Tesis de Licenciatura PDF
Tesis de Licenciatura PDF
Tesis de Licenciatura PDF
Licenciatura en Informática
Facultad de Ingeniería
Universidad Nacional de Lomas de Zamora
2013
DEDICATORIA
Dedicado a todas las personas que acompañaron mi crecimiento como profesional, como
docente y lo más importante, como persona. Especialmente a mi gran amor Sofía, mis padres
y mis tías de corazón.
Héctor Paz
Carlos Visca
Pedro Ferreirós
Hernán Gustavo Solari
Silvia Karina Roselot
Silvia Sarmiento
Diego Patricio
Rodrigo Falcón
Marcelo Gaitan
Nicolás Rudmisky
Primera parte………………………………………………………………………... 10
CAPITULO 1………………………………………………………………………... 11
1. Introducción………………………………………………………………………. 11
1.2. Objetivos………………………………………………………………………. 13
1.3. Alcance………………………………………………………………………… 14
1.4. Metodología de investigación…………………………………………………. 14
1.5. Estructura del trabajo de tesis………….……………………………………… 15
1.6. Los sistemas y su vinculación…………………………………………………. 16
1.7. Sistemas complejos……………………………………………………………. 18
CAPITULO 2………………………………………………………………………… 21
2. Modelo……………………………………………………………………………. 21
2.1. Construcción de modelos……………………………………………………… 23
2.2. Clasificación de los modelos matemáticos……………………………………. 25
2.3. Análisis de modelos…………………………………………………………… 30
2.3.1. Análisis de la sensibilidad…………………………………………………. 30
2.3.2. Diagnostico basado en modelos…………………………………………… 31
2.4. Verificación y validación de modelos…………..…………………………….. 31
2.5. Métodos para la utilización de modelos matemáticos………………………… 33
CAPITULO 3……………….……………………………………………………….. 35
3. Simulación…………………………………….………………………………….. 35
3.1. Simulación numérica………………………………………………………….. 38
3.2. Proceso de desarrollo de un modelo de simulación…………………………… 39
3.3. Razones para la simulación…………………………………….……………… 43
3.4. Desventaja de la simulación…………………………………………………… 45
3.5. Tecnología y la ciencia - Simulación digital…………………………………... 47
CAPITULO 4………………………………………………………………………… 52
4. Pandemia………………………………………………………………………….. 52
4.1. Pandemias históricas…………………………………………………………... 54
4.2. Características de la influenza…………………………………………………. 59
4.3. Mutación de los virus………………………………………………………….. 63
4.4. Fase de contención y mitigación………………………………………………. 65
4.5. Impacto epidemiológico en Argentina………………………………………… 67
4.6. Datos estadísticos de la Gripe H1N1 en Argentina……………………………. 75
CAPITULO 5………………………………………………………………………… 78
5. Modelos matemáticos epidemiológicos…………………………………………... 78
5.1. La tasa de reproducción básica R0…………………………………………….. 83
5.2. Métodos………………………………………………………………………... 84
5.3. Terminología…………………………………………………………………... 85
5.4. Modelos epidemiológicos……………………………………………………... 85
5.5. Teoría de redes de transmisión………………………………………………… 90
Segunda parte………………………………………………………………………... 95
CAPITULO 6………………………………………………………………………… 96
6. Representación del modelo matemático…………………………………………... 96
6.1. El brote Mayo - Septiembre….………………………………………………... 96
6.2. Especificaciones del modelo…………………………………………………... 100
6.3. Proporción de infectados en el tiempo inicial…………………………………. 102
6.4. Datos estimados para la simulación…………………………………………… 102
6.5. Desarrollo del sistema y resultados………………………………………...….. 105
Glosario…………………………………………………………………………...….. 111
Bibliografía………………………………………………………………………..…. 120
ANEXOS…...………………………………………………………………………… 125
Anexos I. Plan de Contingencia……………...………………………………….……. 125
Anexos II. Desarrollo del software. Costo, cantidad de recursos y tiempo de
implementación......……….…....................................................................................... 126
Anexos III. Código fuente…..….….…………………………………………….……. 127
Luego de haber trabajado varios años en una reconocida empresa Argentina de transacciones
bancarias, en el área de ingeniería de sistemas, observe que había marcado el inicio de algo
muy importante en lo que comenzaba a emprender. Eran los primeros pasos que realizaba en
el plano laboral y mi labor requería que todo el tiempo este en contacto con un servidor
central.
En el primer año de la carrera, luego de días y noches de trabajo en equipo, pude llevar
adelante junto a 3 compañeros, que en la actualidad son grandes amigos y colegas, el
proyecto de centralización de historias clínicas a nivel nacional. Esto represento una gran
motivación en mis estudios, un excelente desempeño en la materia DSI y el darme cuenta, que
lo que antes me parecía inalcanzable, se había vuelto tangible y natural.
Poder tener acceso a la información de cada paciente al poco tiempo que el mismo presente
un evento, es algo de suma importancia en lo que respecta al control sanitario de la población,
dando lugar a que muchas personas idóneas del ámbito de la salud puedan acceder y realizar
investigaciones para diversos fines.
A través de aquel desarrollo, se logro llevar adelante una idea que nunca se ha implementado
a nivel nacional, solamente en sectores privados o en casos aislados.
Así fueron pasando los meses y descubrí que el proyecto que había presentado ese año no
había concluido. Sentí que mi compromiso final tenía que estar relacionado, y busque a partir
de aquella idea, un desarrollo que permita brindar el inicio de un recurso más a las
necesidades que podrían surgir a futuro.
Sigo pensando que es algo complicado poder relacionar varias disciplinas, más aún, si cada
una de ellas tiene una alta complejidad. Por ejemplo, este trabajo tiene presente la relación
entre la medicina, la matemática, la simulación y la computación. Esto da como resultado, que
las características de cada tema, al unirlas, formen una complejidad mucho mayor.
Han pasado más de 2 años de aquella pequeña idea que al principio no tenía cuerpo y luego de
tantos diálogos con diversos profesionales, formulaciones, lecturas e indagaciones, todavía no
logro tomar conciencia en estas palabras de que pude realizar otro propósito paralelo:
Espero que les sea de mucha utilidad a las personas que emprendan esta lectura, que la
disfruten, tanto así como yo lo hice en desarrollarla y que sea un punto de partida para futuras
investigaciones sobre el tema.
Los virus gripales evolucionaron mediante mutaciones y la cepa se puede volver más agresiva
y contagiosa durante el transcurso del tiempo, dando lugar a la aparición de nuevas
enfermedades que afectarían a una población –pandemia-.
Los esfuerzos realizados por las organizaciones de salud de nuestro país de llevar a un control
se tornaron complejos en la pandemia del 2009 debido a la urgencia, incertidumbre y costos
sanitarios que se generaron, con la epidemia instalada.
Se presentaran los componentes y variables que conforman un modelo estocástico. Este será
representado en forma tangible en un software de simulación que permitirá cambiar los
valores de las variables que definen la evolución de la enfermedad.
En este sentido, se utilizara un software con el fin de crear un nuevo escenario pandémicos
para examinar los supuestos sobre contagiosidad y la patogenicidad de la influencia de nuevo
virus, para luego establecer planos de acción.
Flu virases evolve by mutation and the strain may become more aggressive and contagious
during the course of time, leading to the emergence of new diseases that affect a population-
pandemic.
The efforts of health organizations in our country to keep track became complex in the 2009
pandemic because of the urgency, uncertainty, and health costs that were generated, with the
epidemic installed.
Components and variables that make up a stochastic model, will be presented in this research.
They will be represented in a tangible form in a simulation software that will change the
values of variables that define the evolution of the disease.
In this sense, a software used to created different pandemic scenarios to examine the
assumptions on infectivity and pathogenicity of the influece of the new virus will be installed,
and the action plans will be established.
The contribution of this tool in assisting decision making within healthcare will be taken into
account, as well as the conduction of a input parameters analysis of the simulation software.
El primer capitulo ofrece como introducción una explicación del trabajo, el cual brinda un
análisis inicial para el lector, además, contiene los objetivos del trabajo, el alcance, la
metodología de investigación, la estructura del documento de tesis y definiciones generales
que sirven como base de lectura introductoria.
1. Introducción
A lo largo de la historia las enfermedades infecciosas han constituido una amenaza muy grave
para la humanidad. Durante la mayor parte del siglo XX las pandemias (epidemias
propagadas por áreas y poblaciones de gran tamaño) eran consideradas peligrosas y de alto
impacto.
En la actualidad, más específicamente en el año 2009, el virus A (N1H1) fue el suceso más
relevante a nivel mundial en lo que respecta a enfermedades infecciosas. La primera ola se
extinguió dejando un saldo insignificante de catorce mil casos fatales en comparación con la
Gripe Española de 1918, que causó entre 30 y 100 millones de muertes en ocho meses. [1]
Un elemento central para la mejor preparación ante esta amenaza es el desarrollo de software
específico que permita construir escenarios del comportamiento de una enfermedad, de tal
manera que permita conocer anticipadamente las características que tendrá una pandemia y
disminuir su magnitud.
Esto ha ganado importancia de forma notoria entre los científicos y profesionales de la salud
para idear programas efectivos de control e interpretación de patrones epidemiológicos.
[1]
Mónica Muller. Pandemia.
Los modelos permiten capturar propiedades esenciales de una forma simplificada. Además, al
modificar los parámetros de un modelo se pueden representar o descubrir situaciones que
difícilmente se pueden obtener mediante experimentación. Por lo tanto, contribuyen a
prevenir futuras situaciones patológicas, determinar la prevalencia e incidencia y coadyuvan a
tomar decisiones objetivas para el control o supresión de las enfermedades infecciosas.
[2]
Daniel Bernoulli. An attempt at a new analysis of the mortality caused by smallpox and of the advantages of
inoculation to prevent it.
La simulación digital tiene como principal objetivo la predicción, es decir, mostrar lo que
sucederá en un sistema real cuando se realicen determinados cambios bajo determinadas
condiciones.
1.2. Objetivos
- Dar a conocer las estimaciones del impacto que pudiera tener una pandemia de influenza
mediante el empleo de una herramienta de simulación digital.
- Aportar una herramienta que sea utilizada por aquellas personas u organismos que
investiguen predicciones y simulaciones probabilísticas de la propagación.
- Mostrar la comparación de los resultados de simulación con los datos oficiales del
Ministerio de Salud de la Nación.
5. La información estadística usada en este trabajo proviene de datos oficiales otorgados por
el Ministerio de Salud de la Republica de Argentina. Como es lógico suponer es imposible
realizar el muestreo personalmente, por eso deja de ser información primaria para pasar a ser
información secundaria.
8. Se llevo a cabo un estudio Ex Post Facto de la Gripe A H1N1 ocurrida en el año 2009 en
Argentina. Se realizó una comparación de los resultados de la simulación con los sucedidos
en el transcurso de la epidemia.
- La segunda parte con el capitulo 6, brinda el desarrollo de las ecuaciones con datos reales, la
programación y el uso del software computacional, junto con ejemplos, comparaciones y
proyecciones.
Antes de dar a conocer el propósito de la tesis, se abordara cada elemento que componen al
desarrollo de esta investigación.
Por empezar, hablaremos del significado de sistema.
Un sistema es un objeto compuesto, cuyos componentes se relacionan con al menos algún
otro componente; puede ser material o conceptual. Si nos basamos en la definición, podemos
encontrar un sistema con solo observar nuestro alrededor. Los mismos pueden contener
subsistemas, que a su vez también son sistemas.
Los sistemas aparte de ser un objeto compuesto, pueden ser una colección de objetos, cuyas
propiedades se pueden estudiar. Por lo tanto, estudiar ciertas propiedades seleccionadas de los
objetos, es un tema central.
El aspecto de “estudio” es importante, a pesar de hecho, es subjetivo; la selección y definición
de lo que constituye un sistema, es algo arbitrario y debe estar guiado por el uso que se va a
hacer del sistema.
En esta investigación se estudiara solamente una pequeña porción de las propiedades del
subsistema “epidemiología” pertenecientes al sistema “medicina” que lo engloba, para la
finalidad que se busca en relacionarla con la simulación computarizada.
Las dos grandes motivaciones para realizar el desarrollo del sistema son:
- Analizar el sistema epidemiológico, con la finalidad de construir una representación viable
en un software computacional.
