Herramienta basada en agentes para la valoración del impacto de intervenciones no farmacéuticas contra la COVID-19

Palabras clave: Contención de la epidemia COVID-19, evaluación de intervenciones no farmacéuticas, simulación y herramientas orientadas a agentes

Resumen

Las intervenciones no farmacéuticas (NPI) son actualmente el único mecanismo que los gobiernos pueden usar para mitigar el impacto de la epidemia de COVID-19. De manera similar a la propagación real de la enfermedad, la dinámica de los patrones de contención que surgen de la aplicación de los NPI es compleja y depende de las interacciones entre las personas dentro de una región específica, así como de otros factores estocásticos asociados a condiciones demográficas, geográficas, políticas y económicas. Los modelos basados en agentes simulan reglas microscópicas de interacciones simultáneas de múltiples individuos dentro de una población en un intento de reproducir la dinámica compleja del efecto de las medidas de contención. De esta manera, es posible diseñar comportamientos individuales junto con escenarios de NPI, midiendo cómo se ve afectada la dinámica de la simulación y, por lo tanto, brindando información útil para realizar una evaluación rápida del potencial de las intervenciones combinadas, en las diferentes etapas de la epidemia. En este artículo describimos un modelo y una herramienta para experimentar con este tipo de análisis, considerando una serie de NPI ampliamente utilizadas, tales como distanciamiento físico, aislamiento de casos, cuarentena domiciliaria, encierro total, pruebas centinela, uso de tapabocas y una novedosa aplicación “zonal”, que permite aplicar estas intervenciones gradualmente a localidades o zonas separadas. La elección de las intervenciones o combinaciones más adecuadas para un territorio particular, dependerá en última instancia de las condiciones socioeconómicas y de salubridad, así como de una validación a gran escala de la viabilidad de los escenarios identificados preliminarmente mediante la herramienta.

 

Biografía del autor/a

Lindsay Álvarez Pomar , Universidad Distrital Francisco José de Caldas, Colombia

PhD. en Ingeniería, Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas, Bogotá-Colombia, lalvarez@udistrital.edu.co

Sergio Rojas Galeano*, Universidad Distrital Francisco José de Caldas, Colombia

PhD. en Ciencia Computacional, Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas, Bogotá-Colombia, srojas@udistrital.edu.co

Referencias bibliográficas

S. Lai et al., “Effect of non-pharmaceutical interventions to contain COVID-19 in China,” nature, May. 2020. https://doi.org/10.1038/s41586-020-2293-x

N. M. Ferguson et al., “Report 9: impact of non-pharmaceutical interventions (NPIs) to reduce COVID19 mortality and healthcare demand,” Imp. Coll. UK. Pp. 1-20, Mar. 2020. https://doi.org/10.25561/77482

N. M. Ferguson; D. A. T. Cummings; C. Fraser; J. C. Cajka; P. C. Cooley; D. S. Burke, “Strategies for mitigating an influenza pandemic,” Nature, vol. 442, no. 7101, pp. 448–452, Apr. 2006. https://doi.org/10.1038/nature04795

D. Fanelli; F. Piazza, “Analysis and forecast of COVID-19 spreading in China, Italy and France,” Chaos, Solitons & Fractals, vol. 134, pp. 109761, May. 2020. https://doi.org/10.1016/j.chaos.2020.109761

N. Wilson; L. T. Barnard; A. Kvalsig; A. Verrall; M. G. Baker; M. Schwehm, “Modelling the potential health impact of the covid-19 pandemic on a hypothetical european country,” medRxiv, Mar. 2020. https://doi.org/10.1101/2020.03.20.20039776

M. Kantner; T. Koprucki, “Beyond just" flattening the curve": Optimal control of epidemics with purely non-pharmaceutical interventions,” arXiv Prepr. arXiv2004.09471, Jul. 2020. https://arxiv.org/abs/2004.09471

G. Giordano et al., “Modelling the COVID-19 epidemic and implementation of population-wide interventions in Italy,” Nat. Med., vol. 26, pp. 855-860 Apr. 2020. https://doi.org/10.1038/s41591-020-0883-7

