Precisión del pronóstico de la dinámica de propagación del COVID-19 en Perú

Resumen

Objetivo: Analizar la precisión del pronóstico del modelo suavizado de Brown para predecir la propagación de la COVID-19 en Perú, entre el 6 de marzo al 30 de mayo del 2020. Materiales y métodos: Estudio descriptivo basado en un análisis de series de tiempo correspondiente al período comprendido entre el 6 de marzo al 30 de mayo del 2020 en Perú. Se utilizó la información de la cantidad de casos positivos de COVID-19 (155 671 personas). El modelo empleado como método de predicción fue el pronóstico suavizado de Brown que consiste en realizar dos suavizaciones exponenciales, a partir de las cuales se calcula el pronóstico: en la primera se emplean los valores observados en la serie de tiempo; y la segunda, la serie que ha sido obtenida mediante la primera atenuación. Las medidas de precisión utilizadas fueron el error medio del pronóstico (EMP), el error medio al cuadrado (EMC), la desviación absoluta de la media (DAM) y el porcentaje de error medio absoluto (PEMA). Para determinar si los datos se ajustan al modelo evaluado se utilizó el coeficiente de determinación (R2). Resultados: El error medio del pronóstico (EMP) fue de 156,7; el error medio al cuadrado (EMC) fue de 506461,3; la desviación absoluta de la media (DAM) fue 450,6 y el porcentaje de error medio absoluto (PEMA) fue 9,03 %. El coeficiente de determinación (R2) fue de 0,8078. Conclusiones: El error de precisión o porcentaje de error medio absoluto (PEMA) fue del 9,03 %, con un coeficiente de determinación (R2) de 0,8078; lo que indica que los datos se ajustan en un 80,78 % al modelo evaluado.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Citas

1. Zou L, Ruan F, Huang M, Liang L, Huang H, Hong Z, et al. SARSCoV-2 viral load in upper respiratory specimens of infected patients. N Engl J Med. 2020; 382(12): 1177-9.

2. Xu X, Wu X, Jiang X, Xu K, Ying L, Ma C, et al. Clinical findings in a group of patients infected with the 2019 novel coronavirus (SARS-Cov-2) outside of Wuhan, China: retrospective case series. BMJ. 2020; 368: m606.

3. Singh RK, Rani M, Bhagavathula AS, Sah R, Rodriguez-Morales AJ, Kalita H, et al. Prediction of the COVID-19 pandemic for the top 15 affected countries: Advanced Autoregressive Integrated Moving Average (ARIMA) model. JMIR Public Health Surveill. 2020; 6(2): e19115.

4. Tang K, Huang Y, Chen M. Novel Coronavirus 2019 (Covid-19) epidemic scale estimation: topological network-based infection dynamic model. medRxiv. 2020.

5. Nishiura H, Linton NM, Akhmetzhanov AR. Serial interval of novel coronavirus (COVID-19) infections. Int J Infect Dis. 2020.

6. McCall B. COVID-19 and artificial intelligence: protecting healthcare workers and curbing the spread. Lancet. 2020.

7. Song PX, Wang L, Zhou Y, He J, Zhu B, Wang F, et al. An epidemiological forecast model and software assessing interventions on COVID-19 epidemic in China. medRxiv. 2020.

8. Moftakhar L, Seif M. The exponentially increasing rate of patients infected with COVID-19 in Iran. Arch Iran Med. 2020; 23(4): 235-8.

9. World Health Organization. Novel coronavirus (2019-nCoV) [Internet]. 2020. Disponible en: https://www.who.int/ emergencies/diseases/novel-coronavirus-2019/situation-reports

10. World Health Organization. Coronavirus disease (COVID-19) [Internet]. 2020. Disponible en: https://www.who.int/ emergencies/diseases/novel-coronavirus-2019.

11. Instituto Nacional de Salud y Centro Nacional de Epidemiología, Prevención y Control de Enfermedades del Ministerio de Salud del Perú. Sala situacional COVID-19 Perú [Internet]. 2020. Disponible en: https://covid19.minsa.gob.pe/sala_situacional.asp.

12. Kucharski AJ, Russell TW, Diamond C, Liu Y, Edmunds J, Funk S, et al. Early dynamics of transmission and control of COVID-19: a mathematical modelling study. Lancet Infect Dis. 2020; (5): 553-8.

13. Liu Y, Gayle A, Wilder-Smith A, Rocklöv J. The reproductive number of COVID-19 is higher compared to SARS coronavirus. J Travel Med. 2020; 27(2).

