Publicado

2020-03-01

Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia

Predictions of a SEIR model for COVID-19 cases in Cali-Colombia

DOI:

https://doi.org/10.15446/rsap.v22n2.86432

Palabras clave:

Infecciones por coronavirus, pandemias, predicción, número básico de reproducción (es)
Coronavirus infections, pandemics, forecasting, basic reproduction number (en)

Descargas

Autores/as

Objetivo Predecir el número de casos de COVID-19 en la ciudad de Cali-Colombia mediante el desarrollo de un modelo SEIR.
Métodos Se utilizó un modelo determinista compartimental SEIR considerando los estados: susceptibles (S), expuestos (E), infectados (I) y recuperados (R). Los parámetros del modelo fueron seleccionados de acuerdo a la revisión de literatura. En el caso
de la tasa de letalidad, se usaron los datos de la Secretaría de Salud Municipal de Cali. Se plantearon varios escenarios teniendo en cuenta variaciones en el número básico de reproducción (R0) y en la tasa de letalidad; además, se comparó la predicción hasta el 9 de abril con los datos observados.
Resultados A través del modelo SEIR se encontró que, con el número básico de reproducción más alto (2,6) y utilizando la letalidad calculada para la ciudad de 2,0%, el número máximo de casos se alcanzaría el primero de junio con 195 666 (prevalencia); sin embargo, al comparar los casos observados con los esperados, al inicio la ocurrencia observada estaba por encima de la proyectada; pero luego cambia la tendencia con una disminución marcada de la pendiente.
Conclusiones Los modelos epidemiológicos SEIR son métodos muy utilizados para la proyección de casos en enfermedades infecciosas; sin embargo, se debe tener en cuenta que son modelos deterministas que pueden utilizar parámetros supuestos y podrían generar resultados imprecisos.

Objective To predict the number of cases of COVID-19 in the city of Cali-Colombia through the development of a SEIR model.
Methods A SEIR compartmental deterministic model was used considering the states: susceptible (S), exposed (E), infected (I) and recovered (R). The model parameters were selected according to the literature review, in the case of the case fatality rate data from the Municipal Secretary of Health were used. Several scenarios were considered taking into account variations in the basic number of reproduction (R0), and the prediction until april 9 was compared with the observed data.
Results Through the SEIR model it was found that with the highest basic number of reproduction [2,6] and using the case fatality rate for the city of 2,0%, the maximum number of cases would be reached on June 1 with 195 666 (prevalence). However, when comparing the observed with the expected cases, at the beginning the observed occurrence was above the projected, but then the trend changes decreasing the slope.
Conclusions SEIR epidemiological models are widely used methods for projecting cases in infectious diseases, however it must be taken into account that they are deterministic models that can use assumed parameters and could generate imprecise results.

Referencias

COVID-19 Dashboard by the Center for Systems Science and Engineering (CSSE) at Johns Hopkins University [Internet]. Baltimore: Johns Hopkins University; 2020 [updated 2020; cited 2020 Abril 14]. Available from: https://bit.ly/3ceI1Qe.

Módulo de datos COVID-19 en Colombia. Bogotá: Instituto Nacional de Salud; 2020 [updated 2020, cited 2020 Abril 14]. Available from: https://bit.ly/2YGzu4D.

Radulescu A, Cavanagh K. Management strategies in a SEIR model of COVID-19 community spread [preprint]. Physics.soc-ph. Arxiv. 2020 [cited 2020 Abril 14]. Available from: https://bit.ly/3dujJCd.

Ferguson NM, Laydon D, Nedjati-Gilani G, Imai N, Ainslie K, Baguelin M. et al. Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand. Imperial College. 2020 [Cited 2020 Abril 23]. Available from: https://bit.ly/35GGuA6. DOI:10.25561/77482.

Kucharski AJ, Russell TW, Diamond C, Liu Y, Edmunds J, Funk S, Davies N, et al. Early dynamics of transmission and control of COVID-19: a mathematical modelling study. Lancet Infect Dis. 2020 [Cited 2020 Abril 15]. Available from: https://bit.ly/2WBMpSP. DOI:10.1016/S1473-3099(20)30144-4.

