Un Modelo Matemático SIR-D Segmentado para la Dinámica de Propagación del Coronavirus (COVID-19) en el Perú
DOI:
https://doi.org/10.17268/sel.mat.2020.01.15Palabras clave:
Coronavirus (COVID-19), Epidemiología, Ecuaciones Diferenciales Ordinarias, Simulación Computacional, Métodos de RegresiónResumen
El presente estudio propone el uso de un modelo matemático SIR-D segmentado para predecir la evolución de poblaciones epidemiológicas de interés en la pandemia del COVID-19 (Susceptible [S], Infectados [I], Recuperados [R] y muertos [D]), información que, a menudo, es clave para orientar la toma de decisiones en la lucha contra epidemias. Con la finalidad de obtener una mejor calibración del modelo y un menor error de predicción en el corto plazo, realizamos la segmentación del modelo en 6 etapas de periodos de 14 días cada uno. En cada etapa, las tasas epidemiológicas que definen el sistema de ecuaciones se estiman empíricamente mediante regresión lineal de los datos de vigilancia epidemiológica que el Ministerio de Salud del Perú recoge y reporta diariamente. Esta estrategia mostró una mejor calibración del modelo en comparación con un modelo SIR-D no segmentado.
Citas
Acuña-Zegarra M A, Santana-Cibrian M, Velasco-Hernandez J. Modeling behavioral change and COVID-19 containment in Mexico: A trade-off between lockdown and compliance. Mathematical Biosciences, 2020; 325(108370). Disponible en https://www.sciencedirect.com/science/article/pii/S0025556420300596?via%3Dihub
Amat Rodrigo J. Métodos de regresión no lineal: Regresión Polinómica, Regression Splines, Smooth Splines y GAMs.[Internet]: Ciencia de Datos, Estadística, Programación y Machine Learning; 2017 (citado 18 mayo 2020). Disponible en https://www.cienciadedatos.net/documentos/32_metodos_de_regresion_no_lineal_polinomica_splines_gams
Aguilar J, Faust J, Westafer L, Gutierrez J. Investigating the Impact of Asymptomatic Carriers on COVID-19 Transmission. medRxiv (The Preprint Server for Health Sciences). 2020. Disponible en https://www.medrxiv.org/content/10.1101/2020.03.18.20037994v3
Chatterjee K, Chatterjee K, Kumar A, & Shankar S. Healthcare impact of COVID-19 epidemic in India: A stochastic mathematical model. Medical journal, Armed Forces India. 2020. Disponible en https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7126697/
Centro Nacional de Epidemiología, Prevención y Control de Enfermedades. Sala Situacional del Covid-19 Perú. Miniseterio de Salud, Perú. 2020 (citado 15 mayo 2020). Disponible en https://www.dge.gob.pe/portal/index.php?
option=com_content&view=article&id=678
Dai L, Vorselen D, Korolev KS, Gore J. Generic indicators for loss of resilience before a tipping point leading to population collapse. Science. 2012;336(6085):1175-1177. Recuperado de doi:10.1126/science.1219805
De Pereda D. Modelización matemática de la difusión de una epidemia de peste porcina entre granjas. Facultad de Ciencias Matemáticas, Universidad Complutense de Madrid. 2010. Disponible en http://www.mat.ucm.es/˜ivorra/papers/Diego-Epidemiologia.pdf
Doungmo EF, Maritz R, Munganga J. Some properties of the Kermack-McKendrick epidemic model with fractional derivative and nonlinear incidence. Advances in Difference Equations, 278. 2014. Recuperado de https://doi.org/10.1186/1687-1847-2014-278
Fang Y, Nie Y, Penny M. Transmission dynamics of the COVID-19 outbreak and effectiveness of government interventions: A data-driven analysis. Journal of Medical Virology, 2020; 92:645-659. Disponible en https://doi.org/10.1002/jmv.25750
