Escolar Documentos
Profissional Documentos
Cultura Documentos
!
!
!
!
!
!
!
Curso desarrollado en
Instituto de Ciencia y Tecnologa para el Desarrollo
Universidad Rafael Landivar
Guatemala
Epidemiologa Matem
atica:
Ejemplos, Datos y Modelos
Asociados.
Jorge X. Velasco-Hern
andez
Programa en Matem
aticas Aplicadas y Computacion
Instituto Mexicano del Petroleo
Departamento de Biologa Ambiental
Universidad Aut
onoma Metropolitana-Lerma
emails: jx.velasco@gmail.com, velascoj@imp.mx
Captulo 2
2.1.
Motivaci
on
30
Jorge X. Velasco-Hernandez
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
31
sin un patr
on claramente definido, teniendo como u
nico factor en com
un
la explosividad en
areas urbanas en donde generan un gran n
umero de
casos.
Hay brotes de gran magnitud y duracion cclicos principalmente en
areas urbanas; una vez que estos disminuyen vuelven a aparecer posible
mente en a
nos. Durante los periodos de relativamente baja endemicidad
hay brotes en otras regiones geograficas, manteniendo el n
umero de casos en un rango basal hasta el desarrollo de un nuevo brote de gran
magnitud.
No existe claridad en el modo de transmision del dengue. No hay
una clara asociaci
on entre sitios con abundancia de mosco y presencia
de la enfermedad. Una pregunta esencial es dilucidar los factores que
determinan la transmision del dengue a nivel regional y, en particular,
caracterizar los patrones de movilidad de sujetos que fueron infectados
32
Jorge X. Velasco-Hernandez
2.2.
Conceptos b
asicos sobre modelaci
on en epidemiologa
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
33
2.2.1.
Limitaciones de la modelaci
on
34
Jorge X. Velasco-Hernandez
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
35
2.2.2.
Qu
e son los modelos matem
aticos
Resumiendo lo discutido en esta seccion podemos decir que los modelos matem
aticos son explicaciones simples consistentes con la realidad
y de amplio uso en las ciencias por sus caractersticas de
abstracci
on
simplificaci
on
herramientas experimentales
herramientas metodologicas
dise
nados para capturar y descubrir sistematicamente fenomenos
Estas cualidades permiten que los modelos matematicos puedan ser usados para
predecir (clima)
revisar escenarios (finanzas)
guiar la recolecci
on de datos (cantidad, calidad objetivo de la informaci
on)
darle sentido a los datos (descubrimiento de patrones)
experimentaci
on computacional
36
Jorge X. Velasco-Hernandez
Quiz
as la cuesti
on fundamental en la mente del lector es aprender a
elaborar modelos. Para ello la experiencia es la gran maestra pero, no
obstante esto, pueden darse una serie de principios basicos que, sin ser
reglas inmutables, pueden ayudar, servir de gua en su elaboracion. Existe un principio fundamental en la modelacion matematica: Empi
ecese
con un modelo simple Si funciona, mejor; si no funciona mejorese
(incrementar complejidad o realismo)
Este principio de simpleza es particularmente u
til en la modelacion de
sistemas complejos pues los
modelos sencillos son faciles de entender pero pueden ser poco
realistas
modelos complejos pueden ser mas realistas pero difciles de entender
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
37
2.3.
El modelo b
asico de Kermack-McKendrick
! I
#
! R
#
indica que los individuos evolucionan en las etapas SIR pero, ademas
se toman en cuenta efectos demograficos: nacimientos (todos los recien
nacidos son susceptibles) como entradas y mortalidad (en los tres compartimientos) como salidas.
Si S es el n
umero total de individuos susceptibles e I es el n
umero de
individuos infecciosos, entoces el n
umero total de contactos infecciosos
38
Jorge X. Velasco-Hernandez
2.3.1.
Primer modelo
Definici
on de brote epidemico: la tasa de cambio del n
umero de personas enfermas es positiva; es decir,
dI
> 0.
dt
Observaciones:
a ) el n
umero de infecciones inicial es generado por un n
umero peque
no
de gente enferma;
b ) la poblaci
on susceptible nunca ha estado expuesta al patogeno;
c ) la poblaci
on susceptible es homogenea con respecto a su vulnerabilidad respecto del patogeno (no hace diferencia el sexo, la edad,
precondiciones medicas, geneticas, etc).
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
39
SI,
SI
I,
donde 0 =
d
dt .
xy,
(xy
y,
y),
xy,
y 0 = (x
1)y,
z 0 = y,
d
donde ahora, abusando de la notacion, 0 = d
.