Crokidakis N. Data analysis and modeling of the evolution of COVID-19 in Brazil [Preprint]. Physics.soc-ph. arXiv. 2020 [Cited 2020 Abril 23]. Available from: https://bit.ly/2A9xuI7.

Manrique FG, Agudelo CA, González VM, Gutiérrez O, Téllez CF, Herrera G. Modelo SIR de la pandemia de Covid-19 en Colombia. Rev. Salud Pública. 2020 Feb [Cited 2020 Abril 15]; 2(1):1-9. Available from: https://bit.ly/2WzJjin. DOI:10.15446/rsap.v22.85977.

Create a new ggplot. Tdyverse [Internet]. USA: RStudio; 2020 [Cited 2020 Abril 15]. Available from: https://bit.ly/2WAJutF.

Mandal S, Ram Rup S, Somdatta S. Mathematical models of malaria-a review. Malar J. July 2020 [Cited 2020 Abril 15]; 10(202): 1-19. Available from: https://bit.ly/2LcF9r6. DOI:10.1186/1475-2875-10-202.

Kermack WO, McKendrick AG. Contribution to the mathematical theory to epidemics-I. Proc R Soc Lond. 1991 [Cited 2020 Abril 15]; 115:100-121. Available from: https://bit.ly/2WtZ4ag. DOI:10.1007/BF02464423.

Wu JT, Leung K, Bushman M, Kishore N, Niehus R, de Salazar PM, et al. Estimating clinical severity of COVID-19 from the transmission dynamics in Wuhan, China. Nat Med. 2020 [Cited 2020 Abril 23]:1-5. Available from: https://go.nature.com/2Wyxf0N. DOI:10.1038/s41591-020-0822-7.

Peng L., Yang W., Zhang D., Zhuge C. Hong L. Epidemic analysis of COVID-19 in China by dynamical modeling. Nature Medicine. 2020 [Cited 2020 Abril 23]; 26:506–510. Available from: https://tinyurl.com/ycrarahp.

Flaxman S, Mishra S, Gandy A, Unwin H, Coupland H, Mellan T. et al. Report 13 - Estimating the number of infections and the impact of nonpharmaceutical interventions on COVID-19 in 11 European countries. Imperial College London. 2020 [cited Abril 23 2020]. Available from: https://tinyurl.com/y8ujbbkt. DOI:10.25561/77731.

Ma Y, Zhao Y, Liu J, He X, Wang B, Fu S, et al. Effects of temperature variation and humidity on the death of COVID-19 in Wuhan, China. Science of The Total Environment; 2020 [Cited 2020 Abril 23]:138-226. Available from: https://tinyurl.com/y8gm6e8m. DOI:10.1016/j.scitotenv. 2020.138226.

Pan A, Liu L, Wang C, Guo H, Hao X, Wang Q, et al. Association of public health interventions with the epidemiology of the COVID-19 outbreak in Wuhan, China. Jama. 2020. Available from: https://tinyurl.com/y7vqeupr. DOI:10.1001/jama.2020.6130.

Cómo citar

APA

Arango-Londoño, D., Ortega-Lenis, D., Muñoz, E., Cuartas, D. E., Caicedo, D., Mena, J., Torres, M. y Méndez, F. (2020). Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia. Revista de Salud Pública, 22(2), 132–137. https://doi.org/10.15446/rsap.v22n2.86432

ACM

[1]
Arango-Londoño, D., Ortega-Lenis, D., Muñoz, E., Cuartas, D.E., Caicedo, D., Mena, J., Torres, M. y Méndez, F. 2020. Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia. Revista de Salud Pública. 22, 2 (mar. 2020), 132–137. DOI:https://doi.org/10.15446/rsap.v22n2.86432.

ACS

(1)
Arango-Londoño, D.; Ortega-Lenis, D.; Muñoz, E.; Cuartas, D. E.; Caicedo, D.; Mena, J.; Torres, M.; Méndez, F. Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia. Rev. salud pública 2020, 22, 132-137.

