Cammarota, Denise S. (2022) Modelo epidemiológicos de COVID-19 : simulaciones computacionales, estadísticas bayesiana y técnicas de aprendizaje automático / Epidemiological models of COVID-19: computer simulations, bayesian statistics and machine learning techniques. Maestría en Ciencias Físicas, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 10Mb |
Resumen en español
En este trabajo, se estudiaron características de la propagación y predicción de casos del virus SARS-COV-2 en la República Argentina, utilizando datos de casos confirmados en el país durante el año 2020 provistos por el Ministerio de Salud. Para ello, se introdujeron herramientas previamente desarrolladas en la bibliografía, como el número reproductivo empírico y los diagramas de riesgo. En particular, se observó y analizó la tendencia del número reproductivo empírico a tomar valores en torno a la unidad. Por otra parte, se optimizó el calculo de un número reproductivo empírico a partir del diseño y entrenamiento de redes neuronales artificiales. Adicionalmente, se estudió la posibilidad de reproducir características de la propagación del SARS-COV-2 utilizando modelos del tipo susceptible-infectado-recuperado (SIR) en su versión de campo medio. Se propusieron nuevos modelos modificados para contemplar la reacción social a la cantidad de casos. Esto permitió entender cualitativamente la evolución temporal de casos en algunas localidades en estudio, aunque no totalmente. Por ello, se estudió la propagación interprovincial de la enfermedad introduciendo el uso de las correlaciones con lag y se estudiaron varias propiedades de estas cantidades. Entre ellas, se encontró que las provincias como Buenos Aires y CABA, que lideran la dinámica epidémica, se caracterizan por tener correlaciones bajas y lags absolutos grandes. Adicionalmente, las provincias del Noroeste también se destacan como jurisdicciones con tendencia a lideran el brote epidémico. Finalmente, para explicar estas observaciones, se proponen diferentes modelos tipo SIR metapoblacionales de subpoblaciones conectadas por una matriz de conectividad. Se exploran estos modelos para asociarlos a las observaciones reales y se realizan para todos ellos los ajustes correspondientes. El modelo que mejor se ajusta a los datos corresponde a un modelo con tasas de contagio diferentes para cada una de las provincias, conectadas entre ellas por una matriz dependiente tanto de sus poblaciones conjuntas como de la distancia entre ellas.
Resumen en inglés
In this work we studied characteristics of the propagation and forecasting of SARSCOV- 2 cases in Argentina, using national data from conrmed cases during 2020 as provided per the Ministry of Health. For that purpose, we introduced tools which were previously developed in the literature, such as the empirical reproductive number and risk diagrams. In particular, we observed and analyzed the tendency of the reproductive number to take values in the vicinity of the unit. Furthermore, we propose a way to optimize the calculus of the empirical reproductive number by means of designing and training artificial neural networks. Aditionally, we studied the possibility of reproducing characteristics of SARS-COV- 2 propagation using mean field susceptible-infected-removed (SIR) models. New models were proposed to take into account social reaction to the amount of confirmed cases. These models allowed us to cualitatively understand the temporal evolution of cases in certain regions, though not completely. Therefore, we began a new analysis that takes into account the spatial dimension of the problem at hand. To do that, we introduced the concept of lagged correlations and we observed several interesting properties of these quantities. Among them, we found that provinces leading the epidemiological dynamics have lower correlations and higher absolute lags, such as Buenos Aires and CABA. Aditionally, provinces in the Northwest region also show a tendency to lead the epidemic outbreak. Finally, to explain these observations, several metapopulation SIR models are proposed. These consist of provinces being connected by a connectivity matrix. We explored all presented models, as well as tting them to real-world data. The best t fiends up corresponding to a model with inhomogeneus infection rates and with a connectivity matrix dependent on the provinces' joint population as well as on distance between them.
| Tipo de objeto: | Tesis (Maestría en Ciencias Físicas) |
|---|---|
| Palabras Clave: | Coronaviruses; Coronavirus; Epidemiology; Epidemiología; [Metapopulation; Modelo metapoblacional; Risk diagram; Diagrama de riesgo; Reproductive number; Numero productivo; Lagged correlations; Correlaciones con lag; COVID-19] |