- Aplicar una técnica, donde permita la relación interna de las variables que intervienen en el
sistema, con la finalidad de comprender más acerca de la naturaleza, el cual sería el punto de
vista de la ciencia natural.
Un sistema puede tener un origen natural, como el universo, también puede ser artificial,
como un instrumento espacial, o puede ser una mezcla de ambos como un viaje al espacio.
Una propiedad importante de los sistemas es que son observables. La mayoría de los sistemas
naturales como artificiales, son representables a través de recursos informáticos. Esto
significa que se pueden representar bajo otro panorama el cual no es el original y su
comportamiento es manipulable mediante las variaciones de sus propiedades.
- Las entradas de un sistema son las variables del entorno que influyen sobre el
comportamiento del sistema. Algunas de estas entradas pueden o no ser controlables, como la
cantidad de personas infectadas en una epidemia.
- Las salidas de un sistema son las variables determinadas por el sistema y que pueden influir
sobre el entorno que le rodea, como disminuir las posibles cantidades de personas infectadas
en una epidemia.
Para poder realizar un experimento sobre un sistema, éste debe de ser controlable y
observable. En este caso, se buscara aplicar un conjunto de condiciones externas a las
entradas accesibles y observar la reacción del sistema al medir aquellas de sus salidas que
también son accesibles.
Una de las desventajas del método experimental es que para un gran número de sistemas
muchas entradas no son ni accesibles ni controlables, pero no en el caso de esta investigación,
donde se fundamentara la viabilidad de la simulación. Estos sistemas están bajo la influencia
Surgen también una serie de problemas prácticos asociados con la realización de una
experimentación previa a la implementación del software propuesto.
Los sistemas complejos tratan de cerrar las brechas entre distintos niveles de abstracción,
propios de las ciencias actuales, al comprender un nivel de abstracción a partir de elementos
del nivel inferior.
- Quarks
- Partículas subatómicas
- Átomos
- Moléculas
- Proteínas
- Células
[3]
Peter Fritzson. Introducción al Modelado y Simulación de Sistemas Técnicos y Físicos.
Los incendios forestales, las epidemias y el universo a primera vista no tienen muchas cosas
en común, ya que se encuentran en contextos muy distintos. Pero al estudiarlos
cuidadosamente, se ha podido describir su comportamiento con el mismo modelo, ya que se
propagan de manera similar.
Un sistema complejo esta compuesto por muchos elementos que interactúan entre si, a mayor
cantidad de elemento abra mayor cantidad de interacciones por lo que el sistema será
altamente complejo.
Un sistema puede tener distintos grados de complejidad según se le agreguen más elementos
y/o interacciones, por ejemplo, el comportamiento de un virus en interacción con
determinadas enfermedades.
Estos sistemas, son propios de muchas disciplinas, desde biología molecular hasta economía,
desde física hasta sociología, desde matemáticas hasta neurología, donde podemos observar y
comprender cómo funciona un sistema con muchos elementos interactuando entre sí.
Las propiedades de estos sistemas son el resultado de las interacciones entre sus elementos
que también tienen características propias, las interacciones se llaman emergentes. Por
ejemplo, la célula puede verse como un sistema de proteínas, las cuales interactúan de forma
tal que la célula tiene vida. Las proteínas no están vivas, pero la célula sí.
Preguntarnos ¿De dónde sale la vida, si la célula está compuesta sólo de proteínas? Dicha
pregunta hace referencia de que es una propiedad emergente, dada por la complejidad de
interacción de las proteínas en la célula.
A su vez, los seres vivos al interactuar entre sí forman sistemas más y más complejos, hasta
formar sociedades.
Pero los fenómenos sociales son simples para la sociología. Por otro lado, una neurona es un
sistema simple para la neurofisiología, mientras que los sistemas complejos de neuronas dan
cabida a la mente, la que es estudiada “simplemente” por la psicología.
Esto es, la sociología está viendo el sistema desde el punto de vista de sociedad. Pero si
queremos ver una sociedad desde el punto de vista de las proteínas que la componen, estamos
en problemas.
Podemos decir que un nivel de abstracción es determinado por un grupo de conceptos que el
observador puede manejar como elementos de un sistema (por ejemplo, átomos, proteínas,
células).
4
Carlos Gershenson. Sistemas Complejos.
Este capitulo contiene las definiciones básicas de los modelos matemáticos, los cuales se van
a utilizar en el transcurso de este trabajo de investigación. Es de gran importancia obtener el
significado y los conocimientos de los modelos, su construcción, como se clasifican, el
análisis de los mismos, la verificación y validación y los métodos disponibles para su
utilización.
2. Modelo
Dado un breve panorama de los sistemas y su vinculación, podemos ahora definir en forma
abstracta el significado de modelo.
“Un modelo es cualquier cosa a la que se puede aplicar un “experimento”, con el fin de
responder las preguntas que se generen respecto del sistema.”
Esto implica que puede usarse, para responder preguntas acerca de un sistema, sin la
necesidad de recrearlo en forma real. En su lugar, realizamos una simplificación de ensayos
sobre el modelo.
El modelo puede considerarse como un sistema simplificado que refleja las propiedades del
sistema real. En el caso más simple, puede ser sencillamente cierta información que se usa
para responder preguntas acerca del sistema.
Según la definición, podemos decir que cualquier modelo también constituye un sistema. Al
igual que estos, son por naturaleza jerárquicos. Si se separa una parte del modelo se obtiene
uno nuevo, que es válido para un subconjunto de experimentos para los que a su vez el
modelo original también es válido.
- Modelo mental, es una sentencia que nos ayuda a responder a preguntas acerca de la
conducta de una persona en diversas situaciones, como por ejemplo “esta persona es fiable”.
- Modelo verbal, esta clase de modelo se expresa mediante palabras. Por ejemplo, la frase “si
se aumenta el límite de velocidad, entonces ocurrirán más accidentes” es un ejemplo de un
modelo verbal. Los sistemas expertos son una técnica que formalizan modelos verbales.
- Modelo físico, se trata de un objeto físico que reproduce algunas propiedades de un sistema
real, para ayudarnos a responder preguntas del sistema, es decir, son aquellos en que la
realidad es representada por algo tangible, construido en escala o que por lo menos se
comporta en forma análoga a esa realidad.
Frecuentemente se construyen pequeños modelos físicos con la misma forma y apariencia que
los objetos reales a estudiar, por ejemplo con respecto a sus propiedades aerodinámicas y
estéticas.
- Modelo matemático, es una descripción de un sistema donde las relaciones entre las
variables del sistema se expresan de forma matemática. Representan la realidad en forma
abstracta de maneras muy diversas. Las variables pueden ser cantidades medibles, tales como
el tamaño, la longitud, el peso, la temperatura, el nivel de desempleo, el flujo de información,
la velocidad medida en bits por segundo, etc.
Fundamentalmente, las clases de modelos que trataremos en esta tesis son los modelos
matemáticos.
Algunas veces, el término modelado físico se emplea también para el proceso de construir
modelos matemáticos de sistemas físicos en la computadora. Esto es así cuando el proceso de
estructuración y síntesis del modelo matemático es el mismo que el usado para la
construcción de los modelos físicos reales.
[3]
Referencia del Texto.
En las últimas décadas, debido en gran parte al desarrollo del microprocesador, han aparecido
innovadoras técnicas de modelado de sistemas complejos —y en particular de sistemas
sociales— que hacen uso de la nueva tecnología disponible.
Dos de estas técnicas son la simulación basada en agentes y la dinámica de sistemas.
Tanto la simulación basada en agentes como la dinámica de sistemas tienen el potencial de
complementar modelos no formales (normalmente verbales) de sistemas complejos y modelos
matemáticos más abstractos.
A menudo la representación verbal de sistemas complejos carece del rigor formal necesario
para valorar su coherencia lógica y para generalizar a partir de ellos, mientras que los modelos
matemáticos suelen ser menos realistas debido a las fuertes restricciones impuestas por las
hipótesis simplificadoras que son necesarias para poder resolverlos.
El lenguaje modélico ha sido creado para simplificar la construcción de los modelos y para
facilitar su reutilización una vez que han sido construidos.
En principio, existen dos fuentes principales de conocimiento útil para la construcción de
modelos matemáticos de los sistemas:
Por ejemplo:
- Ingeniería del software y del conocimiento: conocimiento genérico acerca de cómo definir,
manejar, usar, y representar modelos y software. Por ejemplo, la orientación a objetos, las
técnicas de componentes de sistemas, la tecnología de los sistemas expertos, etc.
Cada componente se divide en subcomponentes hasta que cada parte se ajusta a la descripción
de un modelo existente en alguna librería de modelos, o podemos usar leyes apropiadas de la
naturaleza u otras relaciones para describir la conducta de ese componente.
A menudo, éstos pueden estimarse ajustando datos de medidas experimentales del sistema
real al modelo matemático, usando identificación de sistemas, que en casos simples se reduce
a técnicas básicas como ajuste de curvas y análisis de regresión.
Sin embargo, versiones más avanzadas de identificación de sistemas pueden incluso
determinar la forma del modelo matemático, que se escoge entre un conjunto de estructuras
básicas de modelos.
Las diferentes clases de modelos matemáticos vienen caracterizadas por las diferentes
propiedades que refleja el comportamiento de los sistemas que se modelan. Un aspecto
importante es si el modelo incorpora propiedades dinámicas, dependientes del tiempo, o es
estático. Existen otras líneas divisorias entre los modelos que evolucionan en el tiempo de
manera continua y aquellos que cambian en instantes discretos de tiempo. Existe una tercera
línea de separación entre los modelos cuantitativos y los cualitativos.
Ciertos modelos describen la distribución espacial de las magnitudes, por ejemplo, de la masa.
Por el contrario, otros modelos son concentrados, en el sentido de que la cantidad distribuida
espacialmente es aproximada concentrándola y representándola mediante una única variable,
por ejemplo, una masa puntual.
A menudo, un mismo fenómeno puede ser modelado como estocástico o como determinista,
dependiendo del nivel de detalle con el que se estudie. Ciertos aspectos de un nivel son
abstraídos o promediados en el nivel superior. Por ejemplo, considere el modelado de gases
con diferentes niveles de detalles, comenzando por el nivel de partículas elementales de la
mecánica cuántica, donde las posiciones de las partículas son descritas mediante
distribuciones de probabilidad.
Un modelo matemático se dice de tiempo continuo cuando las variables y las relaciones entre
ellas están definidas para todo instante de tiempo, es decir, los cambios de estado son
graduales y las variables intervinientes son continuas (en el intervalo de validez o definición
del modelo).
En cambio para los modelos matemáticos de tiempo discreto las relaciones entre las variables
y entre ellas están definidas sólo en determinados instantes discretos de tiempo, es decir, los
cambios de estado son de a saltos y las variables varían en forma discontinua (modelos
matemáticos de sistemas muestreados; modelos matemáticos de tiempo continuo discretos a
los efectos de su resolución numérica).
Estáticos – Dinámicos
Si existe un vínculo instantáneo entre las variables, el modelo se dice estático, es decir,
cuando se representa un sistema cuyo estado es invariable a través del tiempo (ecuaciones con
expresiones algebraicas, trascendentes, o funciones en general).
Si el vínculo entre las variables requiere no sólo su valor presente sino también sus valores
pasados, el modelo se dice dinámico, es decir, cuando el estado varía con el tiempo
(ecuaciones diferenciales / diferencias con el tiempo como variable)
Determinísticos – Estocásticos
Las magnitudes que caracterizan a los fenómenos físicos toman valores en el tiempo y en el
espacio.
Si un modelo matemático conserva la dependencia espacio-temporal en la representación
matemática de dichas magnitudes, el modelo se dice de parámetros distribuidos, ya que en
general los coeficientes o parámetros del sistema están distribuidos en el espacio (Ej.: la
densidad del fluido compresible en un gasoducto; resistividad, inductividad y capacidad por
unidad de longitud en una línea de transmisión). Los modelos dinámicos son, típicamente
ecuaciones en derivadas parciales.
