Caracterización de la tendencia del COVID-19 en Colombia con regresiones polinomiales
Publicado
dic 30, 2021
Almetrics
Dimensions
Google Scholar
##plugins.themes.bootstrap3.article.details##
Resumen
O
Objetivo. Desarrollar una serie de modelos polinomiales para seguir el comportamiento del crecimiento y tendencia de la curva de contagios y muertes por COVID-19 en Colombia. Métodos. Se utilizó la recolección diaria de los datos informados de contagiados confirmados y fallecidos diarios por COVID-19 entre el 06 de marzo y el 10 de abril de 2021. Para el análisis de predicción se utilizaron funciones polinomiales desarrolladas en Excel. Resultados. De las seis funciones polinomiales evaluadas el polinomio con mayor nivel de determinación es el de grado 6 según el R2 ajustado. Se realizaron predicciones teniendo en cuenta las funciones polinomiales acumuladas de contagiados confirmados y fallecidos. Conclusión. Los modelos de fácil construcción en Excel como las funciones polinomiales, son útiles para la vigilancia de eventos de salud pública facilitando la toma de decisiones oportunas.
Keywords
Coronavirus infections, epidemiology, pandemics, transmission, severe acute respiratory syndromeInfecções por coronavírus, epidemiologia, pandemias, transmissão, síndrome respiratória aguda graveInfecciones por corovarovirus, epidemiologia, pandemias, transmisión, síndrome respiratorio agudo grave
References
1. Long-quan L, Huang T, Wang Y, Wang Z, Liang Y, Huang T, et al. COVID-19 patients' clinical characteristics, discharge rate, and fatality rate of meta-analysis. J Medic Virol. 2020;92(6):577-583. http://dx.doi.org/10.1002/jmv.25757
2. Paredes Y, Chipia J. COVID-19: estadística de morbi-mortalidad en Venezuela. GICOS: Revista del Grupo de Investigaciones en Comunidad y Salud. 2020;5(2):47-66. http://erevistas.saber.ula.ve/index,php/gicos/article/view/16120
3. Fong S, Li G, Dey N, Crespo R, Herrera-Viedma E. Finding an accurate early forecasting model from small dataset: A case of 2019-nCoV novel coronavirus outbreak. Preprint. 2020;2003.10776. http://dx.doi.org/ijimai.2020.02.002
4. Bertozzi A, Franco E, Mohler G, Short M, Sledge D. The challenges of modeling and forecasting the spread of COVID-19. Preprint. 2020;2004.04741. http://dx.doi.org/10.1073/pnas.2006520117
5. Li L, Yang Z, Dang Z, Meng C, Huang J, Meng H, et al. Propagation analysis and prediction of the COVID-19. Infectious Disease Modelling. 2020;5:282-292. https://doi.org/10.1016/j.idm.2020.03.002
6. Mizumoto K, Chowell G. Transmission potential of the novel coronavirus (COVID-19) onboard the Diamond Princess Cruises Ship, 2020. Infectious Disease Modelling. 2020;5:264-270. https://doi.org/10.1016/j.idm.2020.02.003
7. Hernandez-Matamoros A, Fujita H, Hayashi T, Perez-Meana H. Forecasting of COVID19 per regions using ARIMA models and polynomial functions. Applied Soft Computing. 2020;96:106610. http://dx.doi.org/10.1016/j.asoc.2020.106610
8. Benvenuto D, Giovanetti M, Vassallo L, Angeletti S, Ciccozzi M. Application of the ARIMA model on the COVID-2019 epidemic dataset. Data in brief. 2020;(29):105340. http://dx.doi.org/10.1016/j.dib.2020.105340
9. Manrique F, González-Chordá V, Gutiérrez O, Tellez C, Herrera-Amaya G. Modelo SIR de la pandemia de Covid-19 en Colombia. Revista Salud Pública Universidad Nacional. 2020;22:1-9. http://dx.doi.org/10.15446/rsap.v22n2.85977
10. Bizet N, Pena D. Time-dependent and time-independent SIR models applied to the COVID-19 outbreak in Argentina, Brazil, Colombia, Mexico and South Africa. 2006.12479. arXiv preprint arXiv:2006.12479. https://arxiv.org/pdf/2006.12479.pdf
11. Golondrino G, Muñoz WML. Aplicación de la regresión polinomial para la caracterización de la curva del COVID-19 en Colombia, mediante técnicas de machine learning. Investigación e Innovación en Ingenierías. 2020;8(2);87-105. http://dx.doi.org/10.17081/invinno.8.2.4103
12. Pinzón J. Proyección de la propagación del COVID-19 en Colombia. Revista Med de la Facultad de Medicina. 2020;28(1):11-20. http://dx.doi.org/10.18359/rmed.4702
13. Arango-Londoño D, Ortega-Lenis D, Muñoz E, Cuartas D, Caicedo D, Mena J, et al. Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia. Rev Salud Públ. 2020;22:1-6. https://doi.org/10.15446/rsap.V22n2.86432
14. Montesinos-López, Hernández-Suárez. Modelos matemáticos para enfermedades infecciosas. Salud Públ Méx. 2007;49(3):218-226. http://dx.doi.org/10.1590/S0036-36342007000300007
15. Heras, Donado, Pachón. Métodos cuantitativos y análisis epidemiológico en vigilancia. Vigilancia Epidemiológica de Navarra. Madrid: McGraw-Hill Interamericana; 2004.
