Services on Demand
Journal
Article
Indicators
Cited by SciELO
Access statistics
Related links
Cited by Google
Similars in SciELO
Similars in Google
Share
Revista de Salud Pública
Print version ISSN 0124-0064
Abstract
BRAVO-VALERO, Antonio J.; VERA, Miguel Á. and HUERFANO-MALDONADO, Yoleidy K.. Modelos matemáticos estimadores de la infección por COVID-19: consideraciones esenciales y proyecciones en Colombia. Rev. salud pública [online]. 2020, vol.22, n.3, pp.316-322. Epub Jan 29, 2021. ISSN 0124-0064. https://doi.org/10.15446/rsap.v22n3.87813.
Objetivo
Estimar el comportamiento de la infección por COVID-19 en Colombia mediante modelos matemáticos.
Métodos
Se construyeron dos modelos matemáticos para estimar los casos confirmados importados y los casos confirmados relacionados de la infección por COVID-19 en Colombia, respectivamente. La fenomenología de los casos confirmados importados es modelada con una función sigmoidal, mientras que los casos confirmados relacionados son modelados mediante una combinación de funciones exponenciales y funciones algebraicas polinomiales. Se utilizan algoritmos de ajuste basados en métodos de mínimos cuadrados y métodos de búsqueda directa para la determinación de los parámetros de los modelos.
Resultados
El modelo sigmodial realiza una estimación altamente convergente de los datos reportados, al 28 de mayo de 2020, de los casos confirmados importados de infección por COVID-19. El modelo muestra un error de predicción de 0,5%, que se mide usando la raíz del error cuadrático medio normalizado. El modelo para los casos confirmados reportados como relacionados muestra un error en la predicción del 3,5 % y un sesgo bajo del -0,01 asociado a la sobrestimación.
Conclusiones
El presente trabajo evidencia que los modelos matemáticos permiten eficaz y efectivamente predecir el comportamiento de la infección por COVID-19 en Colombia cuando los casos importados y los casos relacionados de infección son consideradores de manera independiente.
Keywords : Infecciones por coronavirus; COVID-19; modelos predictivos (source: MeSH, NLM).