Paramétricos – No paramétricos
Estacionarios – No estacionarios
La simulación es una de las técnicas más comunes de utilizar los modelos para contestar a
preguntas acerca de los sistemas. Sin embargo, también hay otros métodos de analizarlos,
tales como:
- El análisis de la sensibilidad
- El diagnóstico basado en modelos
El diagnóstico basado en modelos es una técnica que está en parte relacionada con el análisis
de sensibilidad. Se trata de analizar el modelo del sistema con el objetivo de encontrar las
causas de cierto comportamiento del sistema. En muchos casos, es necesario determinar
cuáles son las causas de ciertos comportamientos problemáticos y erróneos. Por ejemplo,
consideremos un automóvil, que es un sistema complejo compuesto de muchas partes que
interaccionan entre sí, tales como un motor, un sistema de ignición, un sistema de
transmisión, un sistema de suspensión, ruedas, etc. Bajo un conjunto de condiciones
operativas bien definidas, puede considerarse que cada una de estas partes exhibe un
comportamiento correcto siempre que el valor de algunas de sus magnitudes se encuentre
dentro de ciertos intervalos de valores especificados. Un valor medido o computado fuera de
tal intervalo podría indicar un error en ese componente, o en otra parte que influye sobre ese
componente. Esta clase de análisis se llama diagnóstico basado en modelos.
La simulación es una de las técnicas más comunes de utilizar los modelos para contestar a
preguntas acerca de los sistemas. Sin embargo, también hay otros métodos de analizarlos,
tales como:
La “validación del modelo” implica realizar un experimento, donde se busca una similitud
según los fines que se quiera obtener.
Previamente hemos comentado los peligros que tiene la simulación, por ejemplo, cuando un
modelo no es válido para un sistema considerando el objetivo de la simulación.
¿Cómo podemos verificar que el modelo es un modelo bueno y fiable, es decir, que es válido
para el fin al que se destina?
Sin embargo, las siguientes técnicas son útiles para verificar, al menos parcialmente, la
validez de un modelo:
- Revisar críticamente las hipótesis y aproximaciones que hay detrás del modelo, incluyendo
la información disponible sobre el dominio de validez de estas hipótesis.
- Comparar con resultados experimentales, en los casos donde esto sea posible.
- Comprobar la consistencia interna del modelo. Por ejemplo, verificar que las dimensiones o
unidades son compatibles en las ecuaciones.
En el último caso, las herramientas pueden verificar automáticamente que las dimensiones
son consistentes, siempre que estén disponibles los atributos de unidades para las magnitudes
del modelo.
En cambio, es posible construir un modelo de simulación con más libertad. Formando una
serie de componentes que correspondan a los diagramas de bloque. Cada componente se
puede describir matemáticamente en forma directa y natural, sin otorgar demasiada
consideración a la complejidad de manejar varios de estos componentes. Pero, es necesario
organizar y configurar las ecuaciones de modo tal, para que se pueda emplear un
procedimiento rutinario en su resolución simultánea.
En sistemas continuos, donde el interés principal se enfoca en los cambios suaves, se emplean
en su descripción conjuntos de ecuaciones diferenciales. Cuando las simulaciones están
basadas en estos modelos, se conocen como simulaciones continuas.
En sistemas discretos, el énfasis está puesto en los eventos o actividades, las ecuaciones son
en esencia ecuaciones lógicas que expresan las condiciones para la ocurrencia de un evento.
[5]
Referencia de Texto.
5
Juan Sanchez R. Introducción a los modelos.
3. Simulación
Es importante darse cuenta de que las dos partes de la simulación, es decir, la descripción del
experimento y del modelo, son entidades conceptualmente separadas. Por otra parte, si bien
estos dos aspectos de una simulación son independientes, van unidos. Por ejemplo, un modelo
es válido sólo para una cierta clase de experimentos. Puede ser útil definir un marco
El mundo de hoy está sujeto a constantes cambios, si pensamos en algunos de los aspectos del
mundo encontraremos que cambia con cierta frecuencia, por ejemplo, la medicina, nuevas
curas, nuevos tratamientos, incluso nuevas enfermedades son las que están en su entorno. [6]
Estos sectores pueden adaptarse, evolucionar o mejorar si saben con exactitud que rumbo
tomar mediante la toma de decisiones, este conocimiento se puede lograr mediante una
práctica herramienta: la simulación.
Esta técnica nos permite simular un entorno en el cual podría estar inmenso un aspecto o la
totalidad de algún tema de estudio y manipularlo de modo que conozcamos de antemano los
resultados, ventajas, desventajas y repercusiones de los cambios en nuestro entorno sin afectar
nuestro contexto real.
Se puede decir que la simulación es uno de los términos más importantes que vamos a abordar
en esta tesis y se hará hincapié en su significado.
[6]
Universidad de estudios tecnológicos de Jocotitlan. Simulación Digital.
Una definición mas formal formulada por R.E. Shannon [8], creador del teorema de muestreo,
es: “La simulación es el proceso de diseñar y desarrollar un modelo computarizado de un
sistema o proceso y llevar a termino experiencias con el, con la finalidad de comprender el
comportamiento del sistema del mundo real o evaluar nuevas estrategias – dentro de los
limites impuestos por un cierto criterio o un conjunto de ellos – con los cuales puedan operar
el sistema”.
Tomando como partida dichos conceptos, podemos decir, que la simulación es una
herramienta de análisis que nos permite sacar conclusiones sin la necesidad de trabajar
directamente con el sistema real que se está simulando. Es especialmente útil cuando no
disponemos de dichos sistema real o nos resulta demasiado arriesgado realizar experimentos
sobre el.
Posiblemente muchas personas asocien la simulación con los famosos simuladores de vuelo
que abran jugado alguna vez, es mas, se podría considerar que muchos juegos de
computadores son simuladores, ya que recrean parte de la realidad. Sin embargo, su intención
no es el análisis sino el ocio, y esto es una diferencia bastante importante que hay que
remarcar.
En muchas áreas se utilizan los simuladores como una herramienta de trabajo más. Por
ejemplo, en el diseño de nuevos fármacos se suelen utilizar modelos moleculares que sirven
para simular mediante un ordenador la interacción entre compuestos químicos. Los ingenieros
de automóviles también utilizan modelos computarizados para analizar el impacto de los
choques en la seguridad de los viajeros. Seguramente se puedan crear otros escenarios donde
se utiliza un simulador como herramienta de trabajo.
[7]
F.C.E. y N. - UBA. Taller de Informática I Dpto. Computación.
[8]
Shannon, Robert; Johannes, James D. System simulation: the art and science. IEEE Transactions on Systems,
Man and Cybernetics
Es importante observar, que existe un motivo especial (objetivo), por el cual se lleva a cabo la
simulación. Además, en toda simulación es necesario realizar muchas pruebas para llegar a
conclusiones, es decir, como hablamos anteriormente, requiere un proceso de
experimentación.
[9]
Wiley, Engineering & Management. Handbook of simulation principles, methodology, advances, applications,
and practice.
[10]
Silvestre, Moreno, Toscana y Luis. Curso de Simulación Monte Carlo.
Cada estudio debe comenzar con una descripción del problema o del sistema. Si la
descripción es dada por los tomadores de decisiones, el analista debe asegurarse que se
encuentre completa. Es decir, que exista una correcta identificación del objetivo, de las
variables de decisión, las restricciones, la medida de efectividad y las variables no
controlables y su comportamiento estadístico.
Deben describirse las interacciones lógicas entre las variables de decisión, de tal suerte que se
optimice la medida de efectividad en función de las variables no controlables, sin olvidar las
restricciones del sistema.
Con el fin de analizar un sistema, es indispensable definir algunos términos.
Una actividad, representa el tiempo requerido para llevar a cabo una operación.
Una entidad, es cualquier objeto dentro del sistema, esta entidad puede ser estática o
dinámica, en este último caso se denota como una transacción y su principal característica es
su movimiento a través de las entidades estáticas del sistema.
Por ejemplo, si definimos al sistema como una celda flexible de manufactura, las
transacciones son los pallets que se mueven a través del sistema transportando el material
dentro de la celda; los atributos pueden ser el tipo de pieza en el pallet, el peso de los pallets,
etcétera; las actividades son las operaciones de procesamiento y transporte; las entidades
estáticas son las máquinas de control numérico o los robots; los eventos son la llegada o salida
de un pallet de cada estación en la celda y, finalmente, las variables de estado son el número
de pallets esperando en cada estación o el número de estaciones ocupadas.
Una lista es un arreglo en el que se van ordenando las transacciones de acuerdo con la
secuenciación de eventos en el tiempo. Existen dos tipos de listas, las llamadas de eventos
futuros donde la secuencia depende del tiempo de ocurrencia del evento, y las de eventos
actuales cuya secuenciación depende de la ocurrencia de otro evento.
Por ejemplo, el evento fin de proceso de la pieza ¿depende de la duración del proceso de esa
pieza, por lo que debe acomodarse en la lista de eventos futuros; el evento inicio de proceso
de la pieza, depende del evento máquina disponible, por lo que debe acomodarse en la lista de
eventos actuales.
Consiste en generar las instrucciones o código computacional necesario para lograr que el
modelo pueda ser ejecutado en algún tipo de computadora. La duración de este proceso está
directamente relacionada con la selección del lenguaje.
Por ejemplo, un modelo que pueda ser codificado en BASIC en 20 minutos, podría llevar
hasta 5 días en C.
Es el proceso que tiene como objetivo determinar la habilidad que tiene un modelo para
representar la realidad. La validación se lleva a cabo mediante la comparación estadística
entre los resultados del modelo y los resultados reales.
- Experimentación.
En este paso se determinan las diversas alternativas que pueden ser evaluadas, seleccionando
las variables de entrada y sus diferentes niveles con la finalidad de optimizar las variables de
respuesta del sistema real.
El uso de técnicas como diseño de experimentos, superficies de respuesta, permite llevar a
cabo este procedimiento en forma estructurada.
- Implantación.
Existen en el mercado paquetes computacionales que permiten hacerlo en poco tiempo y van
desde los más específicos, hasta los muy generales que permite animar sistemas sin importar
la fuente de donde provenga el código de simulador ya que maneja las comunicaciones con
base en archivos transaccionales.
Al implantar, hay que tener cuidado con las diferencias que pueda haber con respecto a los
resultados simulados, ya que estos últimos se obtienen, si bien de un modelo representativo, a
partir de algunas suposiciones.
- Monitoreo y control.
No hay que olvidar que los sistemas son dinámicos y con el transcurso del tiempo es
necesario modificar el modelo de simulación, ante los nuevos cambios del sistema real, con el
fin de llevar a cabo actualizaciones periódicas que permitan que el modelo siga siendo una
representación del sistema.
[11]
Azarang M., Garcia E. Simulación y Análisis de Modelos Estocásticos.
Existe una serie de buenas razones que justifican realizar simulaciones, en lugar de
experimentos sobre los sistemas reales:
Los experimentos son demasiado costosos, demasiado peligrosos, o el sistema que se desea
investigar no existe aún. Éstas son las dificultades de la experimentación con sistemas reales.
Las variables pueden ser inaccesibles. En una simulación todas las variables pueden ser
estudiadas y controladas, incluso aquellos que son inaccesibles en el sistema real.
Fácil manipulación de modelos. Utilizando simulación, es fácil manipular los parámetros del
modelo de un sistema, incluso fuera del rango admisible de un sistema físico particular. Por
ejemplo, la masa de un cuerpo en un modelo de simulación basado en ordenador se puede
aumentar de 40 a 500 Kg. pulsando una tecla, mientras que este cambio podría ser difícil de
realizar en el sistema físico.
A continuación se enumerarán los puntos que hay que tener en cuenta para realizar una
simulación. [11]
Además, Existe criterios que se deben tener en cuenta para que un modelo de simulación sea
bueno:
La facilidad de uso de la simulación es también su desventaja más seria: es bastante fácil para
el usuario olvidar las limitaciones y condiciones bajo las que una simulación es válida, y por
lo tanto sacar conclusiones erróneas de la simulación. Para reducir estos peligros, se debería
intentar siempre comparar al menos algunos de los resultados de la simulación del modelo
con los resultados experimentales medidos del sistema real. También ayuda el ser conscientes
de las siguientes tres fuentes más comunes de problemas cuando se emplea simulación:
[12]
- Enamorarse del modelo, el efecto Pygmalion . Es fácil entusiasmarse en exceso con un
modelo y olvidarse de su marco experimental. Es decir, el modelo no es el sistema real y sólo
representa al sistema real bajo ciertas condiciones. Por ejemplo, la hipótesis que se hacia
suponer cuando comenzó el brote del virus de la gripe A era que la mayor cantidad de casos
fatales se iban a dar en la población menor a 2 años y mayor a 70 años, pero cada virus
[12]
Amy Beth Kramer. The Pygmalion Effect: A Self-fulfilling Prophecy.
