Modelos matemáticos aplicados a la vigilancia de la epidemia del COVID-19 del departamento de Concepción
Palabras clave:
Modelos Matemáticos, COVID-19, Epidemia, Matemática AplicadaResumen
Predecir la dinámica del número de casos de la enfermedad por coronavirus (COVID-19) en el Departamento de Concepción es una tarea compleja y desafiante, debido a los cambios rápidos en los comportamientos sociales y a las medidas de intervención implementadas en períodos cortos. La toma de decisiones por parte de las autoridades, tanto a corto como a largo plazo, requiere una evaluación exhaustiva de los posibles escenarios y el uso de modelos predictivos. Estas herramientas proporcionan información valiosa sobre los efectos de diferentes estrategias de intervención y permiten a las autoridades tomar decisiones informadas y efectivas para controlar la propagación del virus. En este trabajo, se comparan dos modelos matemáticos para analizar la dinámica de propagación del COVID-19 en el Primer Departamento del Paraguay: el modelo epidemiológico SIR (Susceptibles - Infestados - Recuperados) y el modelo SEIR (Susceptibles - Expuestos - Infectados - Recuperados). Estos modelos permiten evaluar la interacción entre diferentes grupos de población y capturar la evolución de la enfermedad a lo largo del tiempo. Los parámetros del modelo, que varían en el tiempo, se estiman utilizando datos de casos notificados proporcionados por la Primera Región Sanitaria. Estos datos son fundamentales para calibrar los modelos y ajustar su comportamiento a la dinámica observada. La evaluación del modelo demuestra una buena correspondencia entre los parámetros estimados y las simulaciones realizadas, lo cual refleja de manera razonable la dinámica observada de la enfermedad en el Departamento de Concepción. El modelo propuesto tiene el potencial de generar simulaciones de escenarios futuros, lo que permitiría a las autoridades evaluar y comparar diferentes estrategias de control de la enfermedad. Estos resultados pueden ser de gran utilidad para respaldar la toma de decisiones informadas y diseñar intervenciones efectivas en el Departamento de Concepción.
Descargas
Referencias
Apaza, C. M., Sanz, R. S. S., y Arévalo, J. E. S. C. (2020). Factores psicosociales durante el confinamiento por el covid-19–perú. Revista Venezolana de Gerencia, 25(90), 402–413.
Blackwood, J. C., y Childs, L. M. (2018). An introduction to compartmental modeling for the budding infectious disease modeler.
Boccara, N., y Cheong, K. (1993). Critical behaviour of a probabilistic automata network sis model for the spread of an infectious disease in a population of moving individuals. Journal of Physics A: Mathematical and General, 26(15), 3707.
Caballero-Domínguez, C. C., y Campo-Arias, A.(2020). Problemas de salud mental en la sociedad: Un acercamiento desde el impacto del covid 19 y de la cuarentena. Duazary, 17(3), 1–3.
Casals, M., Guzmán, K., y Caylà, J. A. (2009). Modelos matemáticos utilizados en el estudio de las enfermedades transmisibles. Revista española de salud pública, 83, 689–695.
Chaple, E. R. B. (2020). La información científica confiable y la covid-19. Revista Cubana de Información en Ciencias de la Salud (ACIMED), 31(3), 1–6.
Doshi, P. (2011). The elusive definition of pandemic influenza. Bulletin of the World Health Organization, 89, 532–538.
Dye, C., y Gay, N. (2003). Modeling the sars epidemic. Science, 300(5627), 1884–1885.
Estadistico, A. (2003). Instituto nacional de estadísticas. INE Indicadores Bio Demográficos. Pág, 88.
Estigarribia, P. E. P., Bliman, P.A., & Schaerer, C.E (2021, June). Modelling and control of Mendelian and maternal inheritance for biological control of dengue vectors. In 2021 European Control Conference (ECC) (pp. 333-340). IEEE
Hernández, F., y Fernández, C. (2010). Baptista. (2014). Metodología de la investigación, 5, 264.
