medigraphic.com
Revista Mexicana de Medicina Forense y Ciencias de la Salud

2020, Número 3

Rev Mex Med Forense 2020; 5 (3)


Simulación Numérica y Modelación Matemática de la propagación del Covid 19 en el estado de Veracruz

Ortigoza G, Lorandi A, Neri I

Idioma: Español
Referencias bibliográficas: 15
Paginas: 21-37
Archivo PDF: 1268.99 Kb.


RESUMEN

En este trabajo se muestra el uso de diferentes modelos matemáticos para simular posibles escenarios de la propagación del Covid 19 en el estado de Veracruz; se obtienen cantidades importantes en epidemiología como son el número básico de reproducción, así como las tasas de transmisión, recuperación y de latencia. Los datos reportados por la secretaria de salud de Veracruz son entradas a modelos de compartimentos (S=susceptibles, I=Infectados, E=expuestos, R=recuperados), escritos como sistemas de ecuaciones diferenciales no lineales; los parámetros son hallados usando un método de mínimos cuadrados ajustando el modelo de ecuaciones diferenciales a los datos. Así mismo se presentan resultados con algoritmos learning machine aplicados a los datos y una extensión del modelo temporal a un modelo espacio-temporal de autómata celular.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Gobierno_del_Estado_de_Veracruz. Coronavirus Noticias. [Online] Acceso 19 de juniode 2020. Disponible en: http://coronavirus.veracruz.gob.mx/category/noticias/.

  2. Brauer F, van-den-Driessche P, Wu J. Compartmental Models in Epidemiology. En Lecture notes in mathematical epidemiology. Berlin, Heidelberg,: Springer Verlag; 2008. p. 19 - 76.

  3. Martcheva M. An introduction to mathematical epidemiology New York: Springer Verlag; 2015.

  4. Brauer F, van-den-DriesscheAllen P, Wu J. Mathematical epidemiology. En Mathematical Epidemiology. Berlin: Springer Verlag; 2008. p. 19 - 76.

  5. Bacaër N. McKendrick and Kermack on epidemic modelling (1926–1927). En A Short History of Mathematical Population Dynamics. London: Springer Verlag; 2011. p. 89 - 96.

  6. van-den-Driessche P. Reproduction numbers of infectious disease models. Infectious Disease Modelling. 2017; 2(3): p. 288 - 303.

  7. Chowell G, Brauer F. The basic reproduction number of infectious diseases: computation and estimation using compartmental epidemic models. En Mathematical and statistical estimation approaches in epidemiology. Dordrecht: Springer Verlag; 2009. p. 1 - 30.

  8. Chowell G. Fitting dynamic models to epidemic outbreaks with quantified uncertainty: A primer for parameter uncertainty, identifiability, and forecasts. Infectious Disease Modelling. 2017; 2(3): p. 379 - 398.

  9. INEGI. Cuentame (Veracruz). [Online] Acceso 18 de juniode 2020. Disponible en: http://cuentame.inegi.org.mx/monografias/informacion/ver/poblacion/.

  10. Batista M. Estimation of the final size of the second phase of coronavirus epidemic by the logistic model. MedRxiv (Internet). 2020;: p. 1 - 11.

  11. Wolfram. Wolfram Machine learning manual. [Online].; 2020. Acceso 19 de junio de 2020. Disponible en: https://reference.wolfram.com/language/guide/MachineLearning.html.

  12. Ying-Hen H, Fisman DN, Wu J. On epidemic modeling in real time: An application to the 2009 Novel A (H1N1) influenza outbreak in Canada. BMC research notes. 2010; 3(1): p. 283.

  13. Hsieh YH. Richards model: a simple procedure for real-time prediction of outbreak severity. Modeling and dynamics of infectious diseases. 2009;: p. 216 - 236.

  14. Ortigoza G, Brauer F, Neri I. Modelling and simulating Chikungunya. Infectious Disease. 2020; 5: p. 197 - 220.

  15. Piccolomiini EL, Zama F. Monitoring Italian COVID-19 spread by an adaptive SEIRD model. medRxiv. 2020.




2020     |     www.medigraphic.com