La Cátedra BETELGEUX-CHRISTEYNS desarrolla un algoritmo empírico para la predicción a corto plazo de la propagación de COVID-19
Un equipo de trabajo de la Cátedra BETELGEUX-CHRISTEYNS para el Desarrollo de una Economía Sostenible de la Universidad Católica de Valencia, ha desarrollado un algoritmo empírico para la predicción a corto plazo y la predicción inmediata (nowcasting) de la pandemia de COVID-19. Para ello se ha utilizado la analogía que existe entre la propagación de la enfermedad y las ecuaciones que describen el movimiento de los objetos sólidos (cinemática). Este nuevo algoritmo se ha aplicado al desarrollo de la pandemia en España.
Desde BETELGEUX CHRISTYENS consideramos que con este tipo de estudios podemos aportar nuestro conocimiento en pro de la lucha frente a la pandemia y su propagación, intentando que, a través de su prevención, se puedan adoptar las medidas necesarias para minimizar el impacto que esta pandemia está produciendo en nuestra sociedad.
La importancia de este tipo de algoritmos reside en la utilidad que tienen para predecir la evolución de los contagios y poder adoptar a tiempo medidas y restricciones que frenen la propagación. De esta forma las actuaciones pueden implementarse adelantándose a la dinámica de propagación del virus.
Los resultados de esta investigación han sido publicados en enero en un artículo de la revista Applied System Innovation (Appl. Syst. Innov. 2021, 4(1), 2), como parte de un número especial de la revista bajo el título Advanced Intelligent Systems and Data Engineering to Defeat COVID-19 Outbreak.
Se adjunta a continuación el enlace al artículo original y un resumen del mismo.
RESUMEN
Orihuel, E., Sapena, J., & Navarro-Ortiz, J. (2021). An Empirical Algorithm for COVID-19 Nowcasting and Short-Term Forecast in Spain: A Kinematic Approach. Applied System Innovation, 4(1), 2. Enlace: https://www.mdpi.com/2571-5577/4/1/2
Una de las cuestiones importantes que se presentan a la hora de gestionar una pandemia como la de la enfermedad originada por el coronavirus SARS-2-CoV (COVID-19) reside indudablemente en la adopción de decisiones oportunas con respecto a la implementación de intervenciones no farmacológicas (NPI) como el control de fronteras, uso de mascarillas, restricciones a la movilidad, cuarentenas, etc. y la preparación del sistema de salud. En definitiva, anticiparse a la dinámica de la epidemia permite ajustar el momento de la adopción de medidas y puede combatir la diseminación incontrolada en un país o territorio, así como asegurar que el sistema de salud tenga la capacidad suficiente para brindar en todo momento una atención adecuada a los enfermos.
Evidentemente, estas decisiones políticas a veces pueden resultar difíciles de comprender para la población. Un modelo fácil de entender puede ser útil para que la población tome conciencia de la necesidad de medidas más fuertes antes de que sea demasiado tarde. En este sentido, el uso de técnicas de predicción puede desempeñar un papel de asesoramiento en la implementación temprana de intervenciones no farmacológicas (NPI) por parte de los responsables de políticas a fin de combatir la propagación la pandemia provocada por el coronavirus SARS-CoV-2.
En Orihuel, Navarro y Sapena (2021) se presenta un modelo predictivo que estima la evolución de la detección de contagios por COVID-19 para horizontes de siete y catorce días. Bajo la hipótesis de que desde el día en que una persona se infecta hasta que las autoridades sanitarias detectan el contagio y lo registran como un caso confirmado transcurren alrededor de dos semanas, el pronóstico de 14 días puede tomarse como una estimación de las infecciones que realmente están aconteciendo en el momento en el que se realiza la estimación (nowcasting), y que se detectarán e incorporarán al cómputo de contagiados, con dicho retraso de 14 días.
La lógica del planteamiento empleado en nuestro análisis parte de la analogía entre la propagación de una pandemia y la cinemática del movimiento lineal de un objeto con aceleración variable, lo que posibilita modelizar tanto la tasa como la aceleración de la propagación de ésta. A nivel operativo, el modelo a estimar es muy simple y poco exigente en cuanto al empleo de datos de difícil obtención, ya que se basa en la estimación de una regresión polinómica de tercer grado cuya variable independiente (x) mide la evolución temporal de la pandemia, definida como el número de días desde su inicio (que establecemos el 23 de febrero de 2020), que permite explicar la variable dependiente (y), o número acumulado de casos desde el inicio de la pandemia. Para evitar el sesgo observado en España en función del día de la semana para los valores de los casos diarios publicados, se utilizaron las medias móviles de siete días del número acumulado de casos publicados.
Nuestro marco se aplica a los datos oficiales del número acumulado de casos en España desde el 15 de junio hasta el 17 de octubre de 2020. La curva epidémica del número acumulado de casos se ajusta adecuadamente a la función cúbica para periodos de hasta dos meses con coeficientes de determinación R al cuadrado mayor que 0,97. Los resultados obtenidos al testear el algoritmo desarrollado con las cifras de pandemia en la segunda ola en España conducen a previsiones a corto plazo con errores relativos inferiores al ± 1,1% en las predicciones de siete días y menores del ± 4,0% en las predicciones de 14 días.
El diseño del algoritmo empleado para la estimación de los contagios “todavía no detectados” es comparado con los contagios efectivamente registrados por las autoridades sanitarias en el momento en el que estos últimos se publican. En el caso de que se produzca una desviación superior al ± 3,0%, se procede a reestimar los coeficientes de la regresión polinómica. De este modo, los “saltos” entre los diferentes arcos de la curva cúbica, sugieren que alguna medida (o efeméride del calendario) ha modificado la trayectoria de propagación hasta entonces vigente.
Cita sugerida: Orihuel, E.; Sapena, J.; Navarro-Ortiz, J. An Empirical Algorithm for COVID-19 Nowcasting and Short-Term Forecast in Spain: A Kinematic Approach. Appl. Syst. Innov. 2021, 4, 2.