- Forzar a que la realidad encaje dentro de las restricciones del modelo el efecto. Un ejemplo
es la conformación de nuestras sociedades siguiendo ciertas teorías epidemiológicas de moda,
que tienen una visión simplista de la realidad, e ignoran muchos otros aspectos importantes de
la conducta humana, de la sociedad y la naturaleza.
- Olvidar el nivel de precisión del modelo. Todos los modelos tienen hipótesis simplificadoras
y, para interpretar los resultados correctamente, hay que tenerlas en cuenta.
Por estas razones, aunque las técnicas analíticas son en general más restrictivas, ya que tienen
un dominio de aplicación más estrecho, tales técnicas son más potentes cuando se aplican.
Un resultado de simulación es válido sólo para un conjunto particular de datos de entrada. Se
necesitan muchas simulaciones para llegar a comprender el sistema aun de manera
aproximada. Si las técnicas analíticas son aplicables, deberían usarse en lugar de la
simulación o como un complemento a ésta. [9]
1. Una de ellas es que al empezar a simular podemos interferir en las operaciones del sistema
2. En los sistemas entran a jugar las personas, es complicado cambiar el comportamiento
natural de las personas que se relacionan con el sistema
3. No todas las condiciones son continuas para el sistema
4. Difícil obtener siempre el mismo tamaño de muestra, estos sistemas toman muestras tan
grandes que pueden ser mucho más costosos
5. Explorar todas las alternativas o todas las variantes que pueden existir dentro del sistema
6. Los modelos de simulación no generan soluciones ni respuestas a ciertas preguntas
La simulación digital es una técnica que intenta modelizar sistemas reales o hipotéticos por
computadora de forma que su funcionamiento puede ser estudiado y predecir su
comportamiento.
Su origen a gran escala surge con Von Neuman y Ulam alrededor de los años 40 en el
[13]
Proyecto Manhattan , durante la segunda guerra mundial. Tenían el reto de resolver un
problema complejo para recrear una detonación nuclear mediante el comportamiento de los
[13]
Mosterín, Jesús. Los lógicos.
Figura 2
Conexiones – Modelos de Simulación Continua.
[14]
Texto Web. Facultad de Informática de Barcelona.
[17]
En la nueva terminal del Sur del aeropuerto de Barcelona , se puede visualizar la
simulación del movimiento de las personas. Este simulador se utilizó para analizar el diseño
de la terminal en lo que respecta a los distintos espacios, el movimiento de las personas en
situaciones normales y el análisis del plan de evacuación. También se realizó una pequeña
animación en el funcionamiento del almacén intermedio. Este simulador se ha utilizado para
analizar mejoras en su gestión.
Finalmente, en los últimos años, el uso de la simulación se ha ampliado al sector del ocio y ha
entrado en el ámbito familiar con productos de software sofisticado, que utilizan todos los
recursos del ordenador: gráficos potentes, bases de datos, computación intensiva, etc.
A partir de los años 80, gracias a la revolución que se produjo esa década en la informática, la
simulación tuvo un impacto importante y se generalizo el uso de simulación por computadora
prácticamente en todos los ámbitos de la ciencia y la ingeniería, por ejemplo:
- Predicción del tiempo: el primer modelo numérico de predicción del tiempo que dio
resultados positivos fue desarrollado por J. G. Charney, R. Fjörtoft y J. Von Neumann con el
[18]
ordenador "ENIAC" (Electronic Numerical Integrator and Computer) . Desde entonces, y
especialmente en las últimas dos décadas, se han popularizado estos simuladores para la
predicción a corto y largo plazo del tiempo.
[15]
Oswaldo Ortiz Sánchez. The gpss/h simulation language application to mine haulage problem.
[16]
Miguel Ángel Villarroel Salgueiro. Software de Simulación.
[17]
Terminal 1 del Aeropuerto de Barcelona. Entre el mar y el aire, el respeto a la tierra.
[18]
Manuel Perera Dominguez. ENIAC, matemáticas y computación científica.
Existen muchos tipos de simulación por computadora, pero todos ellos comparten una
característica común: tratan de generar una muestra de escenarios representativos para un
modelo en el que una relación completa de todos los estados posibles de este sería muy
costoso o imposible. Los modelos informatizados se emplearon inicialmente como
suplemento de otros parámetros, pero más adelante su uso se extendió a otros ámbitos.
Esto demostró que la idea de diseñar un modelo adaptado a un sistema real permitía utilizar
una metodología experimental de análisis de datos que nos llevara a postular teorías e
hipótesis supuestas que expliquen el comportamiento real observado en situaciones análogas
con condiciones de contorno supuestas.
Las técnicas de simulación pueden ser aplicadas de diferentes maneras, sin embargo con el
desarrollo de los sistemas de cómputo es posible utilizar una simulación digital, esto quiere
decir que con el uso de computadoras y software podemos implementar un modelo de
simulación de forma rápida, económica y confiable.
Para ello es necesario construir objetos (modelos) que representan la realidad, de tal modo
que pueden ser interpretados y procesados mediante la computadora.
a. Provisión Externa:
Se refiere a grabar en un disco o en una cinta algunas de las tablas de números aleatorios y
trabajar con ellas, este método es muy lento debido que se puede hasta formar 10 veces más el
tiempo que haciendo la operación aritmética de un solo carácter
b. Generación Interna:
Es a través de un proceso físico aleatorio con este se presenta el problema de la
reproducibilidad de la secuencia
Los temas que se encuentran en este capítulo llevan a entender mejor los aspectos
epidemiológicos del documento desarrollado. Como la finalidad de la investigación es crear
un sistema de simulación de pandemias, es relevante conocer los fundamentos de salud, el
cual permite obtener una mejor idoneidad del contenido.
Por empezar se define el término de pandemia y los acontecimientos históricos que se fueron
llevando a cabo. Como nos centraremos en una sola enfermedad, se brindarán características
de la influenza, una descripción de la mutación de los virus y las fases de contención y
mitigación. Teniendo en cuenta que el estudio comprende a la región argentina, abordaremos
en detalle el impacto epidemiológico argentino, con datos estadísticos y cronológicos.
4. Pandemia
Pandemia es el vocablo que procede del griego pandêmon nosêma, de παν (pan = todo) +
δήµος (demos = pueblo) + nosêma (= enfermedad), expresión que significa enfermedad de
todo un pueblo. Es la afectación de una enfermedad infecciosa de los humanos a lo largo de
un área geográficamente extensa. Etimológicamente hablando debería cubrir el mundo entero
y afectar a todos. [19]
Si profundizamos la definición, decimos que pandemia es una enfermedad de tipo epidémica
que se extiende y expande hacia muchos países, incluso a través de los continentes y que por
consecuencia afecta a casi toda o a una buena parte de la población que los habita.
Una pandemia ocurre cuando aparece una nueva cepa de un virus que causa una enfermedad
humana fácilmente transmisible, contra la cual la mayor parte de la población carece de
inmunidad.
Es preciso destacar y aclarar este punto porque muchas veces se incurre en el error por
desconocimiento del tema, lo que a una enfermedad la convierte en pandemia no es que mata
[19]
Real Academia Española. Definición de Pandemia.
En tanto, en el mes de mayo del año 2009 la OMS cambia la definición de Pandemia. Antes
de este cambio, pandemia se definía como: “Infección por un agente infeccioso, simultanea en
diferentes países, con una mortalidad significativa en relación a la proporción de población
infectada”. En la nueva definición de pandemia se ha eliminado la característica de
mortalidad. [19]
La Organización Mundial de Salud indica que para que pueda aparecer una pandemia, se
necesita:
- Que aparezca un virus nuevo, que no haya circulado previamente y por lo tanto, no exista
población inmune a el.
En el 2009 propuso 6 fases de alerta para las pandemias, a continuación se describen las
características de cada una. [19]
Fase 1: No hay entre los animales virus circulantes que hayan causado infecciones humanas.
Fase 2: Circulación entre los animales domésticos o salvajes de un virus gripal animal que ha
causado infecciones humanas, por lo que se considera una posible amenaza de pandemia.
[20]
Definición de Pandemia. Definición ABC.
Fase 5: Propagación del virus de persona a persona al menos en dos países de una región de la
OMS.
Fase 6: Además de los criterios que definen la fase 5, hay acompañamiento de la aparición de
brotes comunitarios en al menos un tercer país de una región distinta.
- Peste antonina, 165–180. Posiblemente viruela traída del Oriente próximo; mató a una
cuarta parte de los infectados y hasta cinco millones en total. En el momento más activo de un
segundo brote (251–266) se dijo que morían 5.000 personas por día en Roma.
- Peste de Justiniano, comenzó en 541. Es el primer brote registrado de la peste bubónica.
Empezó en Egipto y alcanzó Constantinopla en la siguiente primavera, matando (de acuerdo
- La peste negra, comenzó en el siglo XIV. Ochocientos años tras el último brote, la peste
bubónica volvía a Europa. Comenzando en Asia, la enfermedad alcanzó el Mediterráneo y
Europa occidental en 1348 (posiblemente llevada por mercaderes italianos que huían de la
guerra en Crimea), y mató a veinte millones de europeos en seis años, una cuarta parte de la
población total y hasta la mitad en las zonas urbanas más afectadas.
Cólera:
- La quinta pandemia (1899–1923) tuvo pocos efectos en Europa gracias a los progresos en
salud pública, pero Rusia fue gravemente afectada de nuevo.
- La sexta pandemia, llamada “El Tor” por la cepa, comenzó en Indonesia en 1961 y
alcanzó Bangladesh en 1963, India en 1964, y la URSS en 1966.
- La gripe asiática (1957-1958). La gripe asiática, causada por el virus H2N2. Murieron 2
millones de personas.
- La gripe de Hong Kong (1968-1969). Causada por el virus H3N2. Murieron 1 millón de
personas.
El virus de la gripe ha causado también varias alertas de pandemia en el siglo XX, incluyendo
la pseudo-pandemia de 1947, el brote de gripe porcina de 1976 y la gripe rusa de 1977, todas
provocadas por el subtipo H1N1.
En Argentina, la Ciudad de Córdoba registró los datos de las dos últimas pandemias de gripe,
que tuvieron su manifestación local en 1957 y 1969-70, respectivamente. Según los registros,
la pandemia de 1957 fue algo más grave que la de 1969-1970, alcanzando una mortalidad de
113 personas cada 100.000 habitantes para agosto de 1957, contra 103 muertes cada 100.000
habitantes en julio de 1970.
- VIH Es la enfermedad que consiste en la incapacidad del sistema inmunitario para hacer
frente a las infecciones y otros procesos patológicos, es considerada pandemia debido a su
rápida propagación, sus víctimas se estiman entre los 20 y 25 millones, sobre todo en África.
- Otras epidemias se produjeron en los encuentros entre los exploradores europeos y las
poblaciones del resto del mundo, produciéndose frecuentemente epidemias locales de
extraordinaria virulencia. La enfermedad mató a gran parte de la población nativa (guanche)
de las Islas Canarias en el siglo XVI. La mitad de la población nativa de la isla, la
española, en 1518 murió por la viruela. La viruela también destrozó México en la década de
1520, matando a 150.000 personas sólo en Tenochtitlan, incluyendo el emperador, y Perú en
la década de 1530, ayudando a los conquistadores españoles. El sarampión mató a dos
millones más de nativos mexicanos en la década de 1600. Y aún en 1848–49, tanto como
40.000 de 150.000 nativos hawaianos se estima que murieron de sarampión, tos ferina y gripe.
En 2002 apareció el SARS en China, una neumonía atípica con alta tasa de mortalidad, que se
extendió de inmediato a 29 países, y al año siguiente reapareció la gripe aviaria en humanos,
también en China.
En ese momento la OMS incrementó al nivel 3 la alerta de pandemia. Simultáneamente, la 56ª
Asamblea Mundial de Salud y el 44° Consejo Directivo de la Organización Panamericana de
la Salud (OPS) urgieron a los países para que fortalecieran su capacidad para enfrentar una
pandemia de influenza.
En 2005 la OMS estableció nuevas reglas para atender una pandemia, que incluyeron la
obligación de los países de comunicar a la OMS, dentro de las 24 horas, sobre cualquier brote
serio e inusual.
Desde su aparición en 1997, nuevos casos de gripe aviar aparecieron en varios países de Asia
y África, sumando hasta el 1 de julio de 2009, una cantidad de 436 infectados, de los cuales
262 murieron.