Fernández-Villaverde J, Jones Ch. Estimating and Simulating a SIRD Model of COVID-19 for Many Countries, States, and Cities. Stanford University. 2020. Disponible en https://web.stanford.edu/˜chadj/sird-paper.pdf
Gonzáles M. Modelización y simulación en epidemiología. Facultad de Ciencias Matemáticas, Universidad Complutense de Madrid. 2017. Recuperado de http://www.mat.ucm.es/˜ivorra/papers/tfg-maria.pdf
Instituto Nacional de Estadística e Informática (2020). Nota de Prensa No.006, 485 Aniversario de Lima (17 de enero de 2020). Disponible en http://m.inei.gob.pe/prensa/noticias/
la-poblacion-de-lima-supera-los-nueve-millones-y-medio-de-habitantes-12031/
Ivorra B, Ferrández MR, Vela-P´erez M, Ramos AM. Mathematical modeling of the spread of the coronavirus disease 2019 (COVID-19) taking into account the undetected infections. The case of China. Communications in nonlinear science & numerical simulation, 105303. Advance online publication. 2020. Disponible en https://doi.org/10.1016/j.cnsns.2020.105303
Liang K. Mathematical model of infection kinetics and its analysis for COVID-19,SARS and MERS. Infection. Genetics and Evolution, 2020; 82(104306). Recuperado de https://www.sciencedirect.com/science/article/pii/
S1567134820301374?via%3Dihub
Lin F, Muthuraman K, Lawley M. An optimal control theory approach to non-pharmaceutical interventions. BMC Infect Dis 2020; 10(32). Disponible en https://doi.org/10.1186/1471-2334-10-32
Ministerio de Salud. Sala Situacional del Covid-19 Perú. Ministerio de Salud, Perú. 2020 (citado 16 mayo 2020). Disponible en https://covid19.minsa.gob.pe/sala_situacional.asp
Munayco C, Tariq A, Rothenberg R, Soto-Cabezas G, Reyes M, Valle A, Rojas-Mezarina L, Cabezas C, Loayza M, Chowell G. Early transmission dynamics of COVID-19 in a southern hemisphere setting: Lima-Peru, February 29th-March 30th, 2020. medRxiv (The Preprint Server for Health Sciences). 2020. Disponible en https://www.medrxiv.org/content/10.1101/2020.04.30.20077594v2.full.pdf
Natekin A, Knoll A. Gradient boosting machines, a tutorial. Frontiers in neurorobotics, 2013; 7(21). Disponible en https://doi.org/10.3389/fnbot.2013.00021
Organización Mundial de la Salud. Brote de enfermedad por coronavirus (COVID-19). 2020 (citado 18 mayo 2020). Disponible en https://www.who.int/es/emergencies/diseases/novel-coronavirus-2019
Organización Mundial de la Salud. Novel Coronavirus (2019-nCoV), Situation Report-1. 2020 (citado 15 mayo 2020). Disponible en https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200121-sitrep-1-2019-ncov.pdf?sfvrsn=20a99c10_4
Organización Mundial de la Salud. Coronavirus disease (COVID-2019) situation reports. 2020 (citado 14 mayo 2020). Disponible en https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports/
Tárnok A. Machine Learning, COVID-19 (2019-nCoV), and multi-OMICS. Cytometry A, 2020; 97(3):215–216. Disponible en https://pubmed.ncbi.nlm.nih.gov/32142596/
Vinay R, Zhang L. Time series forecasting of COVID-19 transmission in Canada using LSTM networks. Chaos, Solitons & Fractals, 2020; 135(109864). Disponible en https://www.sciencedirect.com/science/article/abs/pii/S0960077920302642
Yan SJ, Chughtai AA, Macintyre CR. Utility and potential of rapid epidemic intelligence from internet-basedsources. International Journal of Infectious Diseases, 2017; 63:77-87. Disponible en https://www.sciencedirect.com/science/article/abs/pii/S0960077920302642
Publicado
Cómo citar
Número
Sección
Licencia
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative CommonsAtribución 4.0 Internacional (CC BY 4.0) , que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado(Consultar: efecto del acceso abierto).