PROYECTOS

Modelo AMMA

Es un modelo dinámico tipo SEIRD (el cual considera personas: Susceptibles, Expuestas, Infectadas, Recuperadas y Defunciones), basado en inferencia bayesiana de asimilación secuencial de datos.

Actualmente este modelo permite estimar el aumento o disminución del número de casos de la enfermedad, a nivel de entidad federativa y para la Zona Metropolitana del Valle de México, a partir de los registros de casos confirmados diarios, defunciones acumuladas y demanda hospitalaria diaria (camas normales y de unidades de cuidados intensivos), publicados por la Secretaría de Salud.

El modelo ha sido desarrollado por Andrés Christen y Marcos Capistrán del CIMAT-CONAHCYT, junto con María Luisa Daza-Torres de la U.C. DAVIS y Antonio Capella del Instituto de Matemáticas de la UNAM. El nombre “AMMA” corresponde a las suma de sus iniciales de sus desarrolladores.

Consulta el preprint del modelo (AMA 1) Forecasting hospital demand during COVID-19 pandemic outbreaks.

Consulta el artículo (AMA 2) Forecasting hospital demand in metropolitan areas during the current COVID-19 pandemic and estimates of lockdown-induced 2nd waves.

Consulta el preprint del modelo (AMMA 3) Bayesian sequential data assimilation for COVID-19 forecasting.

Técnicos

Judith Esquivel Vázquez, Judith Oscar Miguel González Vázquez, Oscar Miguel

Visualizaciones Disponibles

visualizaciones
amma3

Modelo AMMA. Versión 3

50 descargas disponibles

Reporte Modelo AMMA-3 20/04/2022 Reporte Modelo AMMA-3 12/4/2022 Reporte Modelo AMMA-3 6/4/2022 Reporte Modelo AMMA-3 29/03/2022 Reporte Modelo AMMA-3 22/03/2022 Reporte Modelo AMMA-3 15/03/2022 Reporte Modelo AMMA-3 30/12/2021 Reporte Modelo AMMA-3 23/12/2021 Reporte Modelo AMMA-3 16/12/2021 Reporte Modelo AMMA-3 9/12/2021 Reporte Modelo AMMA-3 2/12/2021 Reporte Modelo AMMA-3 25/11/2021 Reporte Modelo AMMA-3 18/11/2021 Reporte Modelo AMMA-3 11/11/2021 Reporte Modelo AMMA-3 4/11/2021 Reporte Modelo AMMA-3 28/10/2021 Reporte Modelo AMMA-3 21/10/2021 Reporte Modelo AMMA-3 14/10/2021 Reporte Modelo AMMA-3 7/10/2021 Reporte Modelo AMMA-3 30/09/2021 Reporte Modelo AMMA-3 23/09/2021 Reporte Modelo AMMA-3 16/09/2021 Reporte Modelo AMMA-3 9/9/2021 Reporte Modelo AMMA-3 2/9/2021 Reporte Modelo AMMA-3 26/08/2021 Reporte Modelo AMMA-3 19/08/2021 Reporte Modelo AMMA-3 12/8/2021 Reporte Modelo AMMA-3 5/8/2021 Reporte Modelo AMMA-3 29/07/2021 Reporte Modelo AMMA-3 22/07/2021 Reporte Modelo AMMA-3 15/07/2021 Reporte Modelo AMMA-3 8/7/2021 Reporte Modelo AMMA-3 1/7/2021 Reporte Modelo AMMA-3 24/06/2021 Reporte Modelo AMMA-3 17/06/2021 Reporte Modelo AMMA-3 10/6/2021 Reporte Modelo AMMA-3 3/6/2021 Reporte Modelo AMMA-3 27/05/2021 Reporte Modelo AMMA-3 20/05/2021 Reporte Modelo AMMA-3 13/05/2021 Reporte Modelo AMMA-3 6/5/2021 Reporte Modelo AMMA-3 29/04/2021 Reporte Modelo AMMA-3 14/04/2021 Reporte Modelo AMMA-3 7/4/2021 Reporte Modelo AMMA-3 31/03/2021 Reporte Modelo AMMA-3 23/03/2021 Reporte Modelo AMMA-3 17/03/2021 Reporte Modelo AMMA-3 11/3/2021 Reporte Modelo AMMA-3 4/3/2021 Reporte Modelo AMMA-3 25/02/2021
forecasting

Forecasting hospital demand during COVID-19 pandemic outbreaks

1 descarga disponible

Preprint 2/6/2020
rtincertidumbre

Filtering and improved Uncertainty Quantification in the dynamic estimation of effective reproduction numbers

1 descarga disponible

Preprint 3/12/2020
preprintama2

Forecasting hospital demand in metropolitan areas during the current COVID-19 pandemic and estimates of lockdown-induced 2nd waves

1 descarga disponible

Preprint 22/01/2021
preprintamma3

Bayesian sequential data assimilation for COVID–19 forecasting

zonametropolitana

Informe Especial sobre La ZM del Valle de México

1 descarga disponible

Reporte especial 4/6/2020
retrospectivo

Informe Especial Retrospectivo al 2020-04-15

1 descarga disponible

Reporte especial 7/6/2020

Preguntas Frecuentes

¿Qué es la inferencia bayesiana?