También en 2005, la IV Cumbre de las Américas realizada en Mar del Plata, incluyó en la
declaración final, un compromiso sobre la necesidad de preparar "planes nacionales de
prevención para combatir posibles pandemias tales como la gripe aviar".
Entre otras consideraciones, el Plan de Contingencia informa que a partir de los datos de la
pandemia de influenza de 1969-1970 en Argentina, el plan estima dos escenarios en una
posible pandemia de influenza en Argentina:
En caso de presentarse el escenario moderado, el plan estima que habría 69.000 personas
hospitalizadas y 13.215 muertes. Para el escenario grave el plan estima 136.104
hospitalizaciones y 30.834 muertes.
Existe un gran potencial para que se produzca una pandemia en un futuro próximo…el tema
no es si se producirá, sino cuándo.
Su alta transmisibilidad en épocas epidémicas ocasiona altas tasas de incidencia, (que alcanza
del 10 al 20 % de la población) y la principal complicación son las neumonías de etiología
viral, bacteriana o mixtas, las que se presentan con mayor frecuencia en gerontes, menores de
5 años y en pacientes con patologías crónicas (cardíacas, pulmonares, renales, metabólicas) o
inmunosuprimidos, este grupo puede incrementar la tasa de mortalidad. [22]
La gripe en todas sus variantes y virus, sí puede convertirse en una pandemia como
consecuencia de esa fácil transmisión y traslado. Aún más y sin tener que irnos muy lejos en
el tiempo para encontrar un ejemplo, hace poco tiempo el mundo entero se vio afectado y
diezmado por una pandemia. La gripe conocida como influenza A, Gripe Porcina o Virus
H1N1, tales son los nombres con los cuales se la designa en los distintos países y dada la
fenomenal extensión que encontró en los últimos meses, este tipo de gripe que nace en los
cerdos, por eso también se la denomina como gripe porcina, ya consiguió que la máxima
[21]
Wikipedia. Pandemia Gripe A (H1N1) de 2009 – 2010 en Argentina.
[22]
Ministerio de Salud de la Nación. Plan de Pandemia de Influenza.
Pero para tener más en claro cuando una enfermedad puede ser clasificada como pandemia,
también según este organismo de salud, será preciso repasar las condiciones que estos
proponen, que es, la aparición de un nuevo virus que no haya circulado antes y así no habría
población inmune a el, es decir, cualquiera lo puede contraer, que el virus sea capaz de
producir casos muy graves y por último que tenga la capacidad de transmitirse de persona a
persona con mucha facilidad y trascendiendo fronteras.
Vale destacar que si bien desde la antigüedad se han registrado pandemias en el mundo, en la
actualidad, las bondades de la globalización, que hacen que hoy podamos estar en el
continente americano, mañana en Europa y pasado en Asia, contribuyen a la propagación y
difusión de un virus como el de la gripe. [20]
La historia muestra que las pandemias de gripe típicamente ocurren con muy poca advertencia
y afectan grandes áreas geográficas en múltiples oleadas con una duración de dos a tres meses
por vez.
Los profesionales de la salud admiten que no hay manera de determinar con certeza si una
cepa variante del virus H5N1 (conocido como "gripe aviar") o totalmente otra enfermedad
causará la próxima pandemia. [23]
[23]
Annoucing a new FCC.gov. Federal Communication Commisiom. Pandemia.
[24]
Fisterra. Guías Clínicas - Nueva gripe A (H1N1).
Durante las pandemias estas tasas pueden superarse como la observada para 1918-19 que fue
mayor del 40 % en población general. Tasas de ataque del 10 % causan problemas
comunitarios, del 25 % desbordan los servicios comunitarios, colapsan los servicios de salud
y tasas del 50 % provocan un desastre.
Las tasas de hospitalización son elevadas en los grupos de riesgo, estimaciones para USA
arrojan para mayores de 65 años valores que van de 200 a más de 1.000 x 100.000. En los
demás grupos de edades que se encuentran en riesgo, las tasas de hospitalización variaron de
40 a 500 x 100.000, mientras que los que no tenían riesgo variaron entre 20 a 100 x
100.000.[22]
[25]
La situación de la gripe a en Santa Fe.
De todas las complicaciones, la más frecuente y que mayor amenaza para la vida es la
neumonía, siendo más usual la bacteriana, menos común la asociación viral - bacteriana y rara
la viral.
En los periodos ínter-pandémicos el costo socio-económico es muy elevado por ser causa
frecuente de ausentismo laboral y escolar, inadecuado e innecesario consumo de
medicamentos, alta demanda de asistencia ambulatoria y necesidades de internación.
Existe gran número de estudios de efectividad y de costo beneficio en la aplicación de vacuna
antigripal a personas pertenecientes a grupo de riesgo e incluso a personas sin riesgo.
Respecto de la eficacia se sabe que la vacuna cuando hay buena concordancia entre la cepa
vacunal y el virus que circula, previene la enfermedad en aproximadamente el 70 % en niños
y jóvenes sanos. Este valor disminuye a 30-40 % en mayores de 65 años pero la prevención
de la hospitalización por complicaciones de influenza es de 50-60 %, por neumonía del 60-70
% y de muerte en 70-80 %.
Los cerdos tienen la particularidad de ser susceptibles a los virus de la gripe que también son
capaces de infectar a seres humanos y aves. Por esta razón en los cerdos pueden combinarse
genéticamente virus de diversas especies.
Esta característica facilita la transmisión del virus, siendo aún mayor que la de la gripe
estacional con tasas de morbilidad (contagio) altas, que pueden llegar al 100 por ciento,
debido a que el sistema inmunitario de las personas aún no afectadas desconoce al nuevo
virus, no disponiendo de defensas.
Al igual que otras enfermedades respiratorias comunes, los lugares de reunión cerrados
constituyen los mejores escenarios para los contagios. Por esta razón el transporte aéreo
constituye un medio favorable para la expansión geográfica del virus, así como las escuelas
constituyen un medio favorable para su difusión comunitaria.
Si bien los primeros datos parecían dar a entender que el virus tenía una alta tasa de
mortalidad, con posterioridad y a medida que el contagio mundial avanzaba, la tasa de
mortalidad no apareció como más alta que la de la gripe común.
Al 6 de julio en el mundo se habían confirmado 94.512 casos mediante análisis de laboratorio,
con 429 muertos (0,045%). Sin embargo el número de casos confirmados con análisis de
laboratorio parece encontrarse muy por debajo de la cantidad de personas que contrajeron la
enfermedad.
Finalmente, el virus H1N1 es muy inestable y tiene una alta capacidad potencial para mutar
en cualquier momento. Los especialistas han destacado esta posibilidad como un riesgo,
especialmente si el mismo se combina con un virus de gripe aviar (H5N1).
El 12 de junio de 2009 la empresa Novartis, subsidiada por Estados Unidos, anunció haber
producido el primer lote de vacunas contra el virus, pero la misma recién se encontrará
disponible en la primavera austral.
El 26 de abril, dos días después de que se anunciara el brote en México y un día antes de que
la OMS elevara la alerta mundial al nivel 4, la por entonces Ministra de Salud Graciela
Ocaña reunió un Comité de Crisis y Evaluación por el brote de gripe porcina, con los
principales funcionarios del Ministerio de Salud, los directores de los hospitales Garrahan
y Posadas y un especialista de la Organización Panamericana de la Salud (OPS).
Ese mismo día la prensa argentina trató el tema en primera plana. El diario Clarín, el de
mayor tirada del país, tituló "Gripe porcina, alerta en el mundo por un gripe difícil de
combatir". En la nota, luego de señalar la alta mortalidad de virus en México (81 personas
entre unos mil afectados), el periódico cita las palabras del Dr. Tomás Orduna, Jefe de
Infectología del Hospital Muñiz de la Ciudad de Buenos Aires:
“La peor pesadilla que se temía podía suceder con el virus de la gripe aviar, se dio con el de la
gripe porcina. La liebre saltó por el lado menos pensado”.
El 28 de abril el Comité de Crisis comenzó a reunirse bajo la presidencia del Jefe de Gabinete
de Ministros, Sergio Massa, con el fin de consensuar y coordinar las medidas a adoptar en
1.- Una primera etapa de contención, en la que se busca atender enérgicamente todos los casos
2.- una segunda etapa de mitigación, caracterizada por la toma de medidas no farmacéuticas
de restricción masiva de las actividades sociales (económicas, educativas, culturales,
administrativas, etc.) y la concentración de la atención médica hacia los casos más graves. [26]
[27]
En la primera etapa de contención, el objetivo es impedir que el virus salga de los focos
detectados para mantener la infección contenida dentro de esos límites sanitarios, con el fin de
ganar tiempo para organizar las medidas masivas a tomarse durante la etapa de mitigación.
Teniendo en cuenta que las escuelas se tornaron el principal foco de contagio, la principal
medida de contención fue el cierre de las escuelas en las que se detectaban casos de infección.
El 26 de mayo, el gobierno nacional ordenó suspender las clases por 72 h en aquellas escuelas
en las que se hubieran detectado casos sospechosos, y por 14 días en aquellas en las que se
hubieran confirmado. [26]
El Secretario de Salud de la Nación, Carlos Soratti, explicó que la medida de cerrar escuelas
estaba avalada por trabajos científicos internacionales que muestran que si no se efectúa
ninguna intervención, el contagio puede llegar a afectar al 42% de la comunidad escolar, pero
[26]
SADI, SAP y CNI. Guías y consensos: Influenza A (H1/N1).
[27]
Pisani, Francis (10 de mayo de 2009). Influenza: mitigación y ciencia de las redes.
Esto significó la adopción de una estrategia orientada a toma de medidas restrictivas masivas,
a profundizar la vigilancia epidemiológica y en apuntar fundamentalmente a los grupos de
[28]
Lipcovich, Pedro. Veintidós escuelas cerradas.
[29]
Rosario 3. Gripe A en Santa Fe: sin nuevos casos y con política de aislamiento.
[30]
Clarín. Más casos de gripe A: cierran el Carlos Pellegrini por dos semanas.
También se suman los grupos que pueden transmitir la gripe a personas de alto riesgo:
médicos, enfermeras, y aquellos que ocupan funciones críticas en caso de epidemia. [32]
Dentro de esta estrategia, y ante el colapso del sistema de guardias, se dispuso una red de
[33]
consultorios especiales en los hospitales bonaerenses y porteños , y se envió una nueva
partida para la asistencia ante la epidemia, de unos 22 millones de dólares, que incluyen la
compra de dos millones de dosis antivirales.
[31]
Valeria Perasso. Nueva estrategia ante la gripe porcina.
[32]
Los Andes. Cuáles son los grupos de riesgo.
[33]
InfoBAE. La Provincia amplió la red de "consultorios A" para tratar la influenza.
[34]
Ministerio de Salud de la Nación. Situación de la influenza porcina. Parte Nº 49.
Entre las principales razones que explican estos incrementos, se encuentran, en primer lugar,
el cambio climático. La reducción y práctica anulación de las estaciones intermedias (otoño y
primavera), imposibilitan la adaptación a las temperaturas cada vez más bruscas de las
estaciones centrales. Otra de las causas es el uso libre de los medicamentos, que favorece a
desarrollar virus más resistentes.
La incidencia cada vez mayor de enfermedades respiratorias, junto al temor de la nueva cepa
de virus, colaboró al colapso del sistema de guardias, médicos a domicilio y médicos
laborales [37], duplicó el ausentismo escolar, llegando al 45% en algunos establecimientos [38],
y se triplicó en los trabajos, produciendo un fuerte impacto económico. [39]
[35]
InfoBAE. Se duplicaron los casos de chicos con gripe en Capital.
[36]
La Gaceta. Aumentan los casos de bronquiolitis.
[37]
Clarín. Colapsó el sistema médico a domicilio: los prestadores piden "racionalidad".
[38]
Clarín. Ausentismo récord en las escuelas por el miedo a la Gripe A.
[39]
Clarín. Por la gripe se triplicó en un mes el ausentismo en el trabajo.
[40]
Clarín. Gripe porcina: el Gobierno advierte que el invierno agravará la situación.
[41]
El Economista. OMS pide seguir atentos a gripe porcina y alerta de llegada a hemisferio sur.
[42]
La República. Gripe porcina podría repuntar en el invierno de ambos hemisferios.
