García-Pola CE, Marrero SA

Language: Spanish
References: 20
Page: 1-19
PDF size: 567.50 Kb.

ABSTRACT

Introduction: Mathematical biology or biomathematics is a scientific area that studies and models biological processes with the use of mathematical techniques and methods. It is of great importance in the formulation of mathematical models that describe the dynamics of processes associated with biological and medical phenomena and especially for epidemiology in its purpose of characterizing the clinical and social context in the dynamics of contagious diseases.
Objective: To argue the different forms of population epidemiological models essential in the treatment and management of communicable diseases and epidemics, through a relatively diverse bibliographic search.
Development: Starting from the classical Kermack-McKendrick formulation, we present an overview of the models defined by ordinary differential equations for their proven performance in the mathematical description of the spread of diseases. In a second moment, we present within the probabilistic models, the so-called urn models, which allow another approach, equally valid but of more recent use.
Conclusions: Biomathematics is a multidisciplinary science in constant development and therefore, the models presented in this study are only an approach to two different approaches from the mathematical point of view, such as the population models defined by ordinary differential equations and commonly solved by numerical and computational analysis techniques and the probabilistic urn models.

REFERENCES

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.