medigraphic.com
ISSN 1727-897X (Digital)

2020, Número 3

<< Anterior Siguiente >>

Medisur 2020; 18 (3)


Estudio sobre modelos predictivos para la COVID-19 en Cuba

Medina MJF, Cortés CME, Cortés IM, Pérez FAC, Manzano CM

Idioma: Español
Referencias bibliográficas: 14
Paginas: 431-442
Archivo PDF: 489.76 Kb.


RESUMEN

Fundamento: ante la pandemia provocada por el nuevo coronavirus SARS-CoV-2, resulta importante la estimación del crecimiento de casos infestados y decesos de la población cubana.
Objetivo: obtener predicciones para el pico de casos confirmados y fallecidos en Cuba por la COVID- 19, haciendo uso de herramientas estadísticas e informáticas.
Métodos: el método de los mínimos cuadrados fue utilizado para la obtención de los parámetros utilizando modelos lineales (MCL) y no lineales (MCNL). Los modelos logísticos y exponenciales, como la curva de crecimiento logístico, utilizada para modelar el crecimiento poblacional (modelos de crecimiento de Gompertz), se aplicaron en el pronóstico del crecimiento de casos infectados y/o decesos respectivamente.
Resultados: existe una adecuación de los modelos presentados con respecto a los valores pronosticados y los reales lo cual permite una confiabilidad de los mismos para los pronósticos efectuados para Cuba.
Conclusiones: los modelos estadísticos de predicciones obtenidos dan resultados muy significativos para el estudio de la pandemia COVID-19 en Cuba.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Lin Q, Zhao S, Gao D, Lou Y, Yang S, Musa SS, et al. A conceptual model for the coronavirus disease 2019 (COVID-19) outbreak in Wuhan, China with individual reaction and governmental action. International Journal of Infectious Diseases. 2020;93:211-16.

  2. Cagigal MA, Becario FP. Modelado y análisis de la evolución de una epidemia vírica mediante filtros de Kalman: el caso del COVID-19 en España [Internet]. Sevilla: Universidad de Sevilla; 2020 [citado 04/04/2020]. Disponible en: Disponible en: https://www.us.es/actualidad-de-la-us/modelado-y-analisis-de-la-evolucion-de-una-epidemia-virica-mediante-filtros-de.

  3. Bacaër N. Un modelo matemático de la epidemia de coronavirus en Francia [Internet]. París: Institut de Recherche pour le Developpement; 2020 [citado 23/04/2020]. Disponible en: Disponible en: https://hal.archives-ouvertes.fr/hal-02509142v2/file/epidemie_es.pdf.

  4. Deb S, Majumdar M. A time series method to analyze incidence pattern and estimate reproduction number of COVID-19. Bengaluru: Indian Institute of Management; 2020.

  5. Wang CJ, Ng CY, Brook RH. Response to COVID-19 in Taiwan: big data analytics, new technology, and proactive testing. JAMA. 2020;323(14):1341-1342.

  6. Hu Z, Ge Q, Jin L, Xiong M. Artificial intelligence forecasting of COVID-19 in China [Internet]. Boston: Researchgate; 2020 [citado 23/07/2020]. Disponible en: Disponible en: https://www.researchgate.net/publication/339324015_Artificial_Intelligence_Forecasting_of_Covid-19_in_China.

  7. Zhou C, Su F, Pei T, Zhang A, Du Y, Luo B, et al. COVID-19: challenges to GIS with big data. Geography and Sustainability. 2020;1:77-87.

  8. Avendaño VH. Infección del COVID-19 en Colombia. Una comparación de modelos logísticos y exponenciales aplicados a la infección por el virus en Colombia [Internet]. Boston: Researchgate ; 2020 [citado 23/04/2020]. Disponible en: Disponible en: https://www.researchgate.net/publication/340092755_Infeccion_del_Covid-19_en_Colombia_Una_comparacion_de_modelos_logisticos_y_exponenciales_aplicados_a_la_infeccion_por_el_virus_en_Colombia.

  9. Jia L, Li K, Jiang Y, Guo X. Prediction and analysis of Coronavirus Disease 2019 [Internet]. Ithaka: Cornell University; 2020 [citado 20/04/2020]. Disponible en: Disponible en: https://arxiv.org/ftp/arxiv/papers/2003/2003.05447.pdf.

  10. Villalobos-Arias M. Estimation of population infected by Covid-19 using regression. Ithaka: Cornell University ; 2020.

  11. Villalobos-Arias, M.Estimation of population infected by Covid-19 using regression. Ithaka: Cornell University ; 2020.

  12. Simón Mínguez F. (2016). Procesos de difusión Logístico y Gompertz. Métodos numéricos clásicos en la estimación paramétrica [Tesis de Maestría]. Granada: Universidad de Granada; 2016 [citado 23/04/2020]. Disponible en: Disponible en: https://masteres.ugr.es/moea/pages/curso201516/tfm1516/simon_minguez_tfm/!.

  13. DOE. Maxima, a Computer Algebra System [Internet]. New York: Dice Holdings; 2013 [citado 23/04/2020]. Disponible en: Disponible en: http://maxima.sourceforge.net/es/index.html#top.

  14. GNU. The R Project for Statistical Computing [Internet]. Cambridge: GNU Project; 2018 [citado 23/04/2020]. Disponible en: Disponible en: https://www.r-project.org/.




2020     |     www.medigraphic.com