Modelado estadístico para la gestión de los primeros tres meses de la COVID-19 en Costa Rica

Autores/as

DOI:

https://doi.org/10.32719/25506641.2021.10.3

Palabras clave:

coronavirus, COVID-19, logístico, exponencial, reproducibilidad

Resumen

El papel del modelado estadístico en la gestión de emergencias es fundamental para perfilar o apoyar las decisiones en torno a la atención de los eventos. En 2020 con el surgimiento de la pandemia por coronavirus, los países rápidamente se prepararon para la atención del comportamiento de contagio y el impacto que tendría en la salud pública. En Costa Rica, un equipo de especialistas preparó estudios sobre el comportamiento de la curva de contagio y su efecto en la ocupación de camas hospitalarias durante los primeros tres meses de la presencia de la epidemia. Los estudios se basaron en la estimación de modelos estadísticos de crecimiento exponencial y logístico, los cuales proporcionaron los pronósticos del número de casos diarios y acumulados. La predicción de casos permitió alimentar un modelo de simulación para la proyección de demanda de camas hospitalarias por pacientes de la COVID-19. Los análisis se basaron en los datos aportados por el Ministerio de Salud en torno a los casos confirmados por coronavirus desde la aparición del primer caso en Costa Rica. Se estimaron cuatro modelos: logístico, Richards, Gompertz y exponencial, los cuales generaron la predicción de casos diarios. También se estimó el número de reproducibilidad mediante estadística bayesiana para cuantificar la transmisibilidad del virus. Los resultados permitieron anticipar el comportamiento inicial del virus en Costa Rica y el potencial efecto de las medidas de contención que se adopta-ron a partir de la declaratoria de emergencia nacional.

JEL: C15 Métodos de simulación estadística

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

Baty, Florent, Christian Ritz, Sandrine Charles, Martin Brutsche, Jean-Pierre Flandrois y Marie-Laure Delignette-Muller. 2015. “A Toolbox for Nonlinear Regression in R: The Package nlstools”. Journal of Statistical Software 66 (5): 1-21. http://www.jstatsoft.org/.

Chaves, Luis Fernando, Lisbeth Hurtado, Melissa Ramírez Rojas, Mariel Friberg, Rodrigo Marín Rodríguez y María Ávila-Agüero. 2020. “Covid-19 Basic Reproduction Number and Assessment of Initial Suppression Policies in Costa Rica”. MathematicalModelling of Natural Phenomena 15 (32): 1-13. https://doi.org/10.1051/mmnp/ 2020019.

Chowell, Gerardo, Lisa Sattienspiel, Sweta Bansai y Cécile Viboud. 2016. “Mathematical Models to Characterize Early Epidemic Growth. A Review”. Physics of Life Reviews 18 (1): 66-97. 10.1016/j.plrev.2016.07.005.

Cori, Anne, Simon Cauhemez, Neil Fergunson, Christophe Freiser, Elizabeth Dahlqwist, Alex Demarsh, Thibaut Jombart, Zhian Kamvar, Justin Lessler, Shikun Li, Jonathan Polonsky, Jake Stockwin, Robin Tompson y Robina van Galeen. 2020. Estimate Time Varying Reproduction Numbers from Epidemic Curves. R Project for Statistical Computing. R package version 2.2.4. PC y Mac OS.

Cori, Anne, Neil Ferguson, Christophe Fraser y Simon Cauchemez. 2013. “A New Fra-mework and Software to Estimate Time-Varying Reproduction Numbers During Epide-mics”. Practice of Epidemiology 178 (9): 1505-1512. 10.1093/aje/kwt133.

Grasselli, Giacomo, Antonio Pesenti y Maurizio Ceconi. 2020. “Critical Care Utilization for the COVID Outbreak in Lombardy, Italy”. American Medical Association 323 (16): 1545-1546. 10.1001/jama.2020.4031.

Livingston, Edward, y Karen Bucher. 2020. “Coronavirus Disease 2019 (COVID-19) in Italy”. American Medical Association 323 (14): 1335-1335. 10.1001/jama.2020. 4344.

Ministerio de Salud de Costa Rica. 2021. “Comunicados de prensa COVID-19”. Accedido enero. https://bit.ly/3rMKj13.

Nishiura, Hiroshi. 2010. “Correcting the Actual Reproduction Number: A Simple Method to Estimate R0 from Early Epidemic Growth Data”. International Journal of Environmental Research and Public Health 7: 291-302. 10.3390/ijerph7010291.

Oswald, Stephen, Ian Nisbet, Andre Chiaradia y Jennifer Arnold. 2012. “Flexparamcurve: R Package for Flexible Fitting of Nonlinear Parametric Curves”. Methods in Ecology and Evolution 3: 1073-1077. 10.1111/j.2041-210X.2012. 00231.x.

Paine, Timothy, Toby Marthews, Deborah Vogt, Drew Purves, Mark Rees, Andy Hector y Lindsay Turnbull. 2012. “How to Fit Nonlinear Plant Growth Models and Calculate Growth Rates: An Update for Ecologists”. Methods in Ecology and Evolution 3: 245-256.

Roosa, Kimberlyn, Yiseul Lee, Ruiyan Luo, Alexander Kirpich, Richard Rothenberg, James Hyman, Ping Yan y Gerardo Chowell. 2020. “Short-term Forecasts of the COVID-19 Epidemic in Guangdong and Zh ejiang, China: February 13-23, 2020”. Journal of Clinical Medicine 9 (596): 1-9. 0.3390/jcm9020596.

Spiess, Andrej-NiKolai. 2018. Propagation of Uncertainty Using Higher-Order Taylor Expansion and Monte Carlo Simulation. The R Project for Statistical Computing. R package version 1.0.6. PC y Mac. Montecarlo. Accedido enero de 2021. rdrr.io/cran/propagate/man/propagate.html.

Tjørve, Even, y Kathleen Tjørve. 2010. “A Unified Approach to the Richards-model Family for use in Growth Analyses: Why We Need Only Two Model Forms”. Journal of Theore-tical Biology 267: 417-425.

Torabipour, Amin, Hojjat Zeraati, Mohammad Arab, Arash Rashidian, Sari Akbari, Ali Sar-zaiem y Mahmuod Reza. 2016. “Bed Capacity Planning Using Stochastic Simulation Approach in Cardiac-surgery Department of Teaching Hospitals, Tehran, Iran”. Iranian Journal of Public Health 45 (9): 1208-1216. http://ijph.tums.ac.ir.

Publicado

2021-07-05

Cómo citar

Rojas, G., Romero, R., Pacheco, R., Villalobos, C., & Gómez, A. (2021). Modelado estadístico para la gestión de los primeros tres meses de la COVID-19 en Costa Rica. Estudios De La Gestión: Revista Internacional De Administración, (10), 55–74. https://doi.org/10.32719/25506641.2021.10.3
Métricas alternativas