Emplear las bases del Perú sobre los casos COVID, centros de vacunación, sospechosos, personas vacunadas, fallecidos, donaciones y presupuestos COVID ejecutados en las distintas regiones para determinar variables de interés que puedan ser tomadas en cuenta al momento de proponer programas para prevenir la tercera ola.
A continuación se mostrará la logica para el análisis de dependencia de variables. En primer lugar se crea un nuevo slot en la data que contenga 0 si para ese en ese mes una región haya tenido una mayor cantidad de vacunados y 1 de lo contrario.
vacunados_dep_mes$statu<-1
for (i in 1:nrow(vacunados_dep_mes)){
if (vacunados_dep_mes$Vacunados[i]>29733){
vacunados_dep_mes$statu[i]<-0
}
}
Posteriormente se realiza un análisis con survival :
covariates <- c("car_por_sup", "temperatura", "avance")
univ_formulas <- sapply(covariates,
function(x) as.formula(paste('Surv(Mes, statu)~', x)))
univ_models <- lapply( univ_formulas, function(x){coxph(x, data = vacunados_dep_mes)})
# Extract data
univ_results <- lapply(univ_models,
function(x){
x <- summary(x)
p.value<-signif(x$wald["pvalue"], digits=2)
wald.test<-signif(x$wald["test"], digits=2)
beta<-signif(x$coef[1], digits=2);#coeficient beta
HR <-signif(x$coef[2], digits=2);#exp(beta)
HR.confint.lower <- signif(x$conf.int[,"lower .95"], 2)
HR.confint.upper <- signif(x$conf.int[,"upper .95"],2)
HR <- paste0(HR, " (",
HR.confint.lower, "-", HR.confint.upper, ")")
res<-c(beta, HR, wald.test, p.value)
names(res)<-c("beta", "HR (95% CI for HR)", "wald.test",
"p.value")
return(res)
#return(exp(cbind(coef(x),confint(x))))
})
res <- t(as.data.frame(univ_results, check.names = FALSE))
as.data.frame(res)
Y finalmente se realiza un analisis de Cox los resultados de esta función pueden ser empleados posteriormente.
res.cox <- coxph(Surv(Mes, statu) ~ avance+temperatura, data = vacunados_dep_mes)
summary(res.cox)
Python
import os
import sys
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from scipy.integrate import odeint
import plotly.graph_objects as go
import plotly.io as pio
pio.renderers.default = "notebook"
%matplotlib inline
plt.style.use('ggplot')
import kaleido
El modelo fue construido guíandose de el Modelo SEIR del estudio "SEIR and Regression Model based COVID-19 outbreak predictions in India" (Pandey & Gaurav, 2020).
- Beta: Ratio de infección
- Sigma: Ratio de incubación
- Gamma: Ratio de recuperación
- Mu : Tasa de motalidad
Las ecuaciones diferenciales que modelan dicho modelo son:
Funciones Matemáticas
:
def ode_model(z, t, beta, sigma, gamma, mu):
"""
Reference https://www.idmod.org/docs/hiv/model-seir.html
"""
S, E, I, R, D = z
N = S + E + I + R + D
dSdt = -beta*S*I/N
dEdt = beta*S*I/N - sigma*E
dIdt = sigma*E - gamma*I - mu*I
dRdt = gamma*I
dDdt = mu*I
return [dSdt, dEdt, dIdt, dRdt, dDdt]
def ode_solver(t, initial_conditions, params):
initE, initI, initR, initN, initD = initial_conditions
beta, sigma, gamma, mu = params
initS = initN - (initE + initI + initR + initD)
res = odeint(ode_model, [initS, initE, initI, initR, initD], t, args=(beta, sigma, gamma, mu))
return res
Entry format is described as follows:
Pandey, Gaurav. (2020). SEIR and Regression Model-based COVID-19 outbreak predictions in India (Preprint). 10.2196/preprints.19406.