aplicación de modelos matemáticos a la...
TRANSCRIPT
Universidad Nacional de La Matanza
Aplicación de Modelos Matemáticos a la Epidemiología Modelado con Ecuaciones Diferenciales
Autora: Figueroa, María Virginia Tutor: Lic. Quiroga, Hernán Docentes: Dr. Galardo, Osvaldo / Lic. Barreto, Jorge Carrera: Licenciatura en Matemática Aplicada Fecha de presentación: 19 de diciembre de 2014
Aplicación de Modelos Matemáticos a la Epidemiología
Figueroa, María Virginia
AGRADECIMIENTOS
A Vero, a Vicky y a Gise, por la ayuda, las ideas y el apoyo.
A Hernán, por su seguimiento y aliento.
INDICE
Resumen/Abstract
Capítulo 1: Introducción
Capítulo 2: Marco Teórico
¿Qué es un modelo matemático?
Objetivos de los modelos matemáticos
Clasificación de los modelos matemáticos
Modelos biométricos determinísticos
Modelos Matemáticos para enfermedades infecciosas
Simulaciones de modelos matemáticos
Definición
Tipos de simulaciones
Diagramas de dispersión
Capítulo 3: Principales modelos de transmisión de
enfermedades infecciosas
Modelos SI, SIS y SIR
Modelo SI
Modelo SIS
Modelo SIR
1
2
5
5
6
6
7
8
10
10
10
11
13
13
14
16
18
Cuadro resumen de los modelos epidemiológicos
determinísticos
21
Capítulo 4: Simulación del modelo SIR
Variación de Susceptibles por unidad de tiempo
Variación de Infectados por unidad de tiempo
Variación de Removidos por unidad de tiempo
Capítulo 5: Resultados de la Simulación
Comportamiento general de )(SII
Capítulo 6: Conclusión
Bibliografía
Anexos
Anexo 1: Epidemia
Anexo 2: Conceptos estadísticos de medidas de
ocurrencia (Incidencia y prevalencia)
22
22
24
26
30
33
36
37
38
38
39
Aplicación de Modelos Matemáticos a la Epidemiología
Página 1
Aplicación de Modelos Matemáticos a la Epidemiología Modelado con ecuaciones diferenciales
Resumen La epidemiología estudia y describe la salud y las enfermedades que se presentan en una
determinada población. Los epidemiólogos han intentado desarrollar modelos matemáticos de
epidemias potenciales de algunas enfermedades comunes e importantes, con el fin de mejorar la
capacidad para comprender y predecir el desarrollo de una epidemia. En la elaboración de un
modelo de epidemia, se tienen en cuenta los componentes y muchos de los subcomponentes de
una epidemia específica de la cual se tiene información, y que permite estudiarla
cuantitativamente, es decir, desarrollando un modelo matemático que describa la misma.
La elaboración y el análisis de los modelos matemáticos de las epidemias proporciona
abundante y valiosa información.
Gracias al modelado de sistemas y a la simulación de modelos se puede predecir la
evolución de una determinada enfermedad infecto contagiosa, y a partir de esto se pueden tomar
decisiones acerca de los pasos a seguir.
Palabras clave: Epidemiología, ecuaciones diferenciales, simulación de modelos matemáticos.
Abstract
Epidemiology studies and describes health and disease that occur in a given population.
Epidemiologists have tried to develop mathematical models of potential epidemics of some
common and important diseases, in order to improve the ability to understand and predict the
development of an epidemic. In developing an epidemic model it has to take into account many
of the components and subcomponents of an specific epidemic which information is available,
and allows to study quantitatively, in other words, developing a mathematical model that
describes it.
The development and analysis of mathematical models of epidemics provides a wealth of
valuable information.
Thanks to systems modeling and simulation models you can predict the evolution of a
particular contagious infectious disease, and from this you can make decisions about next steps.
Keywords: epidemiology, differential equations, mathematical simulation models.
Resumen / Abstract
Aplicación de Modelos Matemáticos a la Epidemiología
Página 2
La epidemiología1 es la disciplina que estudia la distribución, la frecuencia, los
determinantes, las relaciones, las predicciones y el control de los factores relacionados con la
salud y con las distintas enfermedades existentes en poblaciones humanas específicas. En
epidemiología se estudian y describen la salud y las enfermedades que se presentan en una
determinada población, para lo cual se tienen en cuenta una serie de patrones de enfermedad, que
se reducen a tres aspectos: tiempo, lugar y persona: el tiempo que tarda en surgir, la temporada
del año en la que surge y los tiempos en los que es más frecuente; el lugar (la ciudad, la
población, el país, el tipo de zona) en donde se han presentado los casos, y las personas más
propensas a padecerla (niños, ancianos, etc., según el caso).
La aplicación de la matemática a la epidemiología puede trazarse al menos hasta el año de
1760 cuando Daniel Bernoulli publicó un pequeño tratado sobre la epidemia de peste que en ese
entonces se desarrollaba sobre Europa. En el siglo pasado el interés por la aplicación de métodos
cuantitativos a la biología como consecuencia del éxito de éstos en la física y en particular en
biofísica y bioquímica.
Una observación temprana que fue rápidamente puesta en términos cuantitativos, es la de
que las enfermedades infecciosas se transmiten por contacto entre un individuo susceptible y uno
enfermo infeccioso. Hamer en 1906 formuló la ley de acción de masas que establece que el
número de contactos infecciosos por unidad de tiempo es proporcional al número total de
1 La palabra epidemiología, que proviene de los términos griegos "epi" (encima), "demos" (pueblo) y "logos"
(estudio), etimológicamente significa el estudio de "lo que está sobre las poblaciones".
CAPÍTULO 1: Introducción
Aplicación de Modelos Matemáticos a la Epidemiología
Página 3
contactos entre individuos infecciosos y sanos. Más tarde Ronald Ross en el apéndice de su libro
The Prevention of Malaria en la edición de 1911, formuló un modelo matemático sencillo como
apoyo de su argumentación de que para erradicar el paludismo era suficiente con disminuir la
población de mosquitos a un nivel bajo, sin necesariamente extinguirla. Más tarde, en 1927
Kermack y McKendrick formularon un modelo matemático bastante general y complejo para
describir la epidemia de peste que sufrió la India en 1906.