El 2 de Mayo la ministra de Salud, Graciela Ocaña aseguró que “no hay ningún caso
confirmado de gripe A H1N1” y señaló que “tenemos una situación diferente al hemisferio
Norte porque acá empieza la temporada de gripe que genera mayor demanda de salud”.
En tanto, el consultor de la Organización Panamericana de la Salud (OPS), Rubén Torres,
destacó que la Argentina “está tomando todas las medidas recomendadas” para prevenir la
Gripe A y estimó que “no hay por qué sembrar alarma”, ante la aparición de la epidemia a
nivel mundial.
El 25 de mayo el gobierno informó que se habían confirmado 14 casos positivos, trece de los
cuales correspondían a alumnos de la escuela primaria Fray Mamerto Esquiú del barrio
de Belgrano de la Ciudad de Buenos Aires y el restante a un estudiante de quince años del
colegio secundario Del Pilar, ubicada en el municipio del mismo nombre, en el conurbano
bonaerense.
Los trece casos confirmados de Belgrano sufrieron el contagio a través de una compañera de
11 años que había visitado Disney World en Orlando, Florida, EE. UU.. El caso de Pilar
sufrió el contagio en un torneo de equitación realizado en el Club Hípico Argentino, de la
Ciudad de Buenos Aires.
En el mismo anuncio, el gobierno informó que existían otros casos sospechosos sobre los que
esperaban resultados y que se había decidido cerrar por 14 días las dos escuelas en las que se
encontraban los casos confirmados y, preventivamente, otras dos escuelas más en Belgrano y
Pilar.
Un día después, el 30 de Mayo, los casos positivos confirmados alcanzaron los 100, y otros
tres establecimientos fueron cerrados, siempre en las zonas del barrio de Belgrano y de Pilar.
El 1 de junio, con 131 casos positivos, el Secretario de Salud de la Nación, Carlos Soratti,
indicó que el 90 por ciento de los casos positivos estaba relacionado con las comunidades
educativas de colegios de Capital y el Gran Buenos Aires, todos con nexo epidemiológico, es
decir que podía determinarse la fuente de contagio, por lo que técnicamente puede
considerarse que ya se encontraba configurada la situación de transmisión comunitaria
sostenida.
El parte diario del Ministerio de Salud del 7 de junio, también daba cuenta que "el 74% de los
casos confirmados (215) pertenecen a niños entre 5 y 17 años, que asisten a 17 escuelas de
ciudad de Buenos Aires y provincia de Buenos Aires".
El virus se expandió a partir de las comunidades escolares del Área Metropolitana de Buenos
Aires, duplicando aproximadamente los casos confirmados cada semana, una velocidad
similar a la que registraría el Reino Unido un mes después.
Existen varios factores que colaboraron para la difusión del virus. Uno de los colaboradores
centrales fueron las bajas temperaturas que se registraron en ese momento, en la segunda
mitad del otoño austral, que impulsó a la población en general y a los escolares en particular,
a quedarse en lugares cerrados, favoreciendo así la transmisión de la enfermedad. El segundo
factor a destacar es la gran aglomeración urbana que constituye el AMBA, con más de 13
millones de habitantes. En tercer lugar, Buenos Aires es un punto de concentración de
población de todo el país, tanto por actuar como de la mayor parte de los vuelos nacionales y
regionales, como por ser la principal conexión hacia el exterior y ser sede de las autoridades
nacionales y las principales empresas.
Como parte de las tareas de control epidemiológico que el Servicio Nacional de Sanidad y
Calidad Agroalimentaria (Senasa) tiene en sus funciones, un equipo de técnicos agropecuarios
Los cerdos y la granja fueron aislados, y se analizó toda granja cercana en tres kilómetros, no
habiendo otros casos. Sólo registraron una tasa de mortalidad del 1%, mientras que el resto se
recuperó de los síntomas. [43]
El 15 de junio se confirmó el primer fallecimiento causado por el virus H1N1. Se trató de una
beba de 3 meses, que se encontraba internada en el Hospital Posadas, ubicado en el conurbano
de Buenos Aires. Había tenido un nacimiento prematuro y problemas pulmonares, que fueron
agravados por el virus y finalmente falleció. Cuatro pacientes están internados en terapia
intensiva; hay 89 nuevos casos reportados. En ese momento se habían confirmado 733 casos
positivos en el país, y otro tanto era sospechoso. Un día después, se confirmaron otras tres
muertes y otros 138 casos positivos. La progresión de fallecidos llegó a 44 para fin del mes de
junio, con una estimación de 100.000 personas infectadas (0,25% de la población total). En la
segunda quincena de junio, coincidiendo con el inicio del invierno, el virus se transmitió de
manera sostenida en Buenos Aires y se expandió hacia otras zonas del país, en especial la
Provincia de Santa Fe, con epicentro en la Ciudad de Rosario.
[43]
Ius Lex - Siglo XXI. La gripe Argentina.
El 28 de Junio Argentina reportó dos nuevos muertos por gripe A, con lo que suman 28 los
fallecidos por el virus AH1N1 en el país, donde hay además 1.587 enfermos.
Organizaciones sanitarias afirman que el número de personas infectadas en el país “es
sustancialmente mayor” al oficial y que los hospitales están “al borde del colapso”.
El gobierno decidió el cierre de los establecimientos educativos durante todo el mes de Julio,
una medida que involucró a 11 millones de estudiantes. Las medidas de las autoridades
apuntan principalmente a limitar los contagios durante los meses de invierno, hasta el
comienzo de la primavera el 21 de septiembre.
El 8 de Julio la cadena internacional BBC Mundo, se preguntó ¿por qué Argentina presenta el
tercer lugar a nivel mundial en muertes por Gripe A, si tiene tan pocos infectados? Si se toma
el número de casos confirmados y los fallecidos, Argentina tiene la mayor tasa de mortalidad
por la pandemia. Sin embargo, el ministro de salud, Juan Luís Manssur, volvió a rechazar la
necesidad de decretar la Emergencia Sanitaria Nacional.
En el 16 de Julio ya son 159 los muertos por gripe A en la Argentina. En Santa Fe se elevó a
62 el número de muertos y según las autoridades de esa provincia sus pares nacionales
deberían reconocer que son más de 160 los casos fatales contra 137 confirmados oficialmente.
La entidad internacional ya no reporta la cifra de infectados con el virus A/H1N1 por la gran
cantidad que tiene cada país. En tanto, en los centros de salud se trata a personas que tienen
síntomas, sin realizar pruebas, para agilizar el tratamiento.
El balance de muertes por gripe porcina en Latinoamérica llegó el miércoles 22 de julio a 480,
dos tercios del total mundial, después de que Chile y Argentina registraran decenas de nuevos
casos fatales, en medio de una ola de frío polar que avanza sobre el Cono Sur.
Argentina es el país de América Latina con mayor número de fallecidos por gripe A (H1N1),
con 165, por encima de los 138 de México, país considerado foco del contagio, que se ha
extendido por todo el mundo, dejando más de 700 muertos según la Organización Mundial de
la Salud (OMS).
[44]
Diario Integración Infantil. Articulo "La historia de un virus que cambio la vida de muchos argentinos".
Valor Habitantes
30 400
7,5 100
53 700
0,075 1
Tabla 2.
Mortalidad y Morbilidad - Argentina (28/04/2009 hasta 22/09/2009)
Datos brindados por el Ministerio Nacional de Salud
Este capitulo ofrece una introducción histórica de los modelos matemáticos epidemiológicos,
se explican los inicios de esta practica, se detallan los parámetros empleados, métodos y
terminología acerca de su uso. Por otra parte, para una mejor comprensión del desarrollo, se
exponen los diversos modelos epidémicos existentes y se detallan los más utilizados. Por
ultimo, se presenta la teoría de redes de transmisión como lectura complementaria, el cual
facilita a comprender con mayor profundidad los supuestos de la propagación.
Este capitulo es de gran importancia dado que representa una base fundamental para poder
comprender el capitulo 6.
La aplicación de las matemáticas a la epidemiología puede trazarse desde el año 1760 cuando
[45]
Daniel Bernoulli publicó un pequeño documento sobre la epidemia de peste que en ese
entonces se abatía sobre Europa.
En el siglo pasado el interés por la aplicación de métodos cuantitativos a la biología floreció
como consecuencia del éxito de estos en la física y en particular en biofísica y bioquímica.
Una observación temprana que fue rápidamente puesta en términos cuantitativos, es que las
enfermedades infecciosas se transmiten por contacto entre un enfermo infeccioso y un
individuo susceptible.
[46]
Hamer en 1906 formuló la ley de acción de masas que establece que el número de
contactos infecciosos, es decir que producen enfermedad, por unidad de tiempo es
proporcional al número total de contactos entre individuos infecciosos y sanos. Más tarde
[47]
Ronald Ross en el apéndice a su libro The Prevention of Malaria en la edición de 1911,
formuló un modelo matemático sencillo como apoyo de su argumentación de que para
erradicar el paludismo era suficiente con disminuir la población de mosquitos a un nivel bajo,
[45]
D. Bernoulli. Essai d' une nouvelle analyse de la mortalité causé par la petite Vérole, et des avantages de l'
inoculation pour la prévenir.
[46]
Jorge X. Velasco Hernández. Modelos matemáticos en epidemiología: enfoques y alcances.
[47]
R. A. Ross. The prevention of Malaria.
[48]
En 1927 Kermack y McKendrick formularon un modelo matemático bastante general y
complejo para describir la epidemia de peste que sufriera la India en 1906. Con estos últimos
autores iniciaremos propiamente el desarrollo de la investigación.
Las ciencias biológicas han tenido un desarrollo paralelo al de la física desde la Revolución
Científica del siglo XVII y que ha sido distinto. El hecho de que ahora la matemática tenga tal
importancia en algunas áreas de la biología que permitan el uso de nombres tales como por
ejemplo “epidemiología matemática”, tiene que ver con la necesidad de un enfoque
multidisciplinario para estudiar las propiedades en la propagación de los problemas
biológicos.
Tal enfoque ha requerido del uso de modelos matemáticos como una herramienta conceptual,
un nuevo tipo de microscopio, con el cual se pueden describir, explicar y en algunos casos,
predecir comportamientos específicos.
Para ejemplificar las ideas expresadas, describiré en forma escueta, algunas de las formas en
que los modelos matemáticos se han aplicado a contrariedades epidemiológicas.
Los aspectos técnicos serán omitidos, de igual forma, para los interesados en profundizar mas
en este tema, pueden dirigirse a las referencias que se hallan listadas al final de este
documento.
[48]
W. O. Kermack y A. G. McKendrick. A contribution to the mathematical theory of
Epidemics.
La visión para los investigadores a través de la historia era que para que un brote epidémico
llegara a su fin era necesario que el número de personas susceptibles de contraer la
enfermedad se agotara o, alternativamente o simultáneamente, la virulencia del agente
infeccioso decreciera durante el transcurso de la epidemia.
Los resultados del modelo de Ross indicaban que ninguna de la dos hipótesis era correcta
pero el paludismo involucraba mecanismos de transmisión ausentes en la peste y por ello,
estrictamente, no eran aplicables.
Por supuesto que las hipótesis expresadas en el modelo matemático construido, están basadas
en el marco teórico y conceptual en la que el problema objeto de estudio está contenido. De
hecho, en opinión, la construcción del modelo matemático no empieza con la postulación de
ecuaciones, sino cuando se plantea un tipo de pregunta que requiere de un enfoque
cuantitativo y formal para su repuesta. Obviamente la pregunta y su planteamiento particular
dependen fuertemente del marco teórico y conceptual en el que el problema es concebido.
Los modelos en cuestión son en si, expresiones matemáticas que describen las relaciones
existentes entre las magnitudes propias del sistema.
Por lo tanto, el modelamiento de enfermedades infecciosas estudia la dinámica y los factores
que causan la proliferación de una enfermedad cuando ésta invade una población en
particular.
La construcción de modelos matemáticos es una de las herramientas utilizadas hoy en día para
el estudio de problemas en medicina, biología, fisiología, bioquímica, epidemiología,
- Sistemas de ecuaciones
- Inecuaciones
- Expresiones lógico-matemáticas
Kermack y McKendrick establecieron, en este caso, como postulados básicos los siguientes:
a) La enfermedad que iban a estudiar debía ser viral o bacteriana y ser transmitida por
contacto directo de persona a persona.
c) La población sería una población cerrada y, a excepción de las pocas personas inicialmente
enfermas, todas las demás eran susceptibles de enfermarse.
