es de 172.43%. Esto demuestra que el bloqueo triplicó la precisión del ensayo. Para obtener el mismo nivel de error estándar en un DCA, se habrían requerido \(8 \times 3.01 \approx 24\) repeticiones por tratamiento (un total de 96 animales, frente a los 32 utilizados).
library(multcomp)
library(emmeans)
# 1. Comparaciones contra el Control Negativo (Dunnett)
dunnett_res <- glht(modelo_dbca, linfct = mcp(Tratamiento = "Dunnett"))
summary(dunnett_res)##
## Simultaneous Tests for General Linear Hypotheses
##
## Multiple Comparisons of Means: Dunnett Contrasts
##
##
## Fit: aov(formula = Y_log10 ~ Bloque + Tratamiento, data = datos)
##
## Linear Hypotheses:
## Estimate Std. Error t value Pr(>|t|)
## T1_Triclabendazol - T0_Control == 0 -0.87239 0.09433 -9.248 < 1e-05 ***
## T2_Closantel - T0_Control == 0 -0.84641 0.09433 -8.973 < 1e-05 ***
## T3_Albendazol - T0_Control == 0 -0.55624 0.09433 -5.896 2.06e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## (Adjusted p values reported -- single-step method)
# 2. Comparaciones pareadas entre todos los tratamientos (Tukey HSD)
em_trat <- emmeans(modelo_dbca, ~ Tratamiento)
cld_res <- multcomp::cld(em_trat, Letters = letters, reversed = FALSE)
knitr::kable(cld_res, digits = 4, caption = "Medias marginales estimadas y separación de medias (Tukey)")| Tratamiento | emmean | SE | df | lower.CL | upper.CL | .group | |
|---|---|---|---|---|---|---|---|
| 2 | T1_Triclabendazol | 1.5044 | 0.0667 | 21 | 1.3657 | 1.6431 | a |
| 3 | T2_Closantel | 1.5304 | 0.0667 | 21 | 1.3916 | 1.6691 | a |
| 4 | T3_Albendazol | 1.8205 | 0.0667 | 21 | 1.6818 | 1.9592 | b |
| 1 | T0_Control | 2.3768 | 0.0667 | 21 | 2.2380 | 2.5155 | c |
# Normalidad de residuales
shapiro_res <- shapiro.test(residuals(modelo_dbca))
par(mfrow = c(1, 2))
plot(modelo_dbca, which = 1, main = "Residuos vs Ajustados")
plot(modelo_dbca, which = 2, main = "Normal Q-Q Plot")Diagnóstico de residuales del modelo DBCA clásico.
##
## Shapiro-Wilk normality test
##
## data: residuals(modelo_dbca)
## W = 0.9734, p-value = 0.5981
# Prueba de 1 gl de No-Aditividad de Tukey
y_hat <- fitted(modelo_dbca)
y_hat2 <- y_hat^2
mod_na <- lm(Y_log10 ~ Bloque + Tratamiento + y_hat2, data = datos)
anova_na <- anova(mod_na)
knitr::kable(anova_na, digits = 4, caption = "Prueba de No-Aditividad de Tukey (1 gl)")| Df | Sum Sq | Mean Sq | F value | Pr(>F) | |
|---|---|---|---|---|---|
| Bloque | 7 | 1.0875 | 0.1554 | 10.1440 | 0 |
| Tratamiento | 3 | 3.9434 | 1.3145 | 85.8282 | 0 |
| y_hat2 | 1 | 0.4412 | 0.4412 | 28.8085 | 0 |
| Residuals | 20 | 0.3063 | 0.0153 | NA | NA |
El término cuadrático \(y_{\text{hat}}^2\) resulta altamente significativo (\(p < 0.001\)), demostrando que el DBCA clásico viola el supuesto de aditividad. La acción antihelmíntica no es aditiva sino multiplicativa proporcional; por ende, en fármacos de alta eficacia la reducción anula el gradiente del bloque en los conteos post-tratamiento.
La formulación estadísticamente rigurosa para modelar conteos biológicos y resolver la no-aditividad consiste en un Modelo Lineal Generalizado Mixto (GLMM) con enlace logarítmico y bloque como efecto aleatorio:
library(glmmTMB)
library(DHARMa)
# 1. Ajuste del GLMM Binomial Negativo (bloque como intercepto aleatorio)
mod_glmm <- glmmTMB(
HPG_D14 ~ Tratamiento + (1 | Bloque),
family = nbinom2(link = "log"),
data = datos
)
# 2. Extracción limpia de coeficientes (evita llamar a print.summary.glmmTMB)
res_sum <- summary(mod_glmm)
tabla_fijos <- as.data.frame(res_sum$coefficients$cond)
colnames(tabla_fijos) <- c("Estimado", "Error Est.", "Estadístico z", "Valor p")
# Extraer varianza del efecto aleatorio de Bloque
var_bloque <- as.numeric(glmmTMB::VarCorr(mod_glmm)$cond$Bloque)
sd_bloque <- sqrt(var_bloque)
knitr::kable(
tabla_fijos,
digits = 4,
caption = paste0("Efectos Fijos del GLMM (Escala Log). Varianza de Bloques: ",
round(var_bloque, 4), " (DE: ", round(sd_bloque, 4), ")")
)| Estimado | Error Est. | Estadístico z | Valor p | |
|---|---|---|---|---|
| (Intercept) | 5.4046 | 0.3437 | 15.7265 | 0 |
| TratamientoT1_Triclabendazol | -3.7061 | 0.2945 | -12.5842 | 0 |
| TratamientoT2_Closantel | -3.3235 | 0.2904 | -11.4445 | 0 |
| TratamientoT3_Albendazol | -1.7369 | 0.2621 | -6.6268 | 0 |
# 3. Diagnóstico de residuos simulados con DHARMa
set.seed(42)
res_dharma <- simulateResiduals(fittedModel = mod_glmm, n = 1000, plot = FALSE)
# Gráficos diagnósticos (QQ-plot y Residuos vs Predichos)
par(mfrow = c(1, 2))
plot(res_dharma)Diagnóstico de residuos simulados con DHARMa para el GLMM.
par(mfrow = c(1, 1))
# 4. Pruebas formales de sobredispersión e inflación de ceros
testDispersion(res_dharma)Diagnóstico de residuos simulados con DHARMa para el GLMM.
##
## DHARMa nonparametric dispersion test via sd of residuals fitted vs.
## simulated
##
## data: simulationOutput
## dispersion = 0.7469, p-value = 0.928
## alternative hypothesis: two.sided
Diagnóstico de residuos simulados con DHARMa para el GLMM.
##
## DHARMa zero-inflation test via comparison to expected zeros with
## simulation under H0 = fitted model
##
## data: simulationOutput
## ratioObsSim = 1.0428, p-value = 1
## alternative hypothesis: two.sided
El diagnóstico de residuos simulados con DHARMa
demuestra uniformidad perfecta (\(p >
0.05\)), ausencia de sobredispersión residual (\(p > 0.40\)) y compatibilidad con la tasa
de ceros, validando que el enfoque GLMM resuelve íntegramente la
patología estructural del DBCA lineal clásico.