medigraphic.com
ISSN 1729-519X (Impreso)

2020, Número S1

<< Anterior Siguiente >>

Revista Habanera de Ciencias Médicas 2020; 19 (S1)


Ajuste de curvas de crecimiento poblacional aplicadas a la COVID-19 en Cuba

Obando BJA, Peña PAP, Obando VLN, Franco MA

Idioma: Español
Referencias bibliográficas: 24
Paginas: 1-15
Archivo PDF: 832.81 Kb.


RESUMEN

Introducción: Cuba ha sido afectada por la COVID-19. Todas las provincias del país han presentado casos confirmados de la enfermedad. Se han llevado a cabo medidas por parte del gobierno y el sistema de salud, para contrarrestar el contagio de persona a persona. Es de gran ayuda contar con estimaciones de casos confirmados para las decisiones.
Objetivos: Obtener predicciones para los picos de casos confirmados y cantidad total de estos para algunas provincias de Cuba y para todo el país.
Material y Métodos: Estudio de tipo predictivo de curvas de crecimiento poblacional. Se analizan los datos correspondientes a los primeros 52 días de afectación de la enfermedad en el país para estimar los modelos y aplicar el método de los mínimos cuadrados para modelos no lineales con respecto a los parámetros. Se utilizan el coeficiente de determinación ajustado, el criterio de información de Akaike y el error estándar de los residuos para medir la bondad del ajuste de los modelos. Se estudian las provincias del país que presentan una tasa de infectados por cien mil habitantes mayor que 14,71 y el país en su conjunto.
Resultados: La bondad de ajuste de los modelos utilizados en las localidades estudiadas y en el país es alta, lo cual permite su confiabilidad para los pronósticos efectuados.
Conclusiones: Las predicciones plantean que las cinco localidades analizadas presentan su pico de contagio en abril al igual que Cuba.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Yang Z, Zeng Z, Wang K, Wong SS, Liang W, Zanin M, et al. Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions. J Thorac Dis. 2020;12(3):165.

  2. Cagigal MAG, Becario FPU. Modelado y análisis de la evolución de una epidemia vírica mediante filtros de Kalman: el caso de la COVID-19 en España. En: Depósito de investigación de la Universidad de Sevilla [Internet]. España: Universidad de Sevilla; 2020 [Citado 13/05/2020]. Disponible en: Disponible en: https://idus.us.es/bitstream/handle/11441/94508/Analisis%20de%20la%20evolucion%20del%20COVID-19%20con%20Filtros%20de%20Kalman%20v1%20%2801-04-2020%29.pdf?sequence=7&isAllowed=yLo guarde pdf

  3. Simón Mínguez F. Procesos de difusión Logístico y Gompertz. Métodos numéricos clásicos en la estimación paramétrica [Tesis de maestría]. España: Universidad de Granada; 2016 [Citado 13/05/2020]. Disponible en: Disponible en: https://masteres.ugr.es/moea/pages/curso201516/tfm1516/simon_minguez_tfm/

  4. Jia L, Li K, Jiang Y, Guo X. Prediction and analysis of Coronavirus Disease 2019 [Internet]. Nueva York: ArXiv; 2020 [Citado 13/05/2020]. Disponible en: Disponible en: https://arxiv.org/abs/2003.05447

  5. Yang W, Zhang D, Peng L, Zhuge C, Hong L. Rational evaluation of various epidemic models based on the COVID-19 data of China [Internet]. Nueva York: ArXiv; 2020 [Citado 13/05/2020]. Disponible en: Disponible en: http://arxiv.org/abs/2003.05666

  6. Batista M. Estimation of the final size of the COVID-19 epidemic [Internet]. Estados Unidos: MedRxiv; 2020 [Citado 13/05/2020].Disponible en: Disponible en: https://www.medrxiv.org/content/10.1101/2020.02.16.20023606v5

  7. Dattoli G, Di Palma E, Licciardi S, Sabia E. A Note on the Evolution of Covid-19 in Italy [Internet]. Nueva York: ArXiv; 2020 [Citado 13/05/2020]. Disponible en: Disponible en: http://arxiv.org/abs/2003.08684

  8. Remuzzi A, Remuzzi G. COVID-19 and Italy: what next?. The Lancet [Internet]. 2020 Abr [Citado 13/05/2020];395:1225-8. Disponible en: Disponible en: https://www.thelancet.com/article/S0140-6736%2820%2930627-9/abstract