A) La construcción de modelos revela algunas veces relaciones que no son obvias a primera
vista.
Es importante resaltar que un modelo está en verdad definido por las relaciones que
incorpora. Estas relaciones son independientes de los datos a introducir en el modelo, ya que
un modelo puede usarse para diferentes ocasiones y en distintos contextos.
Cabe señalar que los modelos matemáticos para enfermedades infecciosas se utilizan como
herramienta para tomar decisiones y que deben valorarse en su justa medida, ya que es
incomprensible un problema complejo sin una mínima modelación. Aunque hay que
reconocer que no es posible modelar la totalidad de las situaciones reales.
[49]
Becker N. The uses of epidemic models.
Para que una enfermedad pueda invadir una población, R0 deberá ser mayor a cero y para que
persista en el tiempo, R0 deberá ser mayor a uno.
Asumiendo una población totalmente homogénea (todos sus habitantes con las mismas
características epidemiológicas y hábitos sociales), el número de infecciones es proporcional a
la probabilidad de tener un contacto efectivo con un individuo susceptible. Es importante
hacer la diferencia entre un contacto y un contacto efectivo. El último es aquel que permite
transmitir la enfermedad a otra persona.
R= R0 x
[50]
Diekman O, Heesterbeek JAP, Metz J. On the definition and the computation of the basic reproduction ratio
R0 in models of infectious diseases in heterogeneous populations.
5.2. Métodos
Los niveles suponen la acumulación en el tiempo de una cierta magnitud. Son las variables de
estado del sistema en cuanto que los valores que toman determinan la situación en la que se
encuentra el mismo.
Los flujos expresan de manera explicita la variación por unidad de tiempo de los niveles. Es
decir, son responsables del cambio de las variables de estado.
Las variables auxiliares o parámetros son, como su nombre indica, variables de ayuda en el
modelo. Su papel auxiliar consiste en colaborar en la definición de las variables de flujo y en
documentar el modelo haciéndolo más comprensible.
Por ultimo, se llaman parámetros aquellos valores constantes durante la ejecución del modelo.
La hipótesis más importante de este modelo es que la infección la inicia sólo ciudadanos
extranjeros infectados y los infecciosos autóctonos producen nuevos casos.
[51]
Dietz K. Epidemics and Rumors: A survey.
5.3. Terminología
S - Individuos susceptibles.
I - Individuos infectados.
R - Individuos removido.
N - Población total.
β - Tasa de contagios (probabilidad de que una persona enferme al estar en contacto con un
infectado).
1/γ - Tiempo promedio de infección (para un solo individuo).
µ - Tasa promedio de defunciones (probabilidad de que un individuo infectado muera debido
a la enfermedad).
f - Tasa promedio de pérdida de inmunidad en individuos recobrados.
E - Tasa promedio de nacimientos.
a - Tiempo promedio de incubación.
Teniendo en cuenta la aclaración anterior, los modelos más importantes son: SI, SIS y SIR,
que pueden modelarse en forma determinista o estocástica y en todos ellos se asume que la
A continuación se describen de modo sinóptico los modelos SI, SIS y SIR bajo sus dos
versiones: determinística y estocástica.
En la ecuación del modelo SI, aparecen dos variables dependientes: el número de personas
susceptibles (S) y el número de personas infectadas (I). En este modelo, bajo su versión
estocástica, cada individuo infeccioso tiene contacto con otro, escogido al azar, a una tasa 1/λ
(contactos por unidad de tiempo).
También este modelo en ambas versiones es homogéneo para las personas, ya que se
presupone que cada individuo tiene el mismo número esperado de contactos, de tal forma que
es posible afirmar que el modelo presupone una interacción aleatoria. La solución a este
modelo en ambas versiones traza una trayectoria en forma de S, debido a que el número de
individuos infectados que puede transmitir la infección es bajo en las primeras etapas del
proceso, mientras que el número de individuos susceptibles es bajo en las últimas etapas.
En cambio, el modelo SIS puede formularse como un sistema de dos ecuaciones diferenciales.
La ecuación para el modelo SIS difiere de la del modelo SI porque se agrega un término µI(t),
que describe el ritmo al que los individuos se recuperan de la enfermedad o se convierten en
susceptibles, por lo que se aplica en ambas ecuaciones. En el modelo SIS estocástico la tasa
de contacto es también λ (contactos por unidad de tiempo).
[52]
Anderson R, May RM. Infectious diseases of humans.
El último modelo descrito es el SIR, que en su forma más simple puede formularse como un
conjunto de ecuaciones diferenciales.
Por último, en el modelo SIR estocástico cada individuo infeccioso tiene también contacto
con otro, escogido al azar, a una tasa λ (contactos por unidad de tiempo).
A diferencia del modelo SIS, un individuo infectado se recupera y en lugar de susceptible se
vuelve inmune a una tasa µ.
El modelo SIR describe el proceso en las tres distintas etapas. La solución al modelo SIR
muestra asimismo una trayectoria en forma de S en las primeras fases de la epidemia. Este
modelo difiere tanto del modelo SI como del SIS porque muestra una propensión a acabar en
cero infectados a largo plazo.
Estos tres modelos básicos en sus dos versiones pueden adaptarse a las características de las
enfermedades específicas. Por ejemplo, resulta posible mostrar a individuos como inmunes
durante un determinado intervalo de tiempo, nuevos sujetos que entran en la población
mediante nacimientos o emigraciones y personas que la abandonan mediante procesos de
migración o muerte. De igual forma, pueden generarse tipos de trayectorias más complejos,
como comportamientos cíclicos e incluso dinámicas caóticas, que caracterizan a algunas
afecciones infecciosas.
[53]
Diekman O, Heesterbeek JAP. Mathematical epidemiology of infectious disease: model building, analysis
and interpretation.
En 1927, W.O Kermack y A.G. McKendrick [48] crearon el modelo SIR que considera
una enfermedad que se desarrolla a lo largo del tiempo y únicamente tres clases de individuos
(de donde proviene el nombre).
- S(t) representa a los individuos susceptibles, es decir, aquellos que no han enfermado
anteriormente y por lo tanto pueden resultar infectados al entrar en contacto con la
enfermedad.
- I(t) representa a los individuos infectados y por lo tanto en condiciones de transmitir la
enfermedad a los del grupo S.
- R(t) representa a los individuos recobrados de la enfermedad, y que ya no están en
condiciones ni de enfermar nuevamente ni de transmitir la enfermedad a otros.
Éste es una ampliación del modelo SIR y considera nacimientos a lo largo del tiempo t, de
modo que hay una constante renovación de individuos susceptibles a la enfermedad. Del
mismo modo, algunos individuos mueren o bien por la enfermedad o de manera natural al
cabo de un tiempo de haber sido recobrados.
Simplificación del modelo SIR con nacimientos y muertes, en donde un individuo recobrado
nunca desarrolla inmunidad a la enfermedad, de modo que el flujo de un grupo a otro resulta:
El Modelo SIRS
Extensión del modelo SIR, en donde los individuos recobrados pueden perder la inmunidad a
la enfermedad y volver a formar parte del grupo de susceptibles. El flujo de un grupo a otro
está dado como sigue:
Modelo SEIS
El modelo SEIS considera una nueva clase de individuos llamada expuestos E (del
inglés exposed), es decir, aquellos que portan la enfermedad pero que al hallarse en su periodo
de incubación no muestran síntomas y no están en condición de infectar a otros. Se supone
además que un individuo que ha enfermado nunca obtiene inmunidad, de modo que el flujo de
grupos resulta:
Modelo SEIR
Derivado del modelo SEIS pero agregando esta vez a la población de recobrados. En este
caso, al igual que los anteriores, cada grupo es mutuamente excluyente y la suma de todos es
la población total, esto es,
Modelo MSIR
Éste modelo considera una nueva clase de individuos M, los llamados infantes con inmunidad
pasiva que tras cierto tiempo la pierden y están en condición de ser portadores de la
enfermedad (para una descripción más detallada véase Inmunidad (medicina)). Los flujos de
grupo resultan:
Modelo MSEIR
Derivado del modelo anterior, en donde entre el periodo de susceptibilidad e infección hay un
periodo de latencia, de modo que el flujo entre un grupo y otro es:
[54]
Watts DC, Strogatz SH. Collective dynamics of ‘small-world’ networks.
[55]
Kretzschmar M, Morris M. Measures of concurrency in networks and the spread of infectious diseases.
Algunas enfermedades infecciosas conocidas, fácilmente pueden ser ordenadas en una escala
unidimensional, de la más contagiosa y de transmisión no cercana en un extremo a la menos
contagiosa y de transmisión cercana en el otro extremo. Para los fines que se desea buscar,
basta decir que cuanto menor sea el grado de contagiosidad mayor atención debe concederse a
los patrones sociales de contacto. Por otro lado, si se incrementa la contagiosidad también lo
hacen la amenaza y el costo de falsear la importancia de la interacción social a todos los
niveles.
La clave del análisis de las redes sociales radica en que el foco de atención del análisis se
desplaza de las personas a las relaciones existentes entre ellas y los patrones generales de las
relaciones en una población.
Estas últimas pueden conectar a los individuos de tal manera que éstos formen díadas, tríadas
o, en el presente contexto, redes más amplias. Por lo tanto, es evidente que los patrones de
contacto influyen de forma notoria en la dispersión de una enfermedad infecciosa, debido a
que éstos se realizan de manera local y a distancia.
Las redes complejas pueden clasificarse en dos principales grupos, según sean sus
propiedades de conectividad. Las redes exponenciales, en las cuales la distribución de
[56]
Latora V, Marchiori M. Efficient behavior of small-world networks.
[57]
Wasserman S, Faust K. Social Network Analysis: methods and aplications.
Dentro de las redes del mundo pequeño, las más representativas son las siguientes:
a) Red regular, en la cual cada vértice se comunica con sus k/2 vértices vecinos;
b) Red aleatoria, en la que cada vértice se conecta con todos los demás;
c) El modelo de Watts y Strogats, esto es, una red intermedia entre la regular y la aleatoria en
la cual cada vértice se comunica con sus k/2 vértices vecinos, localizados a su lado (unos
pocos se comunican con vértices lejanos) [59].
Por consiguiente, es razonable asumir que cada individuo se comunica con sus k vecinos
inmediatos y que de los N individuos, sólo algunos de ellos, además de comunicarse con sus k
vecinos inmediatos, se comunican con algunos sujetos lejanos (contactos a distancia). Esto
significa que el patrón de contactos entre individuos se lleva a cabo bajo una red del mundo
pequeño, donde cada individuo se representa por un nodo o vértice y los contactos entre
individuos se representan por ligas y la transmisión de la enfermedad puede tener lugar sólo a
través de estos nexos.
Los modelos de urnas proveen un marco natural para analizar modelos de transmisión de
[51]
enfermedades infecciosas . Construirlos y capturar su esencia son aspectos fáciles, ya que
[58]
Pastor-Satorras R, Vespignani A. Epidemic dynamics and endemic states in complex networks.
[59]
Barabai AL, Albert R. Emergence of scaling in random networks.
En fecha reciente, estos modelos han provisto una forma de construir modelos de infección
que permiten la estimación de parámetros bajo supuestos en algunos casos muy robustos. Un
[60]
ejemplo muy interesante es el modelo que propusieron Hernández y Castillo para
determinar la eficacia de las vacunas.
Uno de los modelos más simples se puede obtener a partir del proceso de ramificación de
[61]
Bienaymé-Galton-Watson (llamado más comúnmente Proceso Galton-Watson) . Éste
proceso estocástico discreto modela una población que evoluciona en el tiempo y en cada
etapa el proceso puede tomar valores enteros no negativos, que representarán el tamaño total
de la población en dicho periodo.
Usando el modelo antes mencionado podemos considerar una epidemia donde la "población"
consistirá justamente en el conjunto de todos los individuos enfermos, y para cada enfermo su
"descendencia" será el número de individuos nuevos que contagia. Conociendo la función de
[60]
Hernández-Suárez C, Castillo-Chávez C. Urn models and vaccine efficacy estimation.
[61]
Raydonal Ospina Martinez. Revista Colombiana de Estadistica.
Considérese el caso de un individuo infeccioso que habita en cierto espacio S y que, después
de un tiempo de vida aleatorio, contagia y deja tras de sí una descendencia compuesta por
nuevos individuos infecciosos.