Hernández-Mesa, N., Hernández Llanes, J., y Llanes Betancourt, C. (2020). Las grandes epidemias de la historia. de la peste de atenas a la covid 19. Revista Habanera de Ciencias Médicas, 19(5).
Hooten, M. B., Anderson, J., y Waller, L. A. (2010). Assessing north american influenza dynamics with a statistical sirs model. Spatial and spatio-temporal epidemiology, 1(2-3), 177–185
Hu, G., y Geng, J. (2020). Heterogeneity learning for sirs model: an application to the covid-19. arXiv preprint arXiv:2007.08047.
Kreibohm, P. (2020). Tres pandemias en la historia. Relaciones Internacionales.
Kuhl, E. (2021). Computational epidemiology. Springer.
Lau, H., Khosrawipour, T., Kocbach, P., Ichii, H., Bania, J., y Khosrawipour, V. (2021). Evaluating the massive underreporting and undertesting of covid-19 cases in multiple global epicenters. Pulmonology, 27(2), 110–115.
Marathe, M., y Vullikanti, A. K. S. (2013). Computational epidemiology. Communications of the ACM, 56(7), 88–96.
Mello-Roman, J. D., & Hernández, A. (2020). KPLS optimization with nature-inspired metaheuristic algorithms. IEEE Access, 8, 157482-157492
Montesinos-López, O. A., y Hernández-Suárez, C. M. (2007). Modelos matemáticos para enfermedades infecciosas. Salud pública de México, 49(3), 218–226.
Ng, L. F., y Hiscox, J. A. (2020). Coronaviruses in animals and humans (Vol. 368). British Medical Journal Publishing Group.
Ngonghala, C. N., Iboi, E., Eikenberry, S., Scotch, M., MacIntyre, C. R., Bonds, M. H., y Gumel, A. B. (2020). Mathematical assessment of the impact of non-pharmaceutical interventions on curtailing the 2019 novel coronavirus. Mathematical biosciences, 325, 108364.
Peirlinck, M., Linka, K., Sahli Costabal, F., y Kuhl, E. (2020). Outbreak dynamics of covid-19 in china and the united states. Biomechanics and modeling in mechanobiology, 19(6), 2179–2193
Pérez-Estigarribia, P. E. (s.f.). Dinámica temprana de covid-19 en Paraguay. reporte técnico, semana.
Ramírez, A. E. N. (1996). Aplicación de algunos modelos matemáticos a la toma de decisiones. Política y Cultura (6), 183–198.
Repetto, G. (2006). Avian and human influenza: past, present and future. Revista chilena de pediatría, 77(1), 12–19.
Rosselli, D., Yucumá, D., Rodríguez-Morales, A. J., y Esposito, S. (2020). Could sars-cov-2/covid19 simply fade away. Infez Med, 28.
Samaniego, A., Urzúa, A., Buenahora, M., y Vera-Villarroel, P. (2020). Sintomatología asociada a trastornos de salud mental en trabajadores sanitarios en paraguay: efecto covid-19. Revista Interamericana de Psicología/Interamerican Journal of Psychology, 54(1), e1298–e1298
Shin, H. H., Sauer Ayala, C., Perez-Estigarribia, P., Grillo, S., Segovia-Cabreea, L., García-Torres, M., ... & De Los Santos, E. (2021). A Mathematical Model for COVID-19 with Variable Transmissibility and Hospitalizations: A Case Study in Paraguay. Applied Sciencies, 11 (20), 9726
Tornatore, E., Vetro, P., y Buccellato, S. M. (2014). Sivr epidemic model with stochastic perturbation. Neural Computing and Applications, 24(2), 309– 315.
Van den Driessche, P. (2017). Reproduction numbers of infectious disease models. Infectious Disease Modelling, 2(3), 288
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Revista de Ingeniería, Ciencias y Sociedad
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