| Referencias: | [1] Ben Hu, P. Z., Hua Guo, Shi, Z.-L. Characteristics of sars-cov-2 and covid- 19. Nature Reviews Microbiology (Online), pág.. 1-14, 2020. URL https://www.frontiersin.org/article/10.3389/fpubh.2020.00383. xi, xi, 1, 2, 3 [2] Matt J. Keeling, P. R. Modeling Infectious Diseases in Humans and Animals. 1a ed. Princeton University Press, 2007. xii, 6, 31, 43, 58, 61 [3] Chams, N., Chams, S., Badran, R., Shams, A., Araji, A., Raad, M., et al. Covid-19: A multidisciplinary review. Frontiers in Public Health, 8, 383, 2020. 1 [4] OMS. Coronavirus disease (covid-19): How is it transmitted?,Dic 2020. URL https://www.who.int/news-room/q-a-detail/ coronavirus-disease-covid-19\-how-is-it-transmitted. 1 [5] Dirección Nacional de Epidemiología y Análisis de Situación de Salud. COVID-19. Casos registrados en la República Argentina. Datos Abiertos del Ministerio de Salud., May 2020. URL http://datos.salud.gob.ar/dataset/covid-19-casos-registrados-en-la-republica-argentina. 5 [6] Laneri, K. F., Kolton, A. B. Diagramas de riesgo: Significado, implementación y uso, Aug 2020. URL https://droyktton.github.io/loscoihues/tutorial/tutorial.pdf. 5, 6, 8 [7] Computational Biology and Complex Systems. BIOCOMSC. Risk diagrams, Jan 2021. URL https://biocomsc.upc.edu/en/covid-19/Risk%20Diagrams. 8 [8] Pathria R.K., B. P. Statistical mechanics. 3a ed. Elsevier, 2011. 14 [9] Stanley, H. E. Introduction to Phase Transitions and Critical Phenomena. Monographs on Physics, first edition ed. Oxford University Press, 1971. 14 [10] Chollet, F., et al. Keras, 2015. URL https://keras.io. 23 [11] Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., et al. TensorFlow: Large-scale machine learning on heterogeneous systems, 2015. URL http://tensorflow.org/, software available from tensorow.org. 23 [12] Chollet, F., et al. Keras API Reference / Layers API / Core layers / Dense layer, 2015. URL https://keras.io/api/layers/core_layers/dense/. 25 [13] Chollet, F., et al. Keras API reference / Layers API / Core layers / Lambda layer, 2015. URL https://keras.io/api/layers/core_layers/lambda/. 25 [14] Chollet, F., et al. Keras API reference / Layers API / Merging layers / Multiply layer, 2015. URLhhttps://keras.io/api/layers/merging_layers/multiply/.25 [15] Chollet, F., et al. Keras API Reference/ Optimizers/ Adam, 2015. URL https://keras.io/api/optimizers/adam/. 25 [16] Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., et al. Array programming with NumPy. Nature, 585 (7825), 357-362, sep. 2020. 25 [17] Manrubia, S., Zanette, D. H. Individual risk-aversion responses tune epidemics to critical transmissibility (r = 1), 2021. 34 [18] Rearte, A., Baldani, A. E. M., Barbeira, P. B., Domínguez, C. S., Laurora, M. A., Pesce, M., et al. Características epidemiológicas de los primeros 116 974 casos de covid-19 en argentina, 2020. Rev. Argent. Salud Pública, 12 (1), 5, oct. 2020. 42 [19] Amnistía Internacional. Formosa: Amnistía Internacional advierte sobre el uso desmedido de cuarentenas obligatorias en centros de aislamiento, 2021. URL https://amnistia.org.ar/formosa-amnistia-internacional-advierte-sobre-el-uso-desmedido-de-\cuarentenas-obligatorias-en-centros-de-aislamiento/, accedido el 7 de enero de 2022. 42 [20] Instituto Geográfico Nacional. Distancias entre Ciudades Capitales, 2022. URL https://www.ign.gob.ar/NuestrasActividades/Geografia/DatosArgentina/DistanciasCiudades, accedido el 13 de enero de 2022. 58, 64 [21] Brozak, S., Pant, B., Safdar, S., Gumel, A. Dynamics of covid-19 pandemic in India and Pakistan: A metapopulation modelling approach. Infectious Disease Modelling, 6, 10 2021. 61 [22] Coletti, P., Libin, P., Petrof, O., Willem, L., Abrams, S., Herzog, S., et al. A data-driven metapopulation model for the belgian covid-19 epidemic: assessing the impact of lockdown and exit strategies, 07 2020. 61 [23] Calvetti, D., Hoover, A. P., Rose, J., Somersalo, E. Metapopulation network models for understanding, predicting, and managing the coronavirus disease covid-19. Frontiers in Physics, 8, 2020. URL https://www.frontiersin.org/article/ 10.3389/fphy.2020.00261. 61 [24] Arenas, A., Cota, W., Gómez-Gardeñes, J., Gomez, S., Granell, C., Matamalas, J., et al. Modeling the spatiotemporal epidemic spreading of covid-19 and the impact of mobility and social distancing interventions. Physical Review X, 10, 12 2020. 61 [25] Ilkka A. Hanski, M. E. G. Metapopulation Biology: Ecology, Genetics and Evolution. 1a ed. Academic Press, 1997. 61 [26] Instituto Nacional de Estadística y Censos (INDEC). Proyecciones nacionales, 2022. URL https://www.indec.gob.ar/indec/web/Nivel4-Tema-2-24-84, accedido el 19 de enero de 2022. 64 [27] Newville, M., Otten, R., Nelson, A., Ingargiola, A., Stensitzki, T., Allan, D., et al. lmt/lmt-py 0.9.12, nov. 2018. URL https://doi.org/10.5281/zenodo.1699739. 72 [28] Cevik, M., Marcus, J., Buckee, C., Smith, T. Sars-cov-2 transmission dynamics should inform policy. Clinical Infectious Diseases, 73, 09 2020. 73 [29] He, X., Lau, E., Wu, P., Deng, X., Wang, J., Hao, X., et al. Temporal dynamics in viral shedding and transmissibility of covid-19. Nature Medicine, 26, 672{675, 02 2020. 73 [30] Centers for Disease Control and Prevention (CDC). CDC Updates and Shortens Recommended Isolation and Quarantine Period for General Population, 2021. URL https://www.cdc.gov/media/releases/2021/s1227-isolation-quarantine-guidance.html, accedido el 19 de enero de 2021. 73 [31] Cevik, M., Marcus, J., Buckee, C., Smith, T. Sars-cov-2 transmission dynamics should inform policy. Clinical Infectious Diseases, 73, 09 2020. |
| Materias: | Física > Sistemas complejos |
| Divisiones: | Gcia. de área de Investigación y aplicaciones no nucleares > Gcia. de Física > Sistemas complejos y altas energías > Física estadística interdisciplinaria |
| Código ID: | 1049 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 08 Jul 2022 15:22 |
| Última Modificación: | 08 Jul 2022 15:25 |
Personal del repositorio solamente: página de control del documento