La epidemiología es parte importante de la salud pública y contribuye a:
1. definir los problemas e inconvenientes de salud importantes de una comunidad;
2. describir la historia natural de una enfermedad;
3. descubrir los factores que aumentan el riesgo de contraer una enfermedad (su etiología2);
4. predecir las tendencias de una enfermedad;
5. determinar si la enfermedad o problema de salud es prevenible o controlable;
6. determinar la estrategia de intervención (prevención o control) más adecuada;
7. probar la eficacia de las estrategias de intervención;
8. cuantificar el beneficio conseguido al aplicar las estrategias de intervención sobre la
población;
9. evaluar los programas de intervención;
10. la medicina moderna, especialmente la mal llamada medicina basada en la evidencia
(medicina factual o medicina basada en estudios científicos), está basada en los métodos
de la epidemiología.
2 La etiología es la ciencia que estudia las causas de las cosas. En medicina (patogénesis) se refiere al origen de la
enfermedad.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 4
En los últimos años, los epidemiólogos han intentado desarrollar modelos matemáticos de
epidemias potenciales de algunas enfermedades comunes e importantes, con el fin de mejorar la
capacidad para comprender y predecir el desarrollo de una epidemia. Se sabe que los modelos
son representaciones simplificadas de la realidad (sin pretender ser una réplica) y se usan para
plantear hipótesis, identificar factores en investigaciones experimentales y para desarrollar
predicciones en general. Los modelos son “herramientas”, “mapas” o métodos de trabajo usados
para representar lo que sucede en una población bajo ciertas circunstancias y con la característica
de la jerarquización de las variables y de los factores. En muchas circunstancias, un fenómeno y
sus relaciones, se describen mejor, cuando se usan modelos.
En la elaboración de un modelo de epidemia, se tiene en cuenta los componentes y muchos
de los subcomponentes de una epidemia específica de la cual se tiene información, y que permite
estudiarla cuantitativamente, es decir, desarrollando un modelo matemático que describa la
epidemia. Esto se conoce como Epidemiología Cuantitativa.
La elaboración y el análisis de los modelos matemáticos de las epidemias, proporciona
abundante y valiosa información relacionada con la cantidad y eficiencia del inóculo inicial, los
efectos del ambiente, la resistencia del hospedero, el tiempo de interacción entre el hospedero y el
patógeno, los sistemas de predicción y la efectividad de las estrategias de manejo de la
enfermedad.
El objetivo del presente trabajo es estudiar los modelos matemáticos a fin de dar un panorama
de los mismos y poder ejemplificar de alguna manera su nivel de predicción.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 5
CAPÍTULO 2: Marco teórico
¿Qué es un modelo matemático?
Con frecuencia se desea describir el comportamiento de algún sistema o fenómeno de la
vida real en términos matemáticos; dicho sistema puede ser físico, sociológico o hasta
económico. La descripción matemática de un sistema o fenómeno se llama modelo matemático
y se forma con ciertos objetivos en mente; por ejemplo, podríamos tratar de comprender los
mecanismo de ciertos ecosistemas estudiando el crecimiento de las poblaciones de animales, o
podríamos tratar de fechar fósiles analizando la desintegración de una sustancia radioactiva, sea
en el fósil o en el estrato donde se encontraba.
En ningún caso se debe confundir modelo con realidad. Un modelo es sólo una
representación de la realidad, utilizado para estudiar y analizar dicha realidad.
Los modelos no reproducen la realidad, sino que pueden formular una planificación sobre
ella, y siempre una hipótesis resultante de una simplificación que resulta de prescindir de un
cierto número de variables, lo que supone inevitablemente la no consideración de una serie de
factores componentes de la realidad que entran en juego.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 6
Objetivos de los modelos matemáticos
La construcción de modelos matemáticos es una de las herramientas utilizadas hoy en día
para el estudio de problemas en medicina, biología, fisiología, bioquímica, epidemiología,
farmacocinética, entre otras áreas del conocimiento; sus objetivos primordiales son describir,
explicar y predecir fenómenos y procesos en dichas áreas. Sin embargo, su aplicación se ve
limitada con frecuencia por la falta de conocimientos e información acerca de los principios
básicos del modelamiento matemático.
Clasificación de los modelos matemáticos
Existen dos tipos de modelos matemáticos: determinísticos y estocásticos.
En un modelo determinístico se pueden controlar los factores que intervienen en el
estudio del proceso o fenómeno y por tanto se pueden predecir con exactitud sus resultados.
En un modelo estocástico no es posible controlar los factores que intervienen en el estudio
Aplicación de Modelos Matemáticos a la Epidemiología
Página 7
del fenómeno y en consecuencia no produce simples resultados únicos. Cada uno de los
resultados posibles se genera con una función de probabilidad que le adjudica una probabilidad a
cada uno de éstos.
Por ejemplo, un modelo para predecir el tamaño de una epidemia en una población de N
individuos. Para el caso determinístico se proporciona un valor único, mientras que el modelo
estocástico permite la posibilidad de obtener desde cero hasta N individuos y se adjudica una
cierta probabilidad a cada uno de estos sucesos. La diferencia es más grande de lo que parece, ya
que en un modelo matemático determinístico en el contexto epidemiológico; un solo sujeto causa
una epidemia generalizada, mientras que bajo un modelo estocástico existe la posibilidad de que
la epidemia se extinga.
Modelos Biométricos Determinísticos
Los seres vivos realizan transformaciones de forma continua. Los alimentos se
transforman en energía y otras sustancias. Para el análisis de estos cambios se necesitan modelos,
cuyo objetivo es establecer relaciones entre las cantidades de las sustancias transformables y las
medidas de las sustancias transformadas. Estos modelos se suelen denominar causa-efecto o
hipersuperficies estímulo-respuesta. Las funciones relacionan la intensidad o cantidad de algunos
agentes causales o estímulos, con la cantidad o intensidad de algún efecto biológico.