La inferencia bayesiana es un paradigma de la estadística desarrollada en el s. XX que busca establecer inferencias probabilísticas (demostrar que una hipótesis es cierta), utilizando el Teorema de Bayes. En términos simples, expresa la probabilidad de la causa de un evento respecto a los efectos observados; la probabilidad de que ocurra un evento A sabiendo que ocurre otro evento B con la probabilidad de que B determine A (a priori y a posteriori). Por ejemplo: si tengo un dolor de huesos (A) debido a la artritis (B), podría inferir (utilizando variables complementarias) la probabilidad de tener artritis (B) si tengo dolor de huesos (A).


¿Cómo se cuantifican los casos asintomáticos?

La mejor estrategia para detectar los casos asintomáticos es realizar pruebas de forma sistemática en casos sospechosos y realizar pruebas serológicas, las cuales miden la respuesta inmunológica, a la población general. Este modelo compartimental realiza una estimación utilizando grupos de edad, comorbilidades, movilidad, ingresos hospitalarios, mortalidad, tiempos de contagio, entre otros, con datos nacionales e internacionales.


¿Se toman en cuenta factores como movilidad, comorbilidades y nivel socioeconómico?

El modelo AMA considera el índice de movilidad y las comorbilidades presentes en la población. Además, se observó la correlación entre movilidad y el Rt para entender la relación entre ellas. Aunque la modelación de este modelo no está basada en correlaciones, sí utiliza una ponderación entre la movilidad, la población susceptible restante y el Rt.

El modelo AMA no utiliza variables que tomen en cuenta el nivel socioeconómico de la población, como lo hace el modelo de vulnerabilidad que evalúa diversos indicadores sobre esta temática.


¿Qué es la Tasa de Reproducción Efectiva Rt?

El Rt es el número básico de reproducción de la epidemia. Se puede interpretar como la tasa de transmisión de un virus en un momento específico. El Rt menor a 1 (Rt<1) indica que la transmisión va a la baja; si es mayor a 1, la transmisión va en aumento (una persona contagiada contagia a más de una persona sana). Además, cuanto más grande sea Rt, mayor es la velocidad de transmisión.

El cálculo de Rt mediante el modelo AMA involucra de manera indirecta las variables de comorbilidades, hospitalización y decesos.


¿Cambia el objetivo entre los modelos AMA-1, AMA-2 y AMMA-3?

El objetivo principal no cambia, sólo se ajustan algunos parámetros debido a la evolución de la pandemia. Este sigue siendo un modelo que busca pronosticar la presión hospitalaria, es decir la demanda de camas y soporte respiratorio. Sin embargo, el modelo AMMA-3 incluye el pronóstico del número de casos suficientemente graves que podrían requerir atención hospitalaria.


¿El número de pronósticos del modelo AMA-1, AMA-2 y AMMA-3 es el mismo?

Sí, a nivel entidad federativa, los tres modelos generan un pronóstico para cada uno de los 32 estados. Sin embargo, el número de pronósticos para Zonas Metropolitanas (ZM) va cambiando entre modelos. El modelo AMA-1 generaba un pronóstico para cada una de las 72 ZM (INEGI 2015). Mientras que, AMA-2 producía un pronóstico para 69 ZM, debido a que, no se consideraban 5 ZM con bajo registro de casos COVID-19. Finalmente, AMMA-3 únicamente produce el pronóstico de la ZM del Valle de México (ZMVM) y los pronósticos del Estado de México incluyen los municipios fuera de la ZMVM.


¿El modelo AMMA-3 también muestra el historial de pronósticos?

No. El modelo AMMA-3, únicamente muestra el comportamiento de la presión hospitalaria por COVID-19 para los 28 días previos a la publicación del último reporte, además de una predicción para los siguientes 28 días.


¿Qué es la asimilación secuencial de datos?

Cuando la información no es completa ni exacta, como en el caso de la pandemia por COVID-19, donde diariamente se reportan de manera oficial nuevos registros de casos positivos y defunciones, la información es procesada y analizada paulatinamente, a esto se le llama “asimilación secuencial de datos”. La asimilación secuencial posibilita realizar predicciones o pronósticos probabilísticos, los cuales permiten obtener información acerca de la variación de las predicciones y evaluar la probabilidad de ocurrencia de eventos extremos.

Proyecto en GitHub victoriaepidemics / Victoria

README.md

Victoria Epidemics

The ongoing COVID-19 pandemic has posed a major challenge to public health systems of all countries with the imminent risk of saturated hospitals, resulting in patients not receiving proper medical care. However, having the possibility of estimating the excess hospital care demand in advance, it is possible to mitigate this consequences, improving thus patients' health conditions and saving more lives.

Inspired by this, we develop the Victoria Epidemic suite in order to forecast hospital occupancy in metropolitan areas...