Modelación matemática y estadística de las notificaciones de infectados por viruela símica en Colombia
Tipo de documento
Autores
Lista de autores
Garcia, Francisco Antonio
Resumen
Debido al rebrote de viruela símica en el año 2022, cuando aún no se superaban totalmente las consecuencias dejadas por la pandemia del Covid-19, surge un gran interés por investigar y monitorear el comportamiento de esta enfermedad resurgente. En este trabajo de investigación, se modelan los datos acumulados del número de infectados diarios por viruela símica en Colombia mediante modelos matemáticos, estadísticos y computacionales. Se ajustan a los datos cuatro tipos de modelos: un modelo SARIMA de la teoría de series de tiempo, un modelo autorregresivo neuronal de la teoría de aprendizaje de máquinas y dos modelos matemáticos, el modelo de crecimiento logístico y el modelo SIR; también se explorarán algunas mezclas de modelos desde un enfoque híbrido con el fin de evaluar si mejoran las predicciones y si disminuyen las métricas de precisión. Basado en dichas métricas se selecciona el modelo que mejor se ajusta a las notificaciones de casos. Los modelos obtenidos permiten entender el comportamiento de la viruela símica y provee información relevante para la toma de decisiones con respecto a la enfermedad.
Fecha
2023
Tipo de fecha
Estado publicación
Términos clave
Contextos o situaciones | Desde disciplinas académicas | Modelización | Otro (estadística)
Enfoque
Idioma
Revisado por pares
Formato del archivo
Usuario
Tipo de tesis
Institución (tesis)
Referencias
Arotolu, T., Afe, A., Wang, H., Lv, J., Shi, K., Huang, L., & Wang, X. (2022). Spatial modeling and ecological suitability of monkeypox disease in Southern Nigeria. PLOS ONE, 17(9). Obtenido de https://doi.org/10.1371/journal.pone.0274325 Bisgaard, S., & Kulahci, M. (2011). Time Series Analysis and Forecasting by Example. New Jersey: John Wiley & Sons, Inc. ISBN: 978-1-118-05694-3 Bovas, A., & Ledolter, J. (2006). Introduction to regression modeling. Brooks/Cole, Cengage Learning. ISBN-10: 0-534-42075-3 Box, G., Jenkins, G., & Reinsel, G. (2008). Time Series Analysis: Forecasting and control (Fourth Edition). New Jersey: John Wiley & Sons, Inc. ISBN-10: 0470272848 Brockwell, P., & Davis, R. (2002). Introduction to time series and forecasting (Second edition). Springer-Verlag NewYork, Inc. ISBN: 0-387-95351-5 Eid, M., El-Kenawy, E.-S., Khodadadi, N., Mirjalili, S., Khodadadi, E., Abotaleb, M., . . . Khafaga, D. (17 de Octubre de 2022). Meta-Heuristic Optimization of LSTM-Based Deep Network for Boosting the Prediction of Monkeypox Cases. Mathematics 2022, 10. Obtenido de https://doi.org/10.3390/math10203845 Fuller, T., Thomassen, H., Mulembakani, P., Johnston, S., Lloyd-Smith, J., Lutete, T., . . . Rimoin, A. (2011). Using Remote Sensing to Map the Risk of Human Monkeypox Virus in the Congo Basin . EcoHealth, 14-25. Obtenido de https://doi.org/10.1007/s10393-010-0355-5 González Casimiro, M. (2009). Análisis de series temporales: Modelos ARIMA. País Vasco: Universidad del País Vasco (UPV-EHU). ISBN 978-84-692-3814-1 Hurtado T., L., & Salcedo E., G. (Octubre de 1996). Series temporales con aplicaciones a la epidemiología y la ecología. Armenia, Colombia: AAS Publicidad Editorial. Instituto Nacional de salud. (2022). Casos positivos de Viruela símica en Colombia. Bogota DC. Recuperado el 5 de Noviembre de 2022, de https://www.datos.gov.co/es/Salud-y-Protecci-n-Social/Casos-positivos-de Viruela-s-mica-en-Colombia/tmet-yeek Khan, A., Sabbar, Y., & Din, A. (Septiembre de 2022). Stochastic modeling of the Monkeypox 2022 epidemic with cross-infection hypothesis in a highly disturbed environment. Mathematical biosciences and engineering: MBE, 19(12). doi:10.3934/mbe.2022633 Kutner, M., Nachtsteim, C., Neter, J., & Li, W. (2004). Applied Linear Statistical Models (Fifth Edition). New York, US: McGraw-Hill/Irwin. ISBN-10: 007310874X Montesinos, O., & Hernández, C. (Julio de 2007). Modelos matemáticos para enfermedades infecciosas. Salud Pública de México, 49(3), 218-226. ISSN 0036- 3634 Nakazawa, Y., Lash, R., Carroll, D., Damon, I., Karem, K., Reynolds, M., . . . Peterson, A. (2013). Mapping Monkeypox Transmission Risk through Time and Space in the Congo Basin. PLOS ONE, 8(9). Obtenido de https://doi.org/10.1371/journal.pone.0074816 Olumuyiwa, J. P., Festus, A. O., Mayowa, M., Abdulmumin, O. O., Rashid, J., & Ilyas, K. (2022). Fractional order mathematical model of monkeypox transmisión dynamics. Physica Scripta, 97(8). Obtenido de https://doi.org/10.1088/1402- 4896/ac7ebc Olumuyiwa, J., Kumar, S., Kumari, N., Festus, A., Kayode, O., & Musa, R. (2021). Transmission dynamics of Monkeypox virus: a mathematical modelling approach. Modeling Earth Systems and Environment, 8, 3423–3434. Obtenido de https://doi.org/10.1007/s40808-021-01313-2 Organización mundial de la salud. (2022). Viruela símica [Internet] 2022. Recuperado el 5 de Noviembre de 2022, de https://www.who.int/es/news-room/fact sheets/detail/monkeypox Organizacíon Panamericana de la salud. (2021). Covid-19 y la importancia de fortalecer los sistemas de información. Hoja informativa 13. Obtenido de https://iris.paho.org/handle/10665.2/52128 Suthep, S., Zulqurnain, S., Muhammad, U., & Watcharaporn, C. (2023). Scaled Conjugate Gradient for the Numerical Simulations of the Mathematical Model-Based Monkeypox Transmission. Fractal Fract, 7(63). Obtenido de https://doi.org/10.3390/fractalfract7010063 Usman, S., & Adamu, I. (2017). Modeling the Transmission Dynamics of the. Journal of Applied Mathematics and Physics, 5, 2335-2353. ISSN: 2327-4379 Wei, W. (1990). Time Series Analysis: Univariate and Multivariate Methods. Addison Wesley Publishing Company, Inc. ISBN 0-201-15911-2 Zill, D. (2008). A first course in differential equations with modeling aplications (Ninth Edition ed.). US: Brooks/Cole, Cengage Learning. ISBN-13 : 978-0495108245
Proyectos
Cantidad de páginas
59