Tradicionalmente las causas se denominan variables independientes, y se denotan por x, mientras
que los efectos se llaman variables dependientes y se denotan por y.
La respuesta de un sistema biológico se puede estudiar, experimentalmente, bajo
diferentes condiciones, utilizando los datos resultantes en la estimación de la función que
Aplicación de Modelos Matemáticos a la Epidemiología
Página 8
caracteriza el modelo. Esquemas de esta clase de modelos son:
Causa Efecto
Entrada Salida
x y
Después de hallar una función tipo que imite la respuesta biológica, se deben utilizar
técnicas apropiadas para estimar los parámetros del modelo. Estos parámetros se pueden estimar
con pruebas ensayo-error o por procedimientos más formales, tales como ajustes de funciones.
Cuando los modelos son muy complejos, es probable que la única técnica disponible para la
estimación sea la de ensayo-error.
Los modelos biológicos, en general, se pueden plantear analíticamente mediante
ecuaciones diferenciales, que definen una razón de cambio de alguna variable dependiente,
respecto de alguna variable independiente. En muchos modelos biológicos, la variable
independiente mide usualmente tiempo, distancia o concentración.
Modelos matemáticos para enfermedades infecciosas
La relevancia de la construcción de los modelos matemáticos para enfermedades
infecciosas es evidente:
a) la construcción de modelos revela algunas veces relaciones que no son obvias a primera vista;
Componentes del sistema
Cuerpo negro
f(x)
Aplicación de Modelos Matemáticos a la Epidemiología
Página 9
b) una vez construido el modelo matemático es posible extraer de él propiedades y características
de las relaciones entre los elementos que de otra forma permanecerían ocultas;
c) en la mayor parte de los problemas de enfermedades infecciosas del mundo real no es factible
experimentar con la realidad, ya que puede ser muy costoso, peligroso, inmoral o incluso
imposible. Por lo tanto, es natural intentar superar esta dificultad con la construcción de un
modelo que describa de manera adecuada las características básicas de la epidemia y entonces
usar el modelo para predecir las consecuencias de introducir cambios específicos;
d) la función principal de un modelo para una enfermedad infecciosa consiste en proveer un
medio que posibilita entender la dispersión de una enfermedad infecciosa a través de una
población bajo diferentes escenarios.
Es importante resaltar que un modelo está en verdad definido por las relaciones que
incorpora. Estas relaciones son independientes de los datos a introducir en el modelo, ya que un
modelo puede usarse para diferentes ocasiones y en distintos contextos. Cabe señalar que los
modelos matemáticos para enfermedades infecciosas se utilizan como herramienta para tomar
decisiones y que deben valorarse en su justa medida, ya que difícilmente es comprensible un
problema complejo sin una mínima modelación, aunque también hay que reconocer que no es
posible modelar la totalidad de las situaciones reales. En esencia, la función central de crear y
analizar modelos matemáticos es mejorar la comprensión de un sistema para prevenir futuras
situaciones de enfermedades, determinar la prevalencia e incidencia y coadyuvar a tomar
decisiones objetivas para controlar o erradicar las enfermedades.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 10
Simulaciones de modelos matemáticos
Una vez construido un modelo matemático, si éste es lo suficientemente sencillo, puede
ser posible trabajar con sus relaciones y cantidades para obtener una solución analítica exacta.
Si una solución analítica para un modelo matemático está disponible y es computacionalmente
eficiente, es mejor estudiar el modelo de esta manera y no por la vía de la simulación. Sin
embargo, muchos sistemas son altamente complejos. En este caso, el modelo debe ser estudiado
por medio de una simulación.
Definición
La simulación es la construcción de modelos informáticos que describen la parte esencial del
comportamiento de un sistema de interés, así como diseñar y realizar experimentos con el modelo
y extraer conclusiones de sus resultados para apoyar la toma de decisiones.
Tipos de Simulación
Existen distintos tipos de simulación de modelos:
Aplicación de Modelos Matemáticos a la Epidemiología
Página 11
Simulación Discreta: tiene que ver con el modelado de un sistema en el cual las
variables de estado cambian solo en puntos discretos o contables en el tiempo. Un
ejemplo típico de simulación discreta ocurre en las colas donde estamos interesados
en la estimación de medidas como el tiempo de espera promedio o la longitud de la
línea de espera. Tales medidas solo cambian cuando un cliente entra o sale del
sistema; en todos los demás momentos, no ocurre nada en el sistema desde el punto de
vista de la inferencia estadística.
Simulación Continua: se aplica cuando las variables de estado cambian en forma
continua a través del tiempo. Un ejemplo típico de simulación continua es el estudio
de la dinámica de la población mundial; los modelos de simulación continua
normalmente se representan en términos de ecuaciones diferenciales en diferencias
que describen las interacciones entre los diferentes elementos del sistema.
Simulación estática: Un modelo estático de simulación es una representación de un
sistema en determinado punto en el tiempo.
Simulación dinámica: Una simulación dinámica es una representación de cómo
evoluciona un sistema a través del tiempo.
La simulación que se utilizará en el presente trabajo será del tipo continua y dinámica.
Diagramas de dispersión
Un diagrama de dispersión es un tipo de diagrama matemático que utiliza las coordenadas
cartesianas para mostrar los valores de dos variables para un conjunto de datos.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 12
Los datos se muestran como un conjunto de puntos, cada uno con el valor de una variable
que determina la posición en el eje horizontal y el valor de la otra variable determinado por la
posición en el eje vertical. Un diagrama de dispersión se llama también gráfico de dispersión.