Supongamos que se desata una epidemia en una poblacion cuyo modelo son las ecuaciones anteriores. En t0 aislamos a todos los individuos
infecciosos I(t0 ). La evolucion de la infeccion esta dada entonces por la
ecuaci
on
I0 =
I, I(t0 ) = I0
40
Jorge X. Velasco-Hernandez
cuya soluci
on es
I(t) = e
(t t0 )
I0 .
Reescribiendola
i(t)
= e (t t0 ) ,
i0
podemos interpretarla como la proporcion de individuos infecciosos que
permanecen infectados al tiempo t.
Tomemos t0 = 0 El lado derecho de la igualdad es una funcion
de distribuci
on de tiempos de residencia en el estado infeccioso,
F (t) = 1 exp( t) entonces
Z 1
1
t exp( t)dt = ,
0
es el n
umero reproductivo b
asico: n
umero de infecciones secundarias promedio por individuo infeccioso que ocurren durante el tiempo de infecciosidad.
2.3.2.
El n
umero reproductivo b
asico R0
El n
umero reproductivo es, posiblemente, el concepto central de la
epidemiologa matem
atica que representa el n
umero reproductivo basico
es el n
umero de infecciones secundarias promedio de un infeccioso en una
poblaci
on totalmente susceptible; por consiguiente si R0 es mayor que
uno un brote epidemico puede ocurrir (cada caso da lugar a mas de un
caso). Esta propiedad convierte al n
umero reproductivo en un indicador
de la invasibilidad de una poblacion hospedera y de la severidad de la
epidemia.
Estudiemos la generaci
on de un brote epidemico en el sistema (en esta
deducci
on seguimos muy cercanamente a Thieme [7])
x0 =
xy,
y 0 = (x
1)y,
z 0 = y.
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
Figura 2.3:
S0 > 1
41
Gr
afica de I (ordenada) contra S (abcisa) para el caso de
x0 > 1
Tenemos adem
as que
x0 + y 0 =
y0 =
x0
= (ln x)0 ,
x
ln x = x0 + y0
ln x0 .
42
Jorge X. Velasco-Hernandez
ln x1 = 1 + ymax .
R1
M
as a
un, tenemos que x1 = x0 exp( 0 y(s)ds) y, dado que z 0 = y
entonces x1 = x0 exp(z0 z1 ) y, por consiguiente,
z1 = x 0 + y 0 + z0
2.3.3.
x1 = y0 + z0 + x0 (1
exp(z0
z1 )).
Teorema umbral
Para su demostraci
on seguiremos el mismo enfoque de Thieme [7]
referido ya anteriormente. Recordemos que x1 ln x1 = x0 + y0 ln x0 .
La funci
on
f (x) = x
ln x,
f 0 (x) = 1
1
,
x
f 00 (x) =
1
,
x2
ln x = x0 + y0
ln x0 = f (x0 ) + y0
debe tener dos soluciones (ver grafica) que satisfacen x < x0 < x+ .
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
43
ln x
ln x01 = x0
ln x0 .
44
Jorge X. Velasco-Hernandez
! I
#
! R
#
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
45
El modelo es el siguiente:
d
S = N
SI S,
dt
d
I =
SI ( + )I,
dt
d
R = I R
dt
donde es la tasa de curacion y N = S + I + R. El n
umero reproductivo
b
asico es ahora
S0
R0 =
.
+
2.4.
Oscilaciones persistentes en los datos pero no en el modelo producidas por forzamiento estacional: las tasas de transmision se incrementan
46
Jorge X. Velasco-Hernandez
en meses fros.
Obviamente no hay gran coincidencia entre nuestro modelo y las
IRAs, pero hay cosas que pueden rescatarse: vacunacion.
Sea p la proporci
on de individuos sometidos a vacunacion; por consiguiente N p es el n
umero de bebes vacunados y N (1 p) el n
umero de
bebes no vacunados. El n
umero reproductivo se modifica entonces a
Rv = R0 (1
p)
1
.
R0
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
47
p nos d
a la proporci
on de vacunacion necesaria para lograr la inmunidad
grupal.
Los puntos de equilibrio del modelo SIR se obtienen igualando a
cero las derivadas. Obtenemos entonces dos puntos de equilibrio: el libre
de la enfermedad con S = N , I = R = 0, y otro punto de equilibrio
denominado endemico con
Ie =
N
+
SIe
cuya soluci
on es
S(t) = S0 exp(
Ie t),
exp( Ie t)
es la propoci
on de susceptibles que se enfermaron al tiempo t. Podemos
calcular el tiempo promedio que un recien nacido dura sano antes de
enfermarse como (edad de primera infeccion)
Z 1
1
A=
t Ie exp( Ie t)dt =
.
Ie
0
Despejando de la f
ormula para Ie obtenemos que
48
Jorge X. Velasco-Hernandez
Ie
= R0