  9. Qeadan F, Honda T, Gren LH, Dailey Provost J, Benson LS, Van Derslice JA, et al. Naive Forecast for COVID-19 in Utah Based on the South Korea and Italy Models-the Fluctuation between Two Extremes. Int J Environ Res Public Health [Internet]. 2020 [Citado 13/05/2020];17(8):2750. Disponible en: Disponible en: https://www.ncbi.nlm.nih.gov/pubmed/32316165

  10. Villalobos-Arias M. Estimation of population infected by Covid-19 using regression Generalized logistics and optimization heuristics [Internet]. Nueva York: ArXiv; 2020 [Citado 13/05/2020].Disponible en: Disponible en: https://arxiv.org/abs/2004.01207

  11. Tátrai D, Várallyay Z. COVID-19 epidemic outcome predictions based on logistic fitting and estimation of its reliability [Internet]. Nueva York: ArXiv; 2020 [Citado 13/05/2020]. Disponible en: Disponible en: https://arxiv.org/pdf/2003.14160

  12. Seber GAF. Nonlinear Regression Models. En su: The Linear Model and Hypothesis: A General Unifying Theory. Cham [Internet]. Nueva York: Springer International Publishing; 2015 p.117-28 [Citado 13/05/2020]. Disponible en: Disponible en: https://www.springer.com

  13. Moamer S, Baghestani AR, Pourhoseingholi MA, Maboudi AAK, Shahsavari S, Zali MR, et al. Application of the parametric regression model with the four-parameter log-logistic distribution for determining of the effecting factors on the survival rate of colorectal cancer patients in the presence of competing risks. Iran Red Crescent Med J [Internet]. 2017 [Citado 13/05/2020];19(6):[aprox. 2 p.]. Disponible en: Disponible en: https://sites.kowsarpub.com/ircmj/articles/13185.html

  14. Finney DJ. Bioassay and the practice of statistical inference. Int Stat Rev Int Stat [Internet]. 1979 [Citado 13/05/2020];47(1):1-12. Disponible en: Disponible en: https://www.sciencedirect.com/science/article/pii/0169260796017257/

  15. Kyurkchiev N, Iliev A. Extension of Gompertz-type Equation in Modern Science: 240 Anniversary of the birth of B. Gompertz. [Internet]. Deutschland: LAP LAMBERT Academic Publishing; 2018 [Citado 13/05/2020]. Disponible en: Disponible en: https://www.researchgate.net/publication/327137112_Extension_of_Gompertz-type_Equation_in_Modern_Science_240_Anniversary_of_the_birth_of_B_Gompertz

  16. Wais P. A review of Weibull functions in wind sector. Renew Sustain Energy Rev. 2017;70:1099-1107.

  17. Brain P, Cousens R. An equation to describe dose responses where there is stimulation of growth at low doses. Weed Res. 1989;29(2):93-6.

  18. Groot JCJ, Cone JW, Williams BA, Debersaques FMA, Lantinga EA. Multiphasic analysis of gas production kinetics for in vitro fermentation of ruminant feeds. Anim Feed Sci Technol. 1996;64(1):77-89.

  19. Ricketts JH, Head GA. A five-parameter logistic equation for investigating asymmetry of curvature in baroreflex studies. Am J Physiol-Regul Integr Comp Physiol. 1999;277(2):R441-R454.

  20. R: The R Project for Statistical Computing [Internet]. Austria: R Foundation for Statistical Computing; 2018. [Citado 13/05/2020]. Disponible en: Disponible en: https://www.r-project.org/

  21. Colin Cameron A, Windmeijer FAG. An R-squared measure of goodness of fit for some common nonlinear regression models. J Econom. 1997;77(2):329-42.

  22. Osuji GA, Okoro CN, Obubu M, Obiora Llouno HO. Effect of akaike information criterion on model selection in analyzing auto-crash variables. Int J Sci Basic Appl Res. 2016;26(1):98-109.

  23. Draper NR, Smith H. Applied regression analysis [Internet]. 3ra ed. United States: John Wiley & Sons; 1998 [Citado 13/05/2020]. Disponible en: Disponible en: https://www.wiley.com/en-us/Applied+Regression+Analysis%2C+3rd+Edition-p-9780471170822

  24. Neill JW. Testing for lack of fit in nonlinear regression. Ann Stat. 1988;16(2):733-40.




2020     |     www.medigraphic.com