Se emplea cuando una variable está bajo el control del experimentador. Si existe un
parámetro que se incrementa o disminuye de forma sistemática por el experimentador, se le
denomina parámetro de control o variable independiente y habitualmente se representa a lo largo
del eje horizontal (eje de las abscisas). La variable medida o dependiente usualmente se
representa a lo largo del eje vertical (eje de las ordenadas). Si no existe una variable dependiente,
cualquier variable se puede representar en cada eje y el diagrama de dispersión mostrará el grado
de correlación (no causalidad) entre las dos variables.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 13
CAPÍTULO 3: Principales modelos de transmisión de enfermedades
infecciosas
Modelos SI, SIS y SIR
Supongamos una población de tamaño S inicialmente sana, en la cual se introduce un
cierto número I de infectados. El objeto de estudio de la mayor parte de estos modelos lo
constituyen individuos, en un sentido figurado y matemáticamente tratable, vinculados con su
entorno generalmente constituido por los vecinos más cercanos. La interacción con sus vecinos es
modelada matemáticamente en forma abstracta y despojada de todo aspecto psicológico o social,
y está asociada al hecho de que es la proximidad espacial entre dos individuos lo que hace más
probable la transmisión de la enfermedad entre ellos, en caso de ser contagiosa. Así, la
distribución espacial determinará cuál es el grupo de individuos a los cuales un sujeto podrá
transmitir o de los cuales podrá contagiarse la enfermedad. Existen modelos que contemplan
individuos inmóviles, otros sujetos que migran desplazando la infección.
En los modelos epidemiológicos estándar se parte del supuesto de que los individuos se
encuentran en uno de varios estados posibles. En función de dichos estados, la población puede
incluirse en algunas categorías: individuos susceptibles (S), infectados (I) o removidos (R), etc.
Los modelos más importantes son: SI, SIS y SIR, que pueden modelarse en forma
determinista o estocástica y en todos ellos se asume que la interacción entre los individuos es
aleatoria. La mejor manera de modelar las enfermedades infantiles consiste en emplear un
modelo SIR puesto que la infección lleva a una inmunidad vitalicia. Para la mayor parte de las
Aplicación de Modelos Matemáticos a la Epidemiología
Página 14
enfermedades de transmisión sexual (ETS) resulta más útil el modelo SIS, toda vez que tan sólo
un número reducido de ETS confiere inmunidad tras la infección. El VIH es una excepción clara
y todavía puede describirse de forma adecuada, al menos en el mundo occidental, mediante el
modelo SI.
A continuación se describen de modo sinóptico los modelos SI, SIS y SIR bajo su versión
determinística y estocástica.
Teniendo en cuenta previamente la siguiente nomenclatura trabajada:
S(t) representa a los individuos susceptibles, es decir, aquellos que no han enfermado
anteriormente y por lo tanto pueden resultar infectados al entrar en contacto con la
enfermedad.
I(t) representa a los individuos infectados y por lo tanto en condiciones de transmitir la
enfermedad a los del grupo S.
R(t) representa a los individuos recobrados de la enfermedad, y que ya no están en
condiciones ni de enfermar nuevamente ni de transmitir la enfermedad a otros.
Modelo SI: Susceptible-Infectado (S-I) que no considera la remoción de casos mediante
aislamiento o cuarentena.
Comencemos viendo el SI en su versión determínistica, es decir, como un modelo continuo
en su forma más simple. Este modelo consistente en un sistema de dos ecuaciones diferenciales:
[11]
Aplicación de Modelos Matemáticos a la Epidemiología
Página 15
En la ecuación 11 aparecen dos variables dependientes: el número de personas
susceptibles (S) y el número de personas infectadas (I). En este modelo, bajo su versión
estocástica, cada individuo infeccioso tiene contacto con otro, escogido al azar, a una tasa l
(contactos por unidad de tiempo). Por lo tanto, la variable aleatoria tk, tiempo transcurrido entre la
infección del individuo k-1 y el individuo k, para k=1,2,3,…, tiene una distribución exponencial
con parámetro l, una constante que no cambia con el tiempo. Esto significa que la variable
aleatoria X(t), que se refiere al número de susceptibles e infectados al tiempo t, es un proceso
Poisson homogéneo3. Los estados del proceso al tiempo t se identifican por X(t)={S(t),I(t)}, esto
es, el número de susceptibles e infectados al tiempo t. Por consiguiente, cuando hay I infectados y
S susceptibles, las probabilidades de transición son:
[12]
3 En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de probabilidad discreta que
expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado número de
eventos durante cierto período de tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de
sucesos con probabilidades muy pequeñas, o sucesos "raros".
Aplicación de Modelos Matemáticos a la Epidemiología
Página 16
donde o(d) es una cantidad que tiende a cero
cuando d tiende a cero. Para cada valor de
tiempo bajo ambos modelos N=S(t)+I(t), donde
N es el tamaño de la población. Además, el
significado de un contacto es cualquier
actividad que resulta en la infección de un
susceptible por un individuo infeccioso.
También este modelo en ambas versiones es
homogéneo para las personas, ya que se
presupone que cada individuo tiene el mismo
número esperado de contactos, de tal forma que es posible afirmar que el modelo presupone una
interacción aleatoria. La solución a este modelo en ambas versiones traza una trayectoria en
forma de S, según se muestra en la figura 1, debido a que el número de individuos infectados que
puede transmitir la infección es bajo en las primeras etapas del proceso, mientras que el número
de individuos susceptibles es bajo en las últimas etapas. Como resultado, el número de infectados
experimenta el mayor crecimiento durante la etapa intermedia del proceso.
Modelo SIS: Susceptible-infectado-susceptible; se usa en casos en que la enfermedad no
confiere inmunidad y el individuo pasa de estar infectado a susceptible nuevamente, saltando la
etapa R.