Por el momento es una variable aleatoria, es decir, una cantidad que se determina mediante
una función de densidad de probabilidad. Los nuevos sujetos infecciosos evolucionan de
modo independiente, ajustados al patrón de vida de la partícula madre (primer individuo
infeccioso): en ellos, que se reproducen, la enfermedad experimenta tiempos de vida
aleatorios. A una población como la anterior se la conoce como población ramificada o
proceso de ramificación. En este caso, los individuos, además de contagiar (reproducirse),
pueden desplazarse en el espacio S o mutar y es posible que haya sujetos provenientes de
otras poblaciones o fuentes que se trasladen al espacio S y luego se contagien. La
presuposición fundamental en todas estas poblaciones ramificadas es que los individuos se
ramifican (contagian) unos de otros de manera independiente. El número de personas
infecciosas presentes al principio se denota por el tamaño inicial de la epidemia (generación
cero).
[62]
Osvaldo Antonio Montesinos – Lopez. Modelo Matemático para Enfermedades Infecciosas.
El modelo de Kermack y McKendrick y sus variantes son los que hemos usado para entender
la evolución de la epidemia del H1N1 en la zona de Argentina. A continuación se mostrara
paso a paso el análisis y desarrollo del tema.
La primera suposición es que las poblaciones de infectados I (t) y de susceptibles S (t) varían
en el tiempo de manera homogénea en toda el área de interés. Desde luego esto sucede cuando
la epidemia se ha homogenizado en la zona.
Para formular el modelo recordamos que de la biología básica se sabe que la infección dura
un número de días que se determina en base a las observaciones clínicas y resultados
experimentales para virus parecidos.
Por otra parte, dado que el mecanismo de transmisión de la enfermedad es por contagios de
individuos infectados a susceptibles, lo que debe determinarse en forma experimento o en
forma de observación es la tasa r a la que dichos contagios ocurren.
dI (t )
= rSI − αI
dt
Por otra parte los susceptibles se infectan y entonces la población de susceptibles decrece:
dS
= rSI
dt
dR
= αI
dt
De suerte tal que la población total N=I(t)+S(t)+R(t) permanece constante. El hecho de que la
población total permanezca constante en el tiempo es una buena aproximación para brotes
epidémicos que duran sólo unos meses.
[63]
En los estudios retrospectivos , el modelo se ajusta de manera global a toda la curva
observacional de prevalencia.
En este proceso no solo se estima el parámetro r, sino que también el tiempo de inicio de la
epidemia, así como la condición inicial que reproduce mejor la evolución.
Por otra parte, nuestro interés fue el de generar predicciones para la máxima prevalencia, y la
duración de la epidemia usando los datos iniciales de la curva de incidencia que es la gráfica
de
dI
dt
Con respecto al tiempo, la cual nos da el número de casos nuevos por día, que usualmente es
el dato reportado por los sistemas de monitoreo epidemiológico.
dI
= (rN − α ) I
dt
I (t ) = NPe( rN −α )t
Por otra parte los datos de la curva de incidencia solo se refieren a los casos que presentaron
síntomas. Estos son sólo una proporción β de los infectados.
[63]
J. D. Murray. Mathematical Biology.
Como los valores de rN y α son conocidos debemos de usar un estimado para PN que es la
proporción de infectados al inicio de la epidemia.
El ajuste a posteriori de este modelo para otras influenzas muestra que el modelo ajusta el
comienzo de la epidemia cuando cierta cantidad de uno de cada 104 individuos de la
población está infectado. En este caso suponemos que esto sucede y nos da un valor de
β=1,11 que nos dice que el modelo y los datos son consistentes si uno de cada 9000
individuos infectados es confirmado.
Para estudiar el efecto de las medidas de control, observamos que el único parámetro que
puede modificarse por las medidas sanitarias es la tasa de contacto r.
A la fecha no existe una forma de calcular, a partir de los primeros principios, el cambio de r
por efecto del aislamiento.
A pesar de esto es posible generar varios escenarios de evolución que dependen del número r
que resulta de la aplicación de las medidas de control.
Esto da una primera idea del efecto de las medidas sobre el tiempo al que ocurre la máxima
prevalencia. Es necesario estimar a partir de los datos las escalas de tiempo y los tamaños de
esta evolución. Esto se hace a posteriori con el modelo suponiendo una dependencia lineal del
parámetro r en el tiempo como resultado de las medidas y de su relajamiento.
1
3días → α = = 0,333
3
Ejemplo:
rN = 0,57
0,57 0,57
r= = = 3,65e10 −8
N 15600000
dI (t )
= rSI − αI (A)
dt
(C) (B)
° Removidos R(t) del sistema infeccioso: son los infectados que ya no contagian.
La formula es la siguiente.
dR
R (t ) = = αI
dt
° Los Susceptibles son cada vez menos ya que pasan a ser infectados los que se contagian. Su
valor disminuye de la siguiente forma:
dS
= rSI
dt
En brotes epidémicos de pocos meses es una buena aproximación considerar que la población
permanece constante como:
N = I (t ) + S (t ) + R (t )
Por consiguiente:
S (t ) = N − I (t ) + R(t )
I (t 0) = PN
5%
Ejemplo: 5% de la población → P = = 0,05
100
I (t ) = NPe( rN −α ) (D)
Los parámetros se fijan en base a otras epidemias similares. Obviamente se corrigen estos
valores cuando va evolucionando la nueva epidemia y así se logra obtener una estimación
adecuada.
(Esto es que se inicia la epidemia cuando hay 1 enfermo cada 10000 habitantes)
Figura 4.
Proyecciones obtenidas del modelo SIR de la pandemia del 2009.
Si realizamos una comparación de la simulación con los datos reales descriptos en el capitulo
de pandemia, podemos visualizar que existe una similitud entre el tiempo y pico máximo de la
epidemia.
Figura 5.
Proyecciones obtenidas del modelo SIR de la pandemia del 2009 y su comparación con datos
oficiales
- Primero, cuando la línea simulada (roja) llega al pico y comienza a disminuir, también
disminuye la línea constituida por los datos oficiales (azul). Posteriormente cuando pasan
unos días en que las dos líneas disminuyen, luego del día 60, la línea azul se incrementa
nuevamente para realizar otro pico paralelo al pico anterior, esto significa que hubo un rebrote
epidémico.
- Como segunda aclaración, al realizar la comparación en el gráfico, se puede notar que, entre
el día 20 y el día 45, la línea simulada se encuentra por debajo de los datos oficiales.
Si bien la simulación logró brindar resultados muy similares a los datos publicados
oficialmente del año 2009 en tiempo y cantidad, no logró contemplar los dos puntos
anteriores, los cuales son de suma importancia para el proceso de mitigación.
Luego de realizar el análisis y el desarrollo del modelo matemático con los valores de entrada,
se pasaron las ecuaciones epidemiológicas a un sistema informático, para lo que se utilizo el
lenguaje de programación Visual Basic 6 en la representación de los resultados de las
ecuaciones y del gráfico.
Se efectúa el ingreso de los datos según la representación del modelo matemático precitado
sometiéndolos al procesamiento en los correspondientes controles parametritos de entrada.
Figura 6.
Parámetros ingresados para realizar la simulación.
Figura 7.
Visualización por pantalla del procesamiento de la información.
Figura 8.
Cantidad de Infectados por día.
7. Conclusiones
Estas representaciones son muy útiles porque permiten capturar propiedades esenciales de la
dispersión de una forma simplificada. Al modificar los parámetros del modelo se pueden
representar o descubrir situaciones que, difícilmente, se pueden obtener mediante su
experimentación real. Un ajuste a posteriori a los datos de incidencia, permite modelar el
efecto de medidas de aislamiento en términos de variaciones de la tasa de contacto y obtener
una primera estimación de los tiempos de respuesta a las medidas sanitarias.
Hay que resaltar que existen diversos modelos sencillos, los cuales permiten modelar algunos
fenómenos epidemiológicos de forma adecuada y que se pueden utilizar en sistemas mediante
su codificación en un lenguaje de programación. Tienen la ventaja de que no es preciso ser un
experto en el campo para hacer un uso apropiado de ellos. Dado que estos modelos simples
son muy robustos al cambio de parámetros, como hemos visto en esta investigación, pueden
usarse de manera confiable para predecir aspectos macroscópicos de una epidemia tales como
tiempo de duración y máxima prevalencia, aún cuando los datos no sean muy detallados.
Queda en claro que hay temas pendientes a ser tratados, como por ejemplo, los rebrotes
epidémicos y una mejor simulación proyectada al inicio de la pandemia, los cuales se podrían
solucionar añadiendo variables que lo especifiquen o realizando simulaciones para ciertos
rangos de tiempo, pudiendo así, contemplar las desviaciones existentes. También, se puede
tratar la adición de elementos más reales al modelo matemático (mayor sofisticación), los
cuales, exigen una mayor cantidad de parámetros a calcular y mayor número de supuestos.
Esto deja abierta la brecha para la realización de futuras investigaciones, que servirán para
realizar replanteos y mejoras al modelo de simulación propuesto.
Los resultados obtenidos en este desarrollo, permiten estudiar en detalle la interacción social
de los individuos y como se propaga el virus como una primera aproximación para cuantificar
las cadenas de infección, pero el problema científico importante que se presenta, es el de
entender como las cadenas de infección se pueden describir en forma cuantitativa en la etapa
previa a la aproximación continua y su transición al desarrollo coherente.
Es decir, que en el modelo matemático usado (SIR), no puede describir la epidemia cuando no
se posee densidades firmes, como por ejemplo, la variable “r”.
Puede suceder, que cuando no se tiene un número suficientes de individuos infectados en las
etapas microscópicas de la evolución de la epidemia o cuando se posee un número elevado de
falsos positivos, da lugar a que las predicciones o cálculos de los modelos presenten un
considerable margen de error. Por ello, los resultados del modelo deben tomarse en estos
casos con cautela. A pesar de que muchos modelos matemáticos no pueden realizar
predicciones precisas, sobre todo por la falta de datos, estos son de gran utilidad para medir el
efecto de las medidas de control mediante las variaciones de los valores de entrada.
Por ultimo, es prudente mencionar que dado que el actual mundo está cada vez más
interconectado e interdependiente, las amenazas de brotes de epidemias son muy altas, por lo
que es sumamente importante fortalecer un sistema de vigilancia epidemiológica para
Como plan de contingencia se pensó una instalación en 2 servidores en Cluster, esto significa
que si por algún motivo un servidor deja de funcionar, existe un servidor “On Line” en
paralelo para continuar con el procesamiento de la información.
Alto Rendimiento.
Alta Disponibilidad.
Alta Eficiencia.
Escalabilidad.
Dado que es un programa complejo pero con una programación reducida, la cual se detalla en
el anexo III, los mayores costos que se afrontan aparecen si se realiza una instalación
centralizada.
Por el lado de equipamiento, se deberá pensar en la compra de dos servidores que puedan
brindar un servicio de gran procesamiento, como así también, un buen hardware de
comunicación y almacenamiento.
TOTAL $ 42.650,00
Cabe aclarar que solo se tuvo en cuenta el área de sistemas. Se estipulan un máximo de 140
horas estimadas de trabajo, las cuales constituyen menos de 1 mes de trabajo. Los valores
están basados en las remuneraciones estimadas a Enero del 2013.
Primero realizamos un ciclo que no supere los 140 días como límite de tiempo, ya que los
escenario pandémico de virus de influenza se producen en los meses de frío, donde el virus se
propaga con mayor efectividad debido al factor climático.
‘0,01 = 1,11E+02 * 0,00000001 * 39500 * (1,44E-05 * 39500 – 0,33333) * Exp ((39500 * 1,44E-05 –
0,33333) * 0)
Rt = a * It
DIt = rsi – Rt
ListView1.ListItems.Add , , t, , 1
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(1) = FormatNumber(It, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(2) = FormatNumber(Rt, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(3) = FormatNumber(rsi, 2)
PunteroPosicion = t
Else
ListView1.ListItems.Add , , t, , 1
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(1) = FormatNumber(It, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(2) = FormatNumber(Rt, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(3) = FormatNumber(rsi, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(4) =
ListView1.ListItems.Item(PunteroPosicion + 1).SubItems(4)
PunteroPosicion = PunteroPosicion - 1
Else
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(4) = "0"
PunteroPosicion = PunteroPosicion - 1
End If
End If
t=t+1
DItAnterior = DIt
Loop