Un Modelo Matemático SIR-D Segmentado para la Dinámica de Propagación del Coronavirus (COVID-19) en el Perú

• Pino Romero, Neisser ^[1] ; Soto-Becerra, Percy ^[3] ; Quispe Mendizábal, Ricardo Angelo ^[2]
  1. [1] Universidad Peruana Cayetano Heredia

     Universidad Peruana Cayetano Heredia

     Perú

     
  2. [2] Universidad Nacional Mayor de San Marcos

     Universidad Nacional Mayor de San Marcos

     Perú

     
  3. [3] Instituto de Evaluación de Tecnologías en Salud e Investigación - IETSI, EsSalud. Lima, Perú.

  Mostrar afiliaciones +
• Localización: Selecciones Matemáticas, ISSN-e 2411-1783, Vol. 7, Nº. 1, 2020 (Ejemplar dedicado a: January - July), págs. 162-171
• Idioma: español
• Títulos paralelos:
  • A Segmented SIR-D Mathematical Model for Coronavirus Propagation Dynamics (COVID-19) in Peru
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El presente estudio propone el uso de un modelo matemático SIR-D segmentado para predecir la evolución de poblaciones epidemiológicas de interés en la pandemia del COVID-19 (Susceptible [S], Infectados [I], Recuperados [R] y muertos [D]), información que, a menudo, es clave para orientar la toma de decisiones en la lucha contra epidemias. Con la finalidad de obtener una mejor calibración del modelo y un menor error de predicción en el corto plazo, realizamos la segmentación del modelo en 6 etapas de periodos de 14 días cada uno. En cada etapa, las tasas epidemiológicas que definen el sistema de ecuaciones se estiman empíricamente mediante regresión lineal de los datos de vigilancia epidemiológica que el Ministerio de Salud del Perú recoge y reporta diariamente. Esta estrategia mostró una mejor calibración del modelo en comparación con un modelo SIR-D no segmentado.

  • English

    The present study proposes the use of a segmented SIR-D mathematical model to predict the evolution of epidemiological populations of interest in the COVID-19 pandemic (Susceptible [S], Infected [I], Recovered [R] and dead [D]), information that is often key to guiding decision-making in the fight against epidemics. In order to obtain a better model calibration and a lower prediction error in the short term, we performed the model segmentation in 6 stages of periods of 14 days each. At each stage, the epidemiological  that define the system of equations are empirically estimated by linear regression of the epidemiological surveillance data that the Peruvian Ministry of Health collects and reports daily. This strategy showed better model calibration compared to an unsegmented SIR-D model.