El modelo SIS puede formularse como un sistema de dos ecuaciones diferenciales, como
se ilustra a continuación:
Aplicación de Modelos Matemáticos a la Epidemiología
Página 17
[13]
La ecuación para el modelo SIS difiere de la del modelo SI porque se agrega el término
µI(t) en la ecuación 13, que describe el ritmo al que los individuos se recuperan de la enfermedad
o se convierten en susceptibles, por lo que se aplica en ambas ecuaciones. En el modelo SIS
estocástico la tasa de contacto es también l (contactos por unidad de tiempo). De nueva cuenta, la
variable aleatoria tiempo transcurrido entre la infección del individuo k-1 y el individuo k, para
k=1,2,3,…, tiene una distribución exponencial con parámetro l. Del mismo modo, la variable
aleatoria tiempo transcurrido entre la recuperación (el individuo se vuelve otra vez susceptible)
del individuo k-1 y el individuo k, para k=1,2,3,…, tiene una distribución exponencial con
parámetro µ. Ambas, l y µ, son constantes que no cambian con el tiempo. Por lo tanto, la variable
aleatoria X(t), que alude al número de susceptibles e infectados al tiempo t, es un proceso Poisson
homogéneo y también N=S(t)+I(t), de manera que los estados del proceso al tiempo t se
identifican por X(t)={S(t),I(t)}, es decir, el número de susceptibles e infectados al tiempo t. Aquí,
cuando hay I infectados y S susceptibles, las probabilidades de transición son:
[14]
De igual manera, o(d) es una cantidad que tiende a cero cuando también lo hace d. La
solución al modelo SIS en ambas versiones también muestra que se debería esperar una
trayectoria en forma de S en la cifra de infectados. No obstante, la trayectoria SIS difiere de la SI
Aplicación de Modelos Matemáticos a la Epidemiología
Página 18
en que el número de personas infectadas al mismo tiempo nunca alcanza el total de la población
(lo que no excluye la posibilidad de que cada uno de los individuos pueda infectarse en algún otro
momento). Por el contrario, el proceso alcanza un equilibrio cuando exactamente el mismo
número de individuos infecciosos se convierte en susceptible o viceversa.
Modelo SIR: Susceptible-Infectado-Removido. Este modelo relaciona los tres estadios.
Esto no quiere decir que todos los individuos de una población deban pasar por estos,
algunos no serán infectados y permanecerán sanos, o sea siempre en estado S, otros serán
inmunizados artificialmente por vacunación, o algún otro método y pasarán a ser R sin haber
estado infectados. Es justamente el interés del modelo tener en cuenta todas estas posibilidades y
tratar de predecir el comportamiento de una epidemia.
El modelo SIR, que en su forma más simple puede formularse como un conjunto de
ecuaciones diferenciales, tal y como se muestra a continuación:
[15]
Por último, en el modelo SIR estocástico cada individuo infeccioso tiene también contacto
con otro, escogido al azar, a una tasa l (contactos por unidad de tiempo). A diferencia del modelo
SIS, un individuo infectado se recupera y en lugar de susceptible se vuelve inmune a una tasa µ.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 19
De nueva cuenta, la variable aleatoria tiempo transcurrido entre la infección del individuo K-1 y
el individuo k, para k=1,2,3,…, muestra una distribución exponencial con parámetro l. Del
mismo modo, la variable aleatoria tiempo transcurrido entre la recuperación (el sujeto se vuelve
inmune) de los individuos k-1 y k, para k=1,2,3,…, tiene una distribución exponencial con
parámetro µ. Ambas, l y µ, son constantes que no cambian con el tiempo. Por consiguiente, la
variable aleatoria X(t), que denota el número de susceptibles e infectados al tiempo t, es un
proceso Poisson homogéneo y aquí N=S(t)+I(t)+R(t); en consecuencia, los estados del proceso al
tiempo t pueden identificarse con X(t)={S(t),I(t)}, esto es, el número de susceptibles e infectados
al tiempo t. Aquí, las probabilidades de transición son:
[16]
También en este caso o(d) es una cantidad que tiende a cero cuando d también lo hace.
El modelo SIR describe el proceso en las tres distintas etapas. La solución al modelo SIR
muestra asimismo una trayectoria en forma de S en las primeras fases de la epidemia. Este
modelo difiere tanto del modelo SI como del SIS porque muestra una propensión a acabar en cero
infectados a largo plazo.
Para muchas enfermedades, como el sarampión o la gripe, que se transmiten a través de
pequeñas gotas de respiración a partir de una persona infectada, la interacción aleatoria resulta
una presunción razonable y probablemente una buena aproximación. En otras palabras, la
presunción de interacción aleatoria ofrece una importante ventaja porque puede modelarse con
facilidad mediante ecuaciones diferenciales y dichos modelos pueden estudiarse en términos
Aplicación de Modelos Matemáticos a la Epidemiología
Página 20
analíticos.
Estos tres modelos básicos en sus dos versiones pueden adaptarse a las características de
las enfermedades específicas. Por ejemplo, resulta posible mostrar a individuos como inmunes
durante un determinado intervalo de tiempo, nuevos sujetos que entran en la población mediante
nacimientos o emigraciones y personas que la abandonan mediante procesos de migración o
muerte. De igual forma, pueden generarse tipos de trayectorias más complejos, como
comportamientos cíclicos e incluso dinámicas caóticas, que caracterizan a algunas afecciones
infecciosas.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 21
Cuadro resumen de los modelos epidemiológicos determinísticos
Modelo SI SIS SIR
Características del
modelo
Susceptible-Infectado
(S-I). No se considera
la remoción de casos
mediante aislamiento o
cuarentena.
Una vez que el
individuo está
infectado no hay
posibilidad de
remoción de la
enfermedad.
Susceptible – infectado –
susceptible. Una vez
recuperado el individuo, queda
nuevamente susceptible a la
enfermedad
Susceptible – infectado –
Removido.
Una vez recuperado el
individuo queda inmune a la
enfermedad.
Aplicación - ejemplo VIH Enfermedades de transimición
sexual, exceptuando VIH.
Enfermedades infantiles:
varicela, paperas, etc.
Nomenclatura
utilizada
S(t): representa a los individuos susceptibles, es decir, aquellos que no han enfermado
anteriormente y por lo tanto pueden resultar infectados al entrar en contacto con la
enfermedad.
I(t): representa a los individuos infectados y por lo tanto en condiciones de transmitir la
enfermedad a los del grupo S.
