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...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2022
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/1049/1/1Cammarota.pdf |
| Aporte de: |
| Sumario: | 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. |
|---|