simulador covid19es.org (es posible que tengas que refrescar la página - optimizado para trabajar desde ordenador)

El equipo de Data Scientists de Mática Partners, con el conocimiento aportado por el Instituto Universitario de Investigaciones Biomédicas y Sanitarias de la Universidad de las Palmas de Gran Canarias, ha desarrollado este simulador de la propagación del virus COVID-19.

Para ello se ha basado en el modelo SEIR (https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology#The_SEIR_model). El código base es una transcripción del código proporcionado por Gabriel Goh, publicado en https://gabgoh.github.io/COVID/. El modelo de Gabriel evoluciona el modelo SEIR incluyendo 3 estados de recuperación del virus ( sintomatología leve, severa y severa en hospital).

 

Desde Mática se ha hecho una evolución más, incluyendo el efecto proporcionado por la saturación en UCIs como un factor determinante en la tasa de mortalidad. A su vez, se proporciona la capacidad de separar el análisis por grupos poblacionales (jóvenes menores de 20, adultos entre 20 y 60, y mayores de 60) permitiendo parametrizar el modelo de forma específica para cada grupo. La población de cada grupo ha sido obtenida del INE como fuente oficial.  Finalmente el modelo proporciona una parametrización más profunda de las intervenciones, permitiendo definir el momento de inicio, el Ro inicial y final y los días hasta que la intervención tiene el 100% del efecto esperado, junto con una segunda intervención que permite modelar el caso Español, donde se han realizado 2 intervenciones a la fecha, una de ellas más severa.

 

Importante: El objetivo de este simulador no es proporcionar un modelo exacto de previsión de infectados, hospitalizados o fallecidos, sino permitir simular los efectos en la propagación y de la infección ante diferentes parámetros de contexto o ambientales y facilitar una herramienta que permite realizar simulaciones "what-if" ante distintos escenarios.

Parámetros

Parámetros de confinamiento:

InterventionStartingTime_default = 43 : Tiempo hasta la primera intervención
InterventionFullTime_default = 10 : Tiempo hasta completar la primera intervención
InterventionR_default = 1.2 : Ro de la primera intervención (confinamiento)
SecondInterventionR_default = 0.8 : Ro de la segunda intervención
SecondInterventionTime_default = 53 : Tiempo hasta la segunda intervención

 

Parámetros de UCI:

P_UCI=0.112 : Probabilidad de pasar a la UCI
P_dead_saturacion_UCI_max=1 : Tasa letalidad con UCI saturada
P_dead_saturacion_UCI_min=0.02 : Tasa letalidad con UCI pre-saturada
N_saturacion_UCI_time=55 : Cuando se empiezan a añadir camas UCI al sistema sanitario (en días)
N_saturacion_UCI=4400 : Número inicial de camas UCI (4.400 son las iniciales para el global del Estado)
delta_UCI=170 : Delta de camas UCI adicionales por 
día

Parámetros clínicos:

Ro_default = 4.05 : R₀ (número básico de reproducción)
D_incbation_default = 4.8 : Período de incubación (días)
D_infectious_default = 2.66 : Días que un paciente es contagioso

Time_to_death_default = 23 : Días desde primer síntoma hasta defunción
D_hospital_lag_default = 5 : Dias hasta la hospitalización
D_recovery_mild_default = 14 : Días de recuperación para casos leves
D_recovery_severe_default = 31.5 : Días de recuperación para casos severos

Parámetros poblacionales:

CFR_array_default = np.array([0.0016, 0.0045, 0.0892]) : Letalidad por grupo de edad
P_SEVERE_array_default = np.array([0.001, 0.017, 0.053]) : Probabilidad de caso grave por grupo de edad

Accede al código fuente en github...

Powered by:

Matica Partners From Data To Decision.pn
ULPGC color.png
ImagenTesem.png