Modelamiento Matemático Del Comportamiento Epidemiológico De La Pandemia Covid-19 en China

Marín-Machuca, Olegario; Zambrano-Cabanillas, Abel Walter; Garcia-Talledo, Enrique; Ortiz-Guizado, Julia Iraida; Vivas-Ruiz, Dan; Marín-Sánchez, Obert

doi:10.24039/rtb2020181473

Cited by 4 publications

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…These results are in agreement with similar studies carried out in Villa Clara province (Osés et al, 2020). All that has been analyzed shows us that teamwork is essential to achieve success in the confrontation and control of this pandemic that today plagues the planet and even the exchange of experiences and results between professionals of different specialties (Abdullah et al, 2020), working groups of different specialties and branches of scientific knowledge and geographical latitudes, with emphasis between groups in our area and the region is essential in the current epidemiological context, due to climatic and sociocultural similarities in many cases (Fimia et al, 2019;Marín et al, 2020;Salas et al, 2020).…”

Section: Discussionmentioning

confidence: 99%

Modeling of a Positive Case of Covid-19 Through Regressive Objective Regression Without Doing PCR

González¹

2023

Biosci. Biotech. Res. Comm

View full text Add to dashboard Cite

Currently, new technological advances in biomedicine make the creation of multidisciplinary teams of vital importance. These groups can be made up clinicians, epidemiologists, mathematicians, statisticians, computer scientists, biologists, among others, all together they can achieve an accurate prediction of infectious diseases and thus draw up the appropriate strategies by the competent authorities. The fundamental objective of this work is to obtain, through Regressive Objective Regession (ROR), the modeling of the next positive case that arrived with COVID-19 without performing PCR at the “Marta Abreu” Trashing Polyclinic in the city of Santa Clara. In this work, daily data were used from January to March corresponding to the year 2021 of the number of Covid-19 cases in the “Marta Abreu” Teaching Polyclinic in the city of Santa Clara, in the province of Villa Clara, Cuba, a total of 3294 cases of them 58 positive, of which they are assigned in the database an order number (No) according to how they were registered in the database. In the short-term modeling, the model was assigned to 19.7% with an error of0.12 the dichotomous variables, saw tooth and inverted saw tooth, and the risk returned in 1.3 and 12 cases, the trend is negative and not significant. The ROR modeling of predictions obtained give very significant results for the study of the COVID-19 pandemic at the Marta Abreu Teaching Polyclinic. With the results of the study, the authorities are provided, and in fact they are already doing so, with information on the short-and medium-term behavior of variables of great interest to understand the expansion of SARS-CoV2, which could be used for decision-marking.

show abstract

Section: Discussionmentioning

confidence: 99%

Modeling of a Positive Case of Covid-19 Through Regressive Objective Regression Without Doing PCR

González¹

2023

Biosci. Biotech. Res. Comm

View full text Add to dashboard Cite

show abstract

“…Cabe indicar que se consideraron como fechas de inicio (11/01/2020) debido a que el fenómeno de mortandad dejó de ser un periodo de latencia y era notorio el crecimiento exponencial de la mortandad; mientras que la fecha final (12/04/2020) fue considerada por razones logísticas (la mortandad resultó ser de tendencia muy baja). Representando la Figura 1 (número de fallecidos, N vs el tiempo transcurrido, t (días)), se deduce que, dicha representación sigue una tendencia logística (Bronshtein & Semendiaev, 2018;Marín-Machuca et al, 2020), y un modelo matemático que adopta la forma:…”

