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

Abstract

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 casode 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.

El modelo Kermack-McKendrick en la propagación de cepas COVID-19: Perú 2020-2021

“…-Cuando R0 <1, cada persona que contrae la enfermedad infectará a menos de una persona antes de morir o recuperarse, por lo que el brote desaparecerá (dI/dt <0). -Cuando R0> 1, cada persona que contraiga la enfermedad infectará a más de una, por lo que la epidemia se extenderá (dI/dt>0) (15) .…”

Regional Resource Assessment During the COVID-19 Pandemic in Italy: Modeling Study

“…Some of them are based on a deterministic model that uses ordinary differential equations for predicting the number of infected people (eg, [11,12,28]). Some other approaches use Markov modeling and compartmental models (eg, [29][30][31]). To the best of our knowledge, only the work of Rossman et al [10] presents a scalable granularity (at a state level).…”

Cómo coadyuvan los modelos matemáticos a entender y combatir a la COVID-19

“…Por otro lado, a diferencia de los modelos SIR anteriores, en Arango, et al (2020) se presenta una modelo SEIR, en donde se considera una población adicional 𝐸(𝑡), la cual considera a los individuos expuestos, es decir, la fracción de individuos infectados que aún no son capaces de transmitir la infección a otros individuos susceptibles durante el periodo de latencia. Este modelo asume que la población se mantiene constante 𝑆(𝑡) + 𝐼(𝑡) + 𝑅(𝑡) + 𝐸(𝑡) = 𝑁, que la tasa de letalidad de la enfermedad es baja, y que, además, todos los individuos infecciosos que logran recuperarse adquieren inmunidad.…”