Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático

En este trabajo, se estudiaron características de la propagación y predicción de casos del virus SARS-COV-2 en la República Argentina, utilizando datos de casos confirmados en el país durante el año 2020 provistos por el Ministerio de Salud. Para ello, se introdujeron herramientas previamente desarr...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Cammarota, Denise S.
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2022
Materias:
Sistemas complejos
Coronaviruses
Coronavirus
Epidemiology
Epidemiología
[Metapopulation
Modelo metapoblacional
Risk diagram
Diagrama de riesgo
Reproductive number
Numero productivo
Lagged correlations
Correlaciones con lag
COVID-19]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/1049/1/1Cammarota.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-1049
record_format dspace
institution Instituto Balseiro
institution_str I-25
repository_str R-131
collection Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language Español
orig_language_str_mv es
topic Sistemas complejos
Coronaviruses
Coronavirus
Epidemiology
Epidemiología
[Metapopulation
Modelo metapoblacional
Risk diagram
Diagrama de riesgo
Reproductive number
Numero productivo
Lagged correlations
Correlaciones con lag
COVID-19]
spellingShingle Sistemas complejos
Coronaviruses
Coronavirus
Epidemiology
Epidemiología
[Metapopulation
Modelo metapoblacional
Risk diagram
Diagrama de riesgo
Reproductive number
Numero productivo
Lagged correlations
Correlaciones con lag
COVID-19]
Cammarota, Denise S.
Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático
topic_facet Sistemas complejos
Coronaviruses
Coronavirus
Epidemiology
Epidemiología
[Metapopulation
Modelo metapoblacional
Risk diagram
Diagrama de riesgo
Reproductive number
Numero productivo
Lagged correlations
Correlaciones con lag
COVID-19]
description En este trabajo, se estudiaron características de la propagación y predicción de casos del virus SARS-COV-2 en la República Argentina, utilizando datos de casos confirmados en el país durante el año 2020 provistos por el Ministerio de Salud. Para ello, se introdujeron herramientas previamente desarrolladas en la bibliografía, como el número reproductivo empírico y los diagramas de riesgo. En particular, se observó y analizó la tendencia del número reproductivo empírico a tomar valores en torno a la unidad. Por otra parte, se optimizó el calculo de un número reproductivo empírico a partir del diseño y entrenamiento de redes neuronales artificiales. Adicionalmente, se estudió la posibilidad de reproducir características de la propagación del SARS-COV-2 utilizando modelos del tipo susceptible-infectado-recuperado (SIR) en su versión de campo medio. Se propusieron nuevos modelos modificados para contemplar la reacción social a la cantidad de casos. Esto permitió entender cualitativamente la evolución temporal de casos en algunas localidades en estudio, aunque no totalmente. Por ello, se estudió la propagación interprovincial de la enfermedad introduciendo el uso de las correlaciones con lag y se estudiaron varias propiedades de estas cantidades. Entre ellas, se encontró que las provincias como Buenos Aires y CABA, que lideran la dinámica epidémica, se caracterizan por tener correlaciones bajas y lags absolutos grandes. Adicionalmente, las provincias del Noroeste también se destacan como jurisdicciones con tendencia a lideran el brote epidémico. Finalmente, para explicar estas observaciones, se proponen diferentes modelos tipo SIR metapoblacionales de subpoblaciones conectadas por una matriz de conectividad. Se exploran estos modelos para asociarlos a las observaciones reales y se realizan para todos ellos los ajustes correspondientes. El modelo que mejor se ajusta a los datos corresponde a un modelo con tasas de contagio diferentes para cada una de las provincias, conectadas entre ellas por una matriz dependiente tanto de sus poblaciones conjuntas como de la distancia entre ellas.
format Tesis
NonPeerReviewed
author Cammarota, Denise S.
author_facet Cammarota, Denise S.
author_sort Cammarota, Denise S.
title Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático
title_short Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático
title_full Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático
title_fullStr Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático
title_full_unstemmed Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático
title_sort modelo epidemiológicos de covid-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático
publishDate 2022
url http://ricabib.cab.cnea.gov.ar/1049/1/1Cammarota.pdf
work_keys_str_mv AT cammarotadenises modeloepidemiologicosdecovid19simulacionescomputacionalesestadisticasbayesianaytecnicasdeaprendizajeautomatico
_version_ 1794277884613885952
spelling I25-R131-10492022-07-08T18:25:25Z Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático Epidemiological models of COVID-19: computer simulations, bayesian statistics and machine learning techniques Cammarota, Denise S. Sistemas complejos Coronaviruses Coronavirus Epidemiology Epidemiología [Metapopulation Modelo metapoblacional Risk diagram Diagrama de riesgo Reproductive number Numero productivo Lagged correlations Correlaciones con lag COVID-19] En este trabajo, se estudiaron características de la propagación y predicción de casos del virus SARS-COV-2 en la República Argentina, utilizando datos de casos confirmados en el país durante el año 2020 provistos por el Ministerio de Salud. Para ello, se introdujeron herramientas previamente desarrolladas en la bibliografía, como el número reproductivo empírico y los diagramas de riesgo. En particular, se observó y analizó la tendencia del número reproductivo empírico a tomar valores en torno a la unidad. Por otra parte, se optimizó el calculo de un número reproductivo empírico a partir del diseño y entrenamiento de redes neuronales artificiales. Adicionalmente, se estudió la posibilidad de reproducir características de la propagación del SARS-COV-2 utilizando modelos del tipo susceptible-infectado-recuperado (SIR) en su versión de campo medio. Se propusieron nuevos modelos modificados para contemplar la reacción social a la cantidad de casos. Esto permitió entender cualitativamente la evolución temporal de casos en algunas localidades en estudio, aunque no totalmente. Por ello, se estudió la propagación interprovincial de la enfermedad introduciendo el uso de las correlaciones con lag y se estudiaron varias propiedades de estas cantidades. Entre ellas, se encontró que las provincias como Buenos Aires y CABA, que lideran la dinámica epidémica, se caracterizan por tener correlaciones bajas y lags absolutos grandes. Adicionalmente, las provincias del Noroeste también se destacan como jurisdicciones con tendencia a lideran el brote epidémico. Finalmente, para explicar estas observaciones, se proponen diferentes modelos tipo SIR metapoblacionales de subpoblaciones conectadas por una matriz de conectividad. Se exploran estos modelos para asociarlos a las observaciones reales y se realizan para todos ellos los ajustes correspondientes. El modelo que mejor se ajusta a los datos corresponde a un modelo con tasas de contagio diferentes para cada una de las provincias, conectadas entre ellas por una matriz dependiente tanto de sus poblaciones conjuntas como de la distancia entre ellas. In this work we studied characteristics of the propagation and forecasting of SARSCOV- 2 cases in Argentina, using national data from conrmed cases during 2020 as provided per the Ministry of Health. For that purpose, we introduced tools which were previously developed in the literature, such as the empirical reproductive number and risk diagrams. In particular, we observed and analyzed the tendency of the reproductive number to take values in the vicinity of the unit. Furthermore, we propose a way to optimize the calculus of the empirical reproductive number by means of designing and training artificial neural networks. Aditionally, we studied the possibility of reproducing characteristics of SARS-COV- 2 propagation using mean field susceptible-infected-removed (SIR) models. New models were proposed to take into account social reaction to the amount of confirmed cases. These models allowed us to cualitatively understand the temporal evolution of cases in certain regions, though not completely. Therefore, we began a new analysis that takes into account the spatial dimension of the problem at hand. To do that, we introduced the concept of lagged correlations and we observed several interesting properties of these quantities. Among them, we found that provinces leading the epidemiological dynamics have lower correlations and higher absolute lags, such as Buenos Aires and CABA. Aditionally, provinces in the Northwest region also show a tendency to lead the epidemic outbreak. Finally, to explain these observations, several metapopulation SIR models are proposed. These consist of provinces being connected by a connectivity matrix. We explored all presented models, as well as tting them to real-world data. The best t fiends up corresponding to a model with inhomogeneus infection rates and with a connectivity matrix dependent on the provinces' joint population as well as on distance between them. 2022-02-23 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1049/1/1Cammarota.pdf es Cammarota, Denise S. (2022) Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático / Epidemiological models of COVID-19: computer simulations, bayesian statistics and machine learning techniques. Maestría en Ciencias Físicas, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1049/

Ejemplares similares