ABNT

ARANGO-LONDOÑO, D.; ORTEGA-LENIS, D.; MUÑOZ, E.; CUARTAS, D. E.; CAICEDO, D.; MENA, J.; TORRES, M.; MÉNDEZ, F. Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia. Revista de Salud Pública, [S. l.], v. 22, n. 2, p. 132–137, 2020. DOI: 10.15446/rsap.v22n2.86432. Disponível em: https://revistas.unal.edu.co/index.php/revsaludpublica/article/view/86432. Acesso em: 28 mar. 2024.

Chicago

Arango-Londoño, David, Delia Ortega-Lenis, Edgar Muñoz, Daniel Elias Cuartas, Diana Caicedo, Jorge Mena, Miyerlandi Torres, y Fabián Méndez. 2020. «Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia». Revista De Salud Pública 22 (2):132-37. https://doi.org/10.15446/rsap.v22n2.86432.

Harvard

Arango-Londoño, D., Ortega-Lenis, D., Muñoz, E., Cuartas, D. E., Caicedo, D., Mena, J., Torres, M. y Méndez, F. (2020) «Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia», Revista de Salud Pública, 22(2), pp. 132–137. doi: 10.15446/rsap.v22n2.86432.

IEEE

[1]
D. Arango-Londoño, «Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia», Rev. salud pública, vol. 22, n.º 2, pp. 132–137, mar. 2020.

MLA

Arango-Londoño, D., D. Ortega-Lenis, E. Muñoz, D. E. Cuartas, D. Caicedo, J. Mena, M. Torres, y F. Méndez. «Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia». Revista de Salud Pública, vol. 22, n.º 2, marzo de 2020, pp. 132-7, doi:10.15446/rsap.v22n2.86432.

Turabian

Arango-Londoño, David, Delia Ortega-Lenis, Edgar Muñoz, Daniel Elias Cuartas, Diana Caicedo, Jorge Mena, Miyerlandi Torres, y Fabián Méndez. «Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia». Revista de Salud Pública 22, no. 2 (marzo 1, 2020): 132–137. Accedido marzo 28, 2024. https://revistas.unal.edu.co/index.php/revsaludpublica/article/view/86432.

Vancouver

1.
Arango-Londoño D, Ortega-Lenis D, Muñoz E, Cuartas DE, Caicedo D, Mena J, Torres M, Méndez F. Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia. Rev. salud pública [Internet]. 1 de marzo de 2020 [citado 28 de marzo de 2024];22(2):132-7. Disponible en: https://revistas.unal.edu.co/index.php/revsaludpublica/article/view/86432

Descargar cita

CrossRef Cited-by

CrossRef citations5

1. Antonio J Bravo, Miguel A Vera, Yoleify K Huérfano. (2020). Modelos matemáticos estimadores de la infección por COVID-19: Consideraciones esenciales y proyecciones en Colombia. Revista de Salud Pública, 22(3), p.1. https://doi.org/10.15446/rsap.v22n3.87813.

2. Keila Vasthi Cortés-Martínez, Hugo Estrada-Esquivel, Alicia Martínez-Rebollar, Yasmín Hernández-Pérez, Javier Ortiz-Hernández. (2022). The State of the Art of Data Mining Algorithms for Predicting the COVID-19 Pandemic. Axioms, 11(5), p.242. https://doi.org/10.3390/axioms11050242.

3. Enrique Delahoz-Domínguez, Jonathan Carrillo-Naranjo, Alicia Camelo-Guarín, Rohemi Zuluaga-Ortiz. (2023). Machine learning application in the ex-combatant demobilization process on the Colombian armed conflict. Intelligent Data Analysis, 27(2), p.501. https://doi.org/10.3233/IDA-216397.

4. Ariel Emilio Cortés Martínez, Carmen Elisa Becerra Huertas. (2022). Caracterización de la tendencia del COVID-19 en Colombia con regresiones polinomiales . Gerencia y Políticas de Salud, 20, p.1. https://doi.org/10.11144/Javeriana.rgps20.ctcc.

5. Pietro H Guzzi, Giuseppe Tradigo, Pierangelo Veltri. (2021). Regional Resource Assessment During the COVID-19 Pandemic in Italy: Modeling Study. JMIR Medical Informatics, 9(3), p.e18933. https://doi.org/10.2196/18933.

Dimensions

PlumX

Visitas a la página del resumen del artículo

1889

Descargas

Los datos de descargas todavía no están disponibles.