14. Pirouz B, Shaffiee Haghshenas S, Piro P. Investigating a serious challenge in the sustainable development process: analysis of confirmed cases of COVID-19 (new type of coronavirus) through a binary classification using artificial intelligence and regression analysis. Sustainability. 2020; 12(6): 2427.

15. Fanoodi B, Malmir, B, Firouzi F. Reducing demand uncertainty in the platelet supply chain through artificial neural networks and ARIMA models. Comput Biol Med. 2019; 113: 103415.

16. Ceylan Z. Estimation of COVID-19 prevalence in Italy, Spain, and France. Sci Total Environ. 2020; 729: 138817.

17. Liu Q, Liu X, Jiang B, Yang W. Forecasting incidence of hemorrhagic fever with renal syndrome in China using ARIMA model. BMC Infect Dis. 2011; 11: 218.

18. Elevli S, Uzgören N, Bingöl D, Elevli B. Drinking water quality control: control charts for turbidity and pH. J Water Sanit Hyg Dev. 2016; 6(4): 511-8.

19. 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.

20. IBM. Modelos personalizados de suavizado exponencial [Internet]. 2010. Disponible en: https://www.ibm.com/support/ knowledgecenter/es/SSLVMB_sub/statistics_mainhelp_ddita/ spss/trends/idh_idd_exp_smooth_crit.html

21. Díaz Pinzón JE. Precisión del pronóstico de la propagación del COVID-19 en Colombia. Repert Med Cir. 2020.

22. Betancourt DF. Medición del error en pronósticos de demanda [Internet]. 2016. Disponible en: https://ingenioempresa.com/ medicion-error-pronostico/

23. Coutin MG. Pronósticos de mortalidad por enfermedades no transmisibles seleccionadas. Rev Cubana Hig Epidemiol. 2008; 46(3).

24. Lixiang L, Yang Z, Dang Z, Meng C, Huang J, Meng H, et al. Propagation analysis and prediction of the COVID-19. Infect Dis Model. 2020; 5: 282-92.

25. Zhang KK, Xie L, Lawless L, Zhou H, Gao G, Xue C. Characterizing the transmission and identifying the control strategy for COVID-19 through epidemiological modeling. medRxiv. 2020.

26. Modelos de pronóstico. Suavización Exponencial Doble Método de Brown Ajuste a la Tendencia [Internet]. 2019. Disponible en: http://modelosdepronosticos.info/metodo_de_suavizacion_ exponencial_doble_metodo_de_brown.html

27. Johns Hopkins University. Coronavirus resource center [Internet]. 2020. Disponible en: https://coronavirus.jhu.edu/map.html

28. Deeks JJ, Dinnes J, Takwoingi Y, Davenport C, Spijker R, TaylorPhillips S, et al. Antibody tests for identification of current and past infection with SARS-CoV-2. Cochrane Database Syst Rev. 2020.

29. Brauer F, Castillo-Chavez C, Feng Z. Mathematical Models in Epidemiology. 1st ed. New York: Springer; 2019.

30. Mikler AR, Venkatachalam S, Abbas K. Modeling infectious diseases using global stochastic cellular automata. J Biol Syst. 2005; 13(4): 421-39.

31. Velasco-Hernandez JX, Leite MC. A model for the A(H1N1) epidemic in Mexico, including social isolation. Salud Pública Mex. 2011; 53(1): 40-7.

32. Heesterbeek JA. A brief history of R0 and a recipe for its calculation. Acta Biotheor. 2002; 50(3): 189-204.

33. Manrique FG, Agudelo CA, González VM, Gutiérrez O, Téllez CF, Herrera G. Modelo SIR de la pandemia de COVID-19 en Colombia. Rev Salud Pública. 2020; 22(1): e185977.

34. Batista M. Estimation of the final size of the second phase of coronavirus epidemic by the logistic model. MedRxiv. 2020.
Publicado
2020-10-07
Cómo citar
CÓRDOVA SOTOMAYOR, Daniel Angel; SANTA MARÍA CARLOS, Flor Benigna. Precisión del pronóstico de la dinámica de propagación del COVID-19 en Perú. Horizonte Médico (Lima), [S.l.], v. 20, n. 3, p. e1251, oct. 2020. ISSN 2227-3530. Disponible en: <http://www.horizontemedico.usmp.edu.pe/index.php/horizontemed/article/view/1251>. Fecha de acceso: 23 oct. 2020 doi: https://doi.org/10.24265/horizmed.2020.v20n3.06.
Sección
ARTÍCULOS ORIGINALES