16. Ferretti L, Wymant C, Kendall M, Zhao L, Nurtay A, Abeler-Dörner L, et al. Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing. Science. 2020;368(6491). http://dx.doi.org/10.1126/science.abb6936
17. Kucharski A, Russell T, Diamond C, Liu Y, Edmunds J, Funk S, et al. Early dynamics of transmission and control of COVID-19: A mathematical modelling study. The lancet infectious diseases. 2020;20(5):553-558. http://dx.doi.org/10.1016/S1473-3099(20)30144-4
18. da Rocha A. Regression Polynomial Analysis of the COVID-19 Epidemics: Some Initial Findings; 2020. http://dx.doi.org/10.2139/ssrn.3636820
19. Avendaño V. Infección del Covid-19 en Colombia. Una comparación de modelos logísticos y exponenciales aplicados a la infección por el virus en Colombia; 2020. https://www.researchgate.net/publication/340092755_Infeccion_del_Covid-19_en_Colombia_Una_comparacion_de_modelos_logisticos_y_exponenciales_aplicados_a_la_infeccion_por_el_virus_en_Colombia
20. Martínez J, Vargas A. Covid-19: evolución y estimaciones de las curvas epidémicas; 2020. http://bibliodigitalibd.senado.gob.mx/bitstream/handle/123456789/4877/Reporte%20TE%2078%20Curvas%20epidemicas%20F.pdf?sequence=1
21. Gerli A, Centanni S, Miozzo M, Sotgiu G. Predictive models of COVID-19 Related deaths and infections. Int J Tuberc Lung Dis. 2020;24:10. http://dx.doi.org/10.5588/ijtld.20.0196
22. Bravo A, Vera M, Huérfano YK. Modelos matemáticos estimadores de la infección por COVID-19: consideraciones esenciales y proyecciones en Colombia. Rev Salud Public. 2020;22(3):1-7. https://doi.org/10.15446/rsap.V22n3.87813
23. Cagigal M, Becario F. Modelado y análisis de la evolución de una epidemia vírica mediante filtros de Kalman: el caso de la COVID-19 en España. Depósito de investigación de la Universidad de Sevilla. España: Universidad de Sevilla. 2020. 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
2. Paredes Y, Chipia J. COVID-19: estadística de morbi-mortalidad en Venezuela. GICOS: Revista del Grupo de Investigaciones en Comunidad y Salud. 2020;5(2):47-66. http://erevistas.saber.ula.ve/index,php/gicos/article/view/16120
3. Fong S, Li G, Dey N, Crespo R, Herrera-Viedma E. Finding an accurate early forecasting model from small dataset: A case of 2019-nCoV novel coronavirus outbreak. Preprint. 2020;2003.10776. http://dx.doi.org/ijimai.2020.02.002
4. Bertozzi A, Franco E, Mohler G, Short M, Sledge D. The challenges of modeling and forecasting the spread of COVID-19. Preprint. 2020;2004.04741. http://dx.doi.org/10.1073/pnas.2006520117
5. Li L, Yang Z, Dang Z, Meng C, Huang J, Meng H, et al. Propagation analysis and prediction of the COVID-19. Infectious Disease Modelling. 2020;5:282-292. https://doi.org/10.1016/j.idm.2020.03.002
6. Mizumoto K, Chowell G. Transmission potential of the novel coronavirus (COVID-19) onboard the Diamond Princess Cruises Ship, 2020. Infectious Disease Modelling. 2020;5:264-270. https://doi.org/10.1016/j.idm.2020.02.003
7. Hernandez-Matamoros A, Fujita H, Hayashi T, Perez-Meana H. Forecasting of COVID19 per regions using ARIMA models and polynomial functions. Applied Soft Computing. 2020;96:106610. http://dx.doi.org/10.1016/j.asoc.2020.106610
8. Benvenuto D, Giovanetti M, Vassallo L, Angeletti S, Ciccozzi M. Application of the ARIMA model on the COVID-2019 epidemic dataset. Data in brief. 2020;(29):105340. http://dx.doi.org/10.1016/j.dib.2020.105340
9. Manrique F, González-Chordá V, Gutiérrez O, Tellez C, Herrera-Amaya G. Modelo SIR de la pandemia de Covid-19 en Colombia. Revista Salud Pública Universidad Nacional. 2020;22:1-9. http://dx.doi.org/10.15446/rsap.v22n2.85977