S. Ansumali; M. K. Prakash, “A Very Flat Peak: Why Standard SEIR Models Miss the Plateau of COVID-19 Infections and How it can be Corrected,” medRxiv, May. 2020. https://doi.org/10.1101/2020.04.07.20055772

W. Bock et al., “Mitigation and herd immunity strategy for COVID-19 is likely to fail,” medRxiv, May. 2020. https://doi.org/10.1101/2020.03.25.20043109

J. T. Tuomisto; J. Yrjölä; M. Kolehmainen; J. Bonsdorff; J. Pekkanen; T. Tikkanen, “An agent-based epidemic model REINA for COVID-19 to identify destructive policies,” medRxiv, pp. 1- 29, Apr. 2020. https://doi.org/10.1101/2020.04.09.20047498

J. Gomez; J. Prieto; E. Leon; A. Rodriguez, “INFEKTA: A General Agent-based Model for Transmission of Infectious Diseases: Studying the COVID-19 Propagation in Bogotá-Colombia,” medRxiv, pp. 1- 15, Apr. 2020. https://doi.org/10.1101/2020.04.06.20056119

S. F. Railsback; V. Grimm, Agent-based and individual-based modeling: a practical introduction. Princeton university press, 2011. https://www.jstor.org/stable/j.ctt7sns7

A. Ahmed; J. Greensmith; U. Aickelin, “Variance in system dynamics and agent-based modelling using the SIR model of infectious disease,” Proceedings of the 26th European Conference on Modelling and Simulation (ECMS), Koblenz, Germany, Oct. 2012, pp 9-15. https://arxiv.org/abs/1307.2001

K. Lano; D. Clark, “Direct Semantics of Extended State Machines.,” J. Object Technol., vol. 6, no. 9, pp. 35–51, 2007. https://doi.org/10.5381/jot.2007.6.9.a2

M. Granada-Echeverri; A. Molina-Cabrera; P. Granada-Echeverri, “Spatio-temporal Projection of Covid-19 in Pereira,” TecnoLógicas., vol. 23, no. 49, Sept. 2020. https://doi.org/10.22430/22565337.1655

T. Obadia; R. Haneef; P.-Y. Boëlle, “The R0 package: a toolbox to estimate reproduction numbers for epidemic outbreaks,” BMC Med. Inform. Decis. Mak., vol. 12, no. 1, pp. 147, Dec. 2012. https://doi.org/10.1186/1472-6947-12-147

K. Dietz, “The estimation of the basic reproduction number for infectious diseases,” Stat. Methods Med. Res., vol. 2, no. 1, pp. 23–41, Mar. 1993. https://doi.org/10.1177/096228029300200103

R. Breban; R. Vardavas; S. Blower, “Theory versus data: how to calculate R0?,” PLoS One, vol. 2, no. 3, Mar. 2007. https://doi.org/10.1371/journal.pone.0000282

S. T. Bakir, “Compound Interest Doubling Time Rule: Extensions and Examples from Antiquities,” Commun. Math. Financ., vol. 5, no. 2, pp. 1- 11, Sep. 2016. http://www.scienpress.com/Upload/CMF/Vol%205_2_1.pdf

U. Wilensky; W. Rand, An introduction to agent-based modeling: modeling natural, social, and engineered complex systems with NetLogo. Mit Press, 2015. http://www.jstor.org/stable/j.ctt17kk851

R. Verity et al., “Estimates of the severity of coronavirus disease 2019: a model-based analysis,” Lancet Infect. Dis., vol. 20, no. 6, pp. 669- 677, Jun. 2020. https://doi.org/10.1016/S1473-3099(20)30243-7

Cómo citar
[1]
L. . Álvarez Pomar y S. Rojas-Galeano, «Herramienta basada en agentes para la valoración del impacto de intervenciones no farmacéuticas contra la COVID-19», TecnoL., vol. 23, n.º 49, pp. 201–221, sep. 2020.

Descargas

Los datos de descargas todavía no están disponibles.
Publicado
2020-09-15
Sección
Artículos de investigación

Métricas

Crossref Cited-by logo