R(t): representa a los individuos recobrados de la enfermedad, y que ya no están en
condiciones ni de enfermar nuevamente ni de transmitir la enfermedad a otros.
N: el tamaño de la población. N=S(t)+I(t)
: ritmo de infección
: ritmo a que los individuos se recuperan de la enfermedad o se convierten en
susceptibles
Fórmula
determinística
S tdSI t
dt N
S tdII t
dt N
S tdSI t I t
dt N
S tdII t I t
dt N
S tdSI t
dt N
S tdII t I t
dt N
dRI t
dt
Aplicación de Modelos Matemáticos a la Epidemiología
Página 22
CAPÍTULO 4: Simulación del Modelo SIR
Consideremos los siguientes datos para una determinada enfermedad infecciosa:
Cantidad inicial de población susceptible: 000.100 S
Cantidad inicial de infectados: 2500 I
Cantidad inicial de recuperados: 00 R
Tasa de infección: 0001,0
N
Tasa de recuperación: 5,0
N
En primera instancia se realiza una simulación con 20 iteraciones, a los efectos de conocer que
ocurre con las cantidades de sanos, infectados y recuperados a medida que transcurre el tiempo.
El algoritmo utilizado en cada caso será el siguiente:
1. Variación de Susceptibles por unidad de tiempo:
Para expresar la variación de susceptibles en una unidad de tiempo debemos considerar la
diferencia entre la cantidad de susceptibles en el período anterior y la cantidad de nuevos
infectados de acuerdo a la tasa de infección predeterminada, en donde, matemáticamente la
cantidad de infectados y la cantidad de susceptibles resultan variables inversamente
proporcionales, cuya constante de proporcionalidad es el coeficiente . En términos
matemáticos obtenemos la siguiente fórmula de variación:
S t t S t I t S t t
Aplicación de Modelos Matemáticos a la Epidemiología
Página 23
Es decir, teniendo datos del tiempo inicial podemos ir calculando cada iteración del siguiente
modo:
0 y 1 1 0 0 0 1 10000 0,0001 250 10000 9750
1 y 1 2 1 1 1 1
S t t S t I t S t t
Si t t S S I S
Si t t S S I S
Ahora bien, hasta acá se calculó la variación de susceptibles en cada unidad de tiempo, pero
mediante el uso de concepto de diferenciales se puede calcular la variación instantánea de
susceptibles. Para ello, debemos recordar el concepto de diferencial de una función en un punto y
de este modo llevarlo a nuestra situación de estudio:
0
limx
df x f x x f x
dx x
.
En el caso de la variación de susceptibles en el tiempo t se obtiene:
0
limt
dS t S t t S t
dt t
Utilizando la variación anteriormente indicada obtenemos:
0
0
lim
lim
t
t
dS t S t t S t
dt t
S tdS t
dt
I t S t t S t
0
limt
t
dS t I t S t t
dt
t
0lim
t
dS tI t S t
dt
dS tI t S t
dt
Aplicación de Modelos Matemáticos a la Epidemiología
Página 24
Si observamos la fórmula de variación instantánea obtenida, la misma concuerda con la fórmula
incluida en la teoría del modelo SIR. Ahora sabiendo que la variación por unidad de tiempo
respeta el modelo SIR estamos en condiciones de realizar la simulación:
2. Variación de Infectados por unidad de tiempo:
Del mismo modo que el análisis anterior podemos expresar la variación de infectados en una
unidad de tiempo considerando los infectados del período anterior, más los infectados de este
nuevo período (de acuerdo a la tasa de infección predeterminada) menos los removidos durante el
período (de acuerdo a la tasa de recuperación establecida).
Aplicación de Modelos Matemáticos a la Epidemiología
Página 25
Matemáticamente obtenemos la siguiente fórmula de variación:
I t t I t I t S t t I t t .
Es decir, teniendo datos del tiempo inicial podemos ir calculando cada iteración del siguiente
modo:
0 y 1 1 0 0 0 1 0 1
1 y 1 2 1 1 1 1 1 1
I t t I t I t S t t I t t
Si t t I I I S I
Si t t I I I S I
Aquí también mediante el uso de concepto de diferenciales se puede calcular la variación
instantánea de infectados del siguiente modo:
0
0
lim
lim
t
t
dI t I t t I t
dt t
I tdI t
dt
I t S t t I t t I t
0
limt
t
I t S t I t tdI t
dt
t
0lim
t
dI tI t S t I t
dt
dI tI t S t I t
dt
Si observamos la fórmula de variación instantánea obtenida, la misma concuerda con la fórmula
incluida en la teoría del modelo SIR. Por lo cual, al respetar el modelo establecido en la teoría
estamos en condiciones de continuar con la simulación para la cantidad de infectados en cada
iteración, como se muestra a continuación:
Aplicación de Modelos Matemáticos a la Epidemiología
Página 26
3. Variación de Removidos por unidad de tiempo:
Continuando con la misma lógica de modelado y análisis podemos expresar matemáticamente la
siguiente fórmula de variación de removidos por unidad de tiempo:
R t t R t I t t (Los recuperados del período anterior más los recuperados de este
período).
