Un Modelo Matemático SIR-D Segmentado para la Dinámica de Propagación del Coronavirus (COVID-19) en el Perú

• Pino Romero, Neisser ^[1] ; Soto-Becerra, Percy ^[3] ; Quispe Mendizábal, Ricardo Angelo ^[2]
  1. [1] Universidad Peruana Cayetano Heredia

     Universidad Peruana Cayetano Heredia

     Perú

     
  2. [2] Universidad Nacional Mayor de San Marcos

     Universidad Nacional Mayor de San Marcos

     Perú

     
  3. [3] Instituto de Evaluación de Tecnologías en Salud e Investigación - IETSI, EsSalud. Lima, Perú.

  Mostrar afiliaciones +
• Localización: Selecciones Matemáticas, ISSN-e 2411-1783, Vol. 7, Nº. 1, 2020 (Ejemplar dedicado a: January - July), págs. 162-171
• Idioma: español
• DOI: 10.17268/sel.mat.2020.01.15
• Títulos paralelos:
  • A Segmented SIR-D Mathematical Model for Coronavirus Propagation Dynamics (COVID-19) in Peru
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    The present study proposes the use of a segmented SIR-D mathematical model to predict the evolution of epidemiological populations of interest in the COVID-19 pandemic (Susceptible [S], Infected [I], Recovered [R] and dead [D]), information that is often key to guiding decision-making in the fight against epidemics. In order to obtain a better model calibration and a lower prediction error in the short term, we performed the model segmentation in 6 stages of periods of 14 days each. At each stage, the epidemiological  that define the system of equations are empirically estimated by linear regression of the epidemiological surveillance data that the Peruvian Ministry of Health collects and reports daily. This strategy showed better model calibration compared to an unsegmented SIR-D model.

• Referencias bibliográficas
  • Acuña-Zegarra M A, Santana-Cibrian M, Velasco-Hernandez J. Modeling behavioral change and COVID-19 containment in Mexico: A trade-off between...
  • Amat Rodrigo J. Métodos de regresión no lineal: Regresión Polinómica, Regression Splines, Smooth Splines y GAMs.[Internet]: Ciencia de Datos,...
  • Aguilar J, Faust J, Westafer L, Gutierrez J. Investigating the Impact of Asymptomatic Carriers on COVID-19 Transmission. medRxiv (The Preprint...
  • Chatterjee K, Chatterjee K, Kumar A, & Shankar S. Healthcare impact of COVID-19 epidemic in India: A stochastic mathematical model. Medical...
  • Centro Nacional de Epidemiología, Prevención y Control de Enfermedades. Sala Situacional del Covid-19 Perú. Miniseterio de Salud, Perú. 2020...
  • 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....
  • De Pereda D. Modelización matemática de la difusión de una epidemia de peste porcina entre granjas. Facultad de Ciencias Matemáticas, Universidad...
  • Doungmo EF, Maritz R, Munganga J. Some properties of the Kermack-McKendrick epidemic model with fractional derivative and nonlinear incidence....
  • Fang Y, Nie Y, Penny M. Transmission dynamics of the COVID-19 outbreak and effectiveness of government interventions: A data-driven analysis....
  • Fernández-Villaverde J, Jones Ch. Estimating and Simulating a SIRD Model of COVID-19 for Many Countries, States, and Cities. Stanford University....
  • Gonzáles M. Modelización y simulación en epidemiología. Facultad de Ciencias Matemáticas, Universidad Complutense de Madrid. 2017. Recuperado...
  • Instituto Nacional de Estadística e Informática (2020). Nota de Prensa No.006, 485 Aniversario de Lima (17 de enero de 2020). Disponible en...
  • 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...
  • Liang K. Mathematical model of infection kinetics and its analysis for COVID-19,SARS and MERS. Infection. Genetics and Evolution, 2020; 82(104306)....
  • 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...
  • 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...
  • 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)....
  • Yan SJ, Chughtai AA, Macintyre CR. Utility and potential of rapid epidemic intelligence from internet-basedsources. International Journal...