DATATON2021

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.

Analisis de Data

Análisis de Variables en R

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)

Implementación de Modelo SEIRD EN Python

Librerías empleadas

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

Construcción del Modelo en Python

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:

Simulación

Referencias

Pandey, Gaurav. (2020). SEIR and Regression Model-based COVID-19 outbreak predictions in India (Preprint). 10.2196/preprints.19406.

NathalyDM/DATATON2021