Es decir, teniendo datos del tiempo inicial podemos ir calculando cada iteración del siguiente
modo:
Aplicación de Modelos Matemáticos a la Epidemiología
Página 27
0 y 1 1 0 0 1
1 y 1 2 1 1 1
R t t R t I t t
Si t t R R I
Si t t R R I
Aquí también mediante el uso de concepto de diferenciales se puede calcular la variación
instantánea de infectados del siguiente modo:
0
0
lim
lim
t
t
dR t R t t R t
dt t
R tdR t
dt
I t t R t
0
limt
t
dR t I t t
dt
t
0lim
t
dR tI t
dt
dR tI t
dt
Al igual que en las situaciones anteriores la fórmula de variación instantánea obtenida,
concuerda con la fórmula incluida en la teoría del modelo SIR, lo cual nos habilita a continuar
con la simulación para la cantidad de recuperados en cada iteración, como se muestra a
continuación:
Aplicación de Modelos Matemáticos a la Epidemiología
Página 28
De este modo obtenemos la tabla de iteraciones:
t S I R
0 10000 250 0
1 9750 375 125
2 9384 553 313
3 8865 796 589
4 8160 1103 987
5 7260 1452 1538
6 6206 1780 2264
7 5101 1994 3154
Aplicación de Modelos Matemáticos a la Epidemiología
Página 29
8 4084 2015 4151
9 3261 1830 5159
10 2664 1512 6074
11 2261 1159 6830
12 1999 841 7409
13 1831 589 7830
14 1723 402 8124
15 1654 270 8325
16 1609 180 8461
17 1580 119 8551
18 1562 78 8610
19 1549 51 8649
20 1541 34 8675
Aplicación de Modelos Matemáticos a la Epidemiología
Página 30
Con la tabla de interacciones realizaremos los siguientes gráficos, a fin de analizar las curvas
obtenidas:
Número de Susceptibles según tiempo (20 iteraciones)
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
tiempo
Su
scep
tib
les
Se observa que la curva de sanos respecto al tiempo es siempre decreciente, esto se debe a la tasa
de infección negativa, pudiendo ocurrir esto a distinta intensidad y estabilizarse en un cierto valor
o bien anularse, es decir, todos se infectan en algún momento.
CAPÍTULO 5: Resultados de la simulación
Aplicación de Modelos Matemáticos a la Epidemiología
Página 31
Número de infectados según tiempo (20 iteraciones)
0
100
200
300
400
500
600
700
800
900
1000
1100
1200
1300
1400
1500
1600
1700
1800
1900
2000
2100
2200
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
tiempo
Infe
cta
do
s
La gráfica alcanza un máximo que es el tiempo de máxima incidencia, este es el punto donde se
anula la ecuación diferencial de infectados respecto al tiempo.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 32
Número de recuperados según tiempo (20 iteraciones)
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
5500
6000
6500
7000
7500
8000
8500
9000
9500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
tiempo
Recu
pe
rad
os
La cantidad de recuperados siempre es creciente, aunque no necesariamente todos los integrantes
de la población deben terminar recuperados.
A todo esto, un solo gráfico permite un análisis más sustancial, y éste es el que expresa la
cantidad de infectados en términos de la cantidad de sanos, es decir, tenemos:
)(SII
Aplicación de Modelos Matemáticos a la Epidemiología
Página 33
Número de infectados respecto al número de susceptibles
0
200
400
600
800
1000
1200
1400
1600
1800
2000
2200
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 7000 7500 8000 8500 9000 9500 10000
Susceptibles
Infe
cta
do
s
Comportamiento general de )(SII
Con respecto a esta grafica podemos plantearnos los siguientes interrogantes:
Forma General de la Curva: Cuando es creciente y cuando es decreciente. Relación con la
existencia de epidemia, o bien si se extingue y cuando.
En caso de ser creciente, la interpretación del alcance máximo de la curva. Predice esto, la
peor etapa de la epidemia, y nos permite dar pautas de prevención, acciones urgentes, etc.
Todos los sanos enfermarán o puede extinguirse la epidemia antes de alcanzar a toda la
población susceptible.
Cual es el efecto de los parámetros y , y de ellos cuál afecta más.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 34
Para ello, haremos variar un parámetro por vez, es decir que en la gráfica anterior se varía la tasa
de recuperación en los valores 0,3; 0,5 y 0,8. Algunas de estas conclusiones son:
Infectados en función de sanos para las tres tasas de recuperación
0
500
1000
1500
2000
2500
3000
3500
4000
4500
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Susceptibles
Infe
cta
do
s
r=0,5 r=0,3 r=0,8
Ante igual número de sanos iniciales, y tasa de contagio, a menor número de tasa de
recuperación, menor será la cantidad de susceptibles que permanezcan sin enfermarse.
Esto se observa en la gráfica, diciendo que su máximo no alcanza un valor grande, o sea tiene
poco crecimiento.
Ante igual número de tasas, y con recuperación alta, cuando menor es el número inicial de
susceptibles, la gráfica toma la forma decreciente, y no parabólica.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 35
Finalmente debemos reconocer que los datos, valores y conclusiones obtenidos sirven para ver
todo lo que es posible rescatar de un modelo como éste, lo cual lejos está de significar que en
todas las epidemias, se presenten estos comportamientos.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 36
El empleo de modelos matemáticos para enfermedades infecciosas ha crecido en grado
significativo en los últimos años debido a que proporcionan información útil para tomar
decisiones, e instituir medidas operativas en el control o erradicación de una enfermedad
infecciosa. Estos modelos son muy útiles porque capturan propiedades esenciales de la dispersión
de una enfermedad de una forma simplificada. Además, al modificar los parámetros del modelo
se pueden representar o descubrir situaciones que difícilmente se pueden obtener mediante
experimentación. Por lo tanto, contribuyen a prevenir futuras situaciones patológicas, determinar
la prevalencia e incidencia y ayudar a tomar decisiones objetivas para el control o supresión de
las enfermedades infecciosas.
En general, un modelo no es tan sencillo como se planteó en este trabajo. Dado que
existen enfermedades más complejas que causan muerte o que se propagan a lo largo de diversos
lugares del mundo. Pero el aporte realizado es un paso importante y esencial, para luego afinar un
modelo más real. Esto se debe a que se cumplieron con los requisitos propios de un modelo:
partir de un modelo, tomar datos iniciales que asuman realidad, y comparar lo que el modelo
predice con los datos experimentales existentes. De ésta manera, si resulta necesario se corrige el
modelo, y una vez que se observe coincidencia entre los valores se dice que el modelo propuesto
tiene validez.