10. Bizet N, Pena D. Time-dependent and time-independent SIR models applied to the COVID-19 outbreak in Argentina, Brazil, Colombia, Mexico and South Africa. 2006.12479. arXiv preprint arXiv:2006.12479. https://arxiv.org/pdf/2006.12479.pdf
11. Golondrino G, Muñoz WML. Aplicación de la regresión polinomial para la caracterización de la curva del COVID-19 en Colombia, mediante técnicas de machine learning. Investigación e Innovación en Ingenierías. 2020;8(2);87-105. http://dx.doi.org/10.17081/invinno.8.2.4103
12. Pinzón J. Proyección de la propagación del COVID-19 en Colombia. Revista Med de la Facultad de Medicina. 2020;28(1):11-20. http://dx.doi.org/10.18359/rmed.4702
13. Arango-Londoño D, Ortega-Lenis D, Muñoz E, Cuartas D, Caicedo D, Mena J, et al. Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia. Rev Salud Públ. 2020;22:1-6. https://doi.org/10.15446/rsap.V22n2.86432
14. Montesinos-López, Hernández-Suárez. Modelos matemáticos para enfermedades infecciosas. Salud Públ Méx. 2007;49(3):218-226. http://dx.doi.org/10.1590/S0036-36342007000300007
15. Heras, Donado, Pachón. Métodos cuantitativos y análisis epidemiológico en vigilancia. Vigilancia Epidemiológica de Navarra. Madrid: McGraw-Hill Interamericana; 2004.
16. Ferretti L, Wymant C, Kendall M, Zhao L, Nurtay A, Abeler-Dörner L, et al. Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing. Science. 2020;368(6491). http://dx.doi.org/10.1126/science.abb6936
17. Kucharski A, Russell T, Diamond C, Liu Y, Edmunds J, Funk S, et al. Early dynamics of transmission and control of COVID-19: A mathematical modelling study. The lancet infectious diseases. 2020;20(5):553-558. http://dx.doi.org/10.1016/S1473-3099(20)30144-4
18. da Rocha A. Regression Polynomial Analysis of the COVID-19 Epidemics: Some Initial Findings; 2020. http://dx.doi.org/10.2139/ssrn.3636820
19. Avendaño V. Infección del Covid-19 en Colombia. Una comparación de modelos logísticos y exponenciales aplicados a la infección por el virus en Colombia; 2020. https://www.researchgate.net/publication/340092755_Infeccion_del_Covid-19_en_Colombia_Una_comparacion_de_modelos_logisticos_y_exponenciales_aplicados_a_la_infeccion_por_el_virus_en_Colombia
20. Martínez J, Vargas A. Covid-19: evolución y estimaciones de las curvas epidémicas; 2020. http://bibliodigitalibd.senado.gob.mx/bitstream/handle/123456789/4877/Reporte%20TE%2078%20Curvas%20epidemicas%20F.pdf?sequence=1
21. Gerli A, Centanni S, Miozzo M, Sotgiu G. Predictive models of COVID-19 Related deaths and infections. Int J Tuberc Lung Dis. 2020;24:10. http://dx.doi.org/10.5588/ijtld.20.0196
22. Bravo A, Vera M, Huérfano YK. Modelos matemáticos estimadores de la infección por COVID-19: consideraciones esenciales y proyecciones en Colombia. Rev Salud Public. 2020;22(3):1-7. https://doi.org/10.15446/rsap.V22n3.87813
23. Cagigal M, Becario F. Modelado y análisis de la evolución de una epidemia vírica mediante filtros de Kalman: el caso de la COVID-19 en España. Depósito de investigación de la Universidad de Sevilla. España: Universidad de Sevilla. 2020. 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
Cómo citar
Cortés Martínez, A. E., & Becerra Huertas, C. E. (2021). Caracterización de la tendencia del COVID-19 en Colombia con regresiones polinomiales . Gerencia Y Políticas De Salud, 20, 1–12. https://doi.org/10.11144/Javeriana.rgps20.ctcc
Sección
Dossier especial COVID-19
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.