García-Pola CE, Marrero SA

Idioma: Español
Referencias bibliográficas: 20
Paginas: 1-19
Archivo PDF: 567.50 Kb.

RESUMEN

Introducción: La biología matemática o biomatemática es un área científica que estudia y modela los procesos biológicos con el uso de técnicas y métodos matemáticos. Es de mucha importancia en la formulación de modelos matemáticos que describan la dinámica de procesos asociados a fenómenos biológicos y médicos y muy especialmente para la epidemiología en su propósito de caracterizar el contexto clínico y social en la dinámica de enfermedades contagiosas.
Objetivo: Argumentar las diferentes formas de modelos epidemiológicos poblacionales esenciales en el tratamiento y manejo de enfermedades transmisibles y epidemias, a través de una búsqueda bibliográfica relativamente diversa.
Desarrollo: A partir de la formulación clásica de Kermack-McKendrick presentamos un panorama de los modelos definidos por ecuaciones diferenciales ordinarias por el desempeño probado en la descripción matemática de la propagación de enfermedades. En un segundo momento, se presentan dentro de los modelos probabilísticos, los llamados modelos de urnas, que permiten otro enfoque, igualmente válido pero de más reciente utilización.
Conclusiones: La biomatemática es una ciencia multidisciplinaria en constante desarrollo y por eso, los modelos que se presentan en este estudio son solo un acercamiento a dos enfoques diferentes desde el punto de vista matemático, como son los poblacionales definidos por ecuaciones diferenciales ordinarias y comúnmente resueltos por técnicas de análisis numérico y computacional y los modelos de urnas, de carácter probabilístico.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Gómez A. Biología matemática, un futuro interdisciplinar. Boletín trimestral Instituto de Ciencias Matemáticas; 2015.

2. Olsen J, Christensen K, Murray J, Ekbom A. An Introduction to Epidemiology for Health Professionals. New York: Springer Science+Business Media; 2010.

3. Pliego EC. Modelos Epidemiológicos de Enfermedades Virales Infecciosas. [Tesis de Licenciatura en Matemáticas]. Benemérita Universidad Autónoma de Puebla; 2011.

4. Ávila R, Zúñiga D. Revisión histórica de la epidemiología matemática. Universidad Autónoma del estado de Hidalgo. Padi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI. 2017;4(8). DOI: https://doi.org/10.29057/icbi.v5i8.2037

5. Kermack WO, McKendrick AG. A contribution to the mathematical theory of epidemics". Proceedings of the Royal Society of London Series A. 1927;115:700-21.

6. Leon D, Ashley P. Ford. Networks and the Epidemiology of Infectious Disease. Interdisciplinary Perspectives on Infectious Diseases. 2011. DOI:10.1155/2011/284909.

7. Brauer F. Modelos de la propagación de enfermedades infecciosas. Primera edición. Programa Editorial Dirección de Investigaciones y Desarrollo Tecnológico; 2014. p. 176.

8. Cervantes L. Modelización matemática. Principios y aplicaciones. 1ra. Ed. Benemérita Universidad Autónoma de Puebla. Dirección de Fomento Editorial; 2015.

9. Fraser C, Donnelly CA, Cauchemez S. Pandemic Potential of Strain of Influenza A(H1N1): Early Findings. Science. 2009;324(5934):1557-61.

10. Cruz-Reyes A, Camargo-Camargo B. Glosario de términos en Parasitología y Ciencias Afines. Instituto de Biología, Programa Universitario de Investigación en Salud, y Plaza y Valdés; 2001. p. 85.

11. Sanz I. Modelos epidemiológicos basados en ecuaciones diferenciales. La Rioja: Servicio de Publicaciones de la Universidad de La Rioja. 2016 [acceso 12/12/2020]. Disponible en: https://biblioteca.unirioja.es/tfe

12. Menció D, Bayolo G, Marrero A. Evolución de la COVID-19 a partir de un Modelo SAIRV con tasa de transmisión variable ante precepción de riesgo, cuarentena y hospitalización. Caso Cuba. Rev. Cie. Mat. 2020;34:67-82.

13. Marrero A, Menció D, Bayolo G. Modelo SEAIR con percepción de riesgo para la COVID-19. Caso Cuba. Rev. Cie. Mat. 2020;34:13-8.

14. Eisenberg J. Qué es el R0, el número que siguen los científicos para ver la intensidad del coronavirus. Universidad de Michigan. 2020 [acceso 14/01/2021]. Disponible en: https://theconversation.com/que-es-el-r0-que-siguen-los-cientificos-para-ver-laintensidad-del-coronavirus-137744

15. Chen T, Rui J, Wang Q, Zhao Z, Cui J, Yin L, et al. A mathematical model for simulating the phase-based transmissibility of a novel coronavirus. Infectious Diseases of Poverty. 2020. DOI: https://doi.org/10.1186/s40249-020-00640-3.

16. Gutiérrez JM, Varona JL. Análisis del COVID-19 por medio de un modelo SEIR. Blog del Instituto de Matemáticas de la Universidad de Sevilla. 2020 [acceso 14/01/2021]. Disponible en: https://institucional.us.es/blogimus/2020/03/covid-19-analisis-por-medio-de-un-modelo-SEIR/

17. Menció D, Bayolo G, Marrero A. Análisis de Modelo Matemático con percepción de riesgo para la COVID-19. Resultados para Cuba. Rev. Inf. Méd. 2020 [acceso 14/01/2021];2. Disponible en: http://www.revinformatica.sld.cu/index.php/rcim.

18. McCullagh P. What is a statistical model? Annals of Statistics 30. 2002:1225-1310. DOI: 10.1214/aos/1035844977

19. Velasco J. Modelos matemáticos en epidemiología: enfoques y alcances. México, D.F: Miscelánea Matemática. 2007;44:11-27.

20. Montesinos-López OA, Hernández-Suárez CM. (2007). Modelos matemáticos para enfermedades infecciosas. Salud Pública México. 2007;49:218-26.