CAPÍTULO 6: Conclusión
Aplicación de Modelos Matemáticos a la Epidemiología
Página 37
Bibliografía
http://www.scielosp.org/pdf/spm/v49n3/07.pdf
http://www.scielosp.org/scielo.php?pid=S0124-00642007000100012&script=sci_arttext
http://escuela.med.puc.cl/Recursos/recepidem/introductorios3.htm
Ecuaciones diferenciales con aplicaciones de modelado. DennisG. Zill.
Estadística y matemática aplicadas. Miguel Sanchez, Gloria Frutos y Pedro L. Cuesta.
Estadística para Investigadores. Box, Hunter & Hunter.
Aplicación de Modelos Matemáticos a la Epidemiología
Página 38
Una epidemia es una enfermedad que se propaga durante un cierto periodo de tiempo en
una zona geográfica determinada y que afecta simultáneamente a muchas personas. Se trata
de una noción utilizada por la salud comunitaria para hacer referencia al hecho de que la
enfermedad llega a una cantidad de gente superior a la esperada.
Esto implica la existencia de niveles de incidencia que son considerados normales para una
enfermedad. Un cierto número de afectados, por lo tanto, es esperado por los especialistas
para un momento dado. Cuando el número de enfermos supera esa media, se habla de
epidemia (hay una mayor cantidad de casos en comparación a los casos previstos).
La disciplina científica que se encarga del análisis de las epidemias se conoce como
epidemiología. Los epidemiólogos se dedican a estudiar la distribución, frecuencia y
determinantes de los factores vinculados a las enfermedades en una comunidad humana. La
epidemiología, por lo tanto, combina nociones de las medicina con principios de las
ciencias sociales para ayudar al control de las enfermedades y a predecir posibles brotes
epidemiológicos.
Cuando la epidemia se expande por varios países, se transforma en una pandemia. El origen
etimológico de esta palabra significa “enfermedad de todo el pueblo”. La pandemia suele
producirse ante la aparición de un nuevo virus (para el cual no existe ningún tipo de
inmunidad).
Por otra parte, cuando la epidemia se mantiene en una misma zona durante un periodo de
tiempo prolongado se convierte en una endemia. Este es el caso de la malaria en varios
países africanos.
Pandemias a lo largo de la historia
A lo largo de la historia han tenido lugar muchas tragedias como consecuencia de la mala
organización de las sociedades. Sin ir más lejos, en los últimos 200 años, han muerto
millones de persona a causa de diferentes plagas que no han podido controlarse a tiempo.
Entre las cinco epidemias más importantes de estos años se encuentran:
La peste de la Guerra del Peloponeso: tuvo lugar en Atenas en el año 430 a.C. y se
cobró la vida de alrededor de 30 mil pobladores. Fue la primera pandemia de la que
se tuvo registro.
Anexo 1: Epidemia
Aplicación de Modelos Matemáticos a la Epidemiología
Página 39
La plaga Antonina: fue expandida a través de un grupo de soldados romanos en este
pueblo en el año 165 d.C. Murieron alrededor de 5 mil personas, entre los que se
encontraba el emperador Marco Aurelio. Posteriormente, el número aumentó a 5
millones, al transformarse en la gran Pandemia de Viruela que azotó este país.
La Plaga de Justiniano: fue la primera gran expansión de peste bubónica y tuvo
lugar entre los años 541 y 542 d.C. entre los habitantes de Constantinopla. Se cobró
la vida de más de 10 mil personas. Hoy en día se estima que la peste bubónica a lo
largo de los años ha matado un total de 200 millones de personas.
La Peste Negra: se cree que fue transmitida por mercaderes nómadas provenientes
de la India a muchos países. Tuvo lugar en el siglo XIV y mató a 25 millones de
personas (un cuarto de la población mundial).
La Gripe Española: consistió en una rara versión del virus Influenza. Se conoció
como “La Cucaracha”, tuvo lugar en 1918 (al finalizar la Primera Guerra Mundial)
y fue padecido por 1000 millones de personas a lo largo de todo el globo.
Es importante señalar para finalizar que los gobiernos de los diferentes países temen dar la
señal de alerta ante estas catástrofes por temor a alarmar a la población. Sin embargo, esta
medida solamente colabora con que estas situaciones se vuelvan más riesgosas, puesto que
la gente (por hallarse desinformada) no actúa en forma preventiva.
La incidencia y la prevalencia son dos medidas de frecuencia de la enfermedad, es decir,
miden la frecuencia (el número de casos) con que una enfermedad aparece en un grupo de
población.
Para ello hay que sentar primero las bases; consideramos que una persona puede
únicamente estar sana o enferma de una enfermedad definida, entonces:
La prevalencia describe la proporción de la población que padece la enfermedad, que
queremos estudiar, en un momento determinado, es decir es como una foto fija.
La incidencia va a contabilizar el número de casos nuevos, de la enfermedad que
estudiamos, que aparecen en un período de tiempo previamente determinado; podemos
Anexo 2: Conceptos estadísticos de mediciones de ocurrencia ( incidencia y
prevalencia)
Aplicación de Modelos Matemáticos a la Epidemiología
Página 40
equipararla a una película que refleja el flujo del estado de salud al de enfermedad en la
población que estudiamos.
La prevalencia depende de la incidencia y de la duración de la enfermedad, esto quiere
decir que las variaciones de la prevalencia pueden ser debidas a las modificaciones en la
incidencia o a cambios en la duración de la enfermedad y la duración de la enfermedad
depende, a su vez, de cambios en el período de recuperación o en la esperanza de vida de
los pacientes.
Estas medidas de frecuencia son complementarias y suelen utilizarse para objetivos
diferentes.
Las medidas de prevalencia son de mayor utilidad en enfermedades de evolución lenta o
enfermedades crónicas como la diabetes, la artritis reumatoide; para planificar servicios
sanitarios o para estimar necesidades asistenciales. También son utilizadas para medir la
frecuencia de determinadas características de la población que se quiere estudiar.
Las medidas de incidencia se utilizan cuando nos interesa la medición del flujo, es decir,
los casos nuevos que van apareciendo, por ello son más útiles en enfermedades con un
período de inducción corto como pueden ser las enfermedades infecciosas, el infarto.