Section: Materiales Y Métodosunclassified

Modelamiento matemático de la mortalidad por COVID-19 en China

Machuca

Ayala

Sánchez³

et al. 2020

View full text Add to dashboard Cite

Se ha desarrollado un modelo matemático que permita analizar el comportamiento de la mortalidad en la República Popular de China ocasionado por COVID-2019. Se aplicó el modelo logístico para los datos reportados entre 11 de enero y el 12 de abril del 2020. El modelo formulado fue linealizado y planteado en dos formas. La primera, evaluando el factor de corrección B, que hace las veces de cantidad máxima de fallecidos. Se determinaron los parámetros A, k y r, obteniendo el modelo (Ecuación 7), con un coeficiente de correlación r=-0,9660 y el coeficiente de determinación r^2×100=93,31 %. La segunda forma, con el mismo valor de B, introduciendo un factor de corrección para la variable independiente, t, que hace las veces de “periodo”. Se determinaron los parámetros A, k y r, obteniendo el modelo (Ecuación 10), con un coeficiente de correlación r=-0,9668 y el coeficiente de determinación r^2×100=93,48 %; lo que demuestra buena estimación del modelo (Ecuación 7 y Ecuación 10). Asimismo, se evaluó la velocidad de mortalidad, derivando, ordinariamente los modelos (Ecuación 7 y Ecuación 10), obteniendo los modelos de velocidad (Ecuación 8 y Ecuación 11); concluyendo que la máxima velocidad de mortalidad fue de 118 personas por día el día 24 de febrero de 2020.Palabras clave: comportamiento, coronavirus, modelo logístico, mortalidad. ABSTRACT A mathematical model has developed in order to analyze the behavior of mortality in the People's Republic of China caused by COVID-2019. The logistical model was applied for the data reported between January 11th and April 12th, 2020. The model formulated was linearized and raised in two forms. The first, pre-evaluating correction factor B, representing the maximum number of deaths. Parameters A, k and r, were assessed obtaining the model (Equation 7), with a Pearson correlation coefficient r=-0,9660 and the coefficient of determination r2x100=93.31%. The second form, with the same value of B, by entering a correction factor for the independent variable t as a "period", Parameters A, k and r, were assessed obtaining the model (Equation 10), with a Pearson correlation coefficient r=-0,9668 and the coefficient of determination r2x100=93.48%; deducting good estimation of the model (Equation 7 and Equation 10). In addition, the death rate was evaluated, ordinating the models (equations 7 and 10), and obtaining the speed models (Equation 8 and Equation 11); describing the maximum death rate was 118 people per day on February 24th 2020.Keywords: behavior, coronavirus, logistical model, mortality.

show abstract

“…La problemática se refleja en la falta de aplicar conocimientos estadísticos, matemáticos y logísticos y, validar los parámetros y factores de los modelos de estimación para relacionar, estimar o predecir para tiempos transcurridos (fechas de sucesos) el número de casos infectados que, de no saberlo lleva a un vacío científico inminente (Marín-Machuca et al, 2020). Un modelo matemático es una descripción matemática mediante una función o ecuación de un fenómeno del mundo real, tal como los contagios por la COVID-19 en el Perú, y cuyo propósito es entender el fenómeno y hacer predicciones con respecto al comportamiento futuro; cuyos modelos se deben validar usando las herramientas estadísticas y aceptar los modelos matemáticos de estimación (Hernández et al, 2014).…”

Section: Introductionunclassified

Modelado y análisis de los contagios por Covid-19 en el Perú

Ortiz-Guizado,

Marín-Machuca,

Alvarado-Zambrano

et al. 2023

Biotempo

View full text Add to dashboard Cite

Describir la pandemia de la COVID-19 en el Perú, realizar un modelamiento estadístico matemático, determinar el tiempo crítico, la velocidad con que se desarrolló la pandemia y validar de los datos estimados; han caracterizado esta investigación; cuyo objetivo ha sido modelar y analizar los contagios por COVID-19 en el Perú, y comparar las personas contagiadas y las personas estimadas contagiadas; valorar el tiempo crítico en la que se produce la velocidad máxima de personas estimadas contagiadas y validar estadísticamente el modelo. Se ha tomado en cuenta los datos de contagios por la COVID-19 hasta el veinticuatro de febrero del 2023; llegando a determinar que describen una dispersión logística sigmoidal; suceso que fue modelado matemáticamente mediante la expresión , que es una ecuación logística predictora. Con el modelo matemático predictivo se estimó el número de personas contagiadas y su comportamiento de la COVID-19 en el Perú. De igual forma se evaluó la velocidad de las personas contagiadas con la COVID-19 en el Perú. Se estimó el tiempo crítico ( ) para la cual la velocidad de personas contagiadas fue máxima, valores que son y la velocidad máxima , respectivamente y la fecha que hubo la máxima velocidad de contagios por la COVID-19, fue el 28 de febrero del 2022. El coeficiente de correlación de Pearson para el tiempo transcurrido ( ) y el número de personas contagiadas ( ) en el Perú, por la COVID-19, basado en 37 casos, fue de ; determinando que la relación entre el tiempo y el número de contagios, es real, que el modelo predictivo tiene alta estimación de los datos correlacionados, que existe una “correlacion muy fuerte” entre el tiempo transcurrido ( ) y el número de personas contagiadas ( ) y que el 63 % de la variancia en es explicada por . Se concluye que el modelo logístico se puede aplicar con rigurosidad a fenómenos pandémicos y epidemiológicos con alta resolución y con alto grado de estimación y, se ha determinado que el coeficiente de correlación tiene una “asociación negativa muy fuerte” entre el número de contagios por la COVID-19 y el tiempo transcurrido en días.

show abstract

Modelamiento Matemático Del Comportamiento Epidemiológico De La Pandemia Covid-19 en China

Cited by 4 publications

References 0 publications

Modeling of a Positive Case of Covid-19 Through Regressive Objective Regression Without Doing PCR

Modeling of a Positive Case of Covid-19 Through Regressive Objective Regression Without Doing PCR

Modelamiento matemático de la mortalidad por COVID-19 en China

Modelado y análisis de los contagios por Covid-19 en el Perú

Contact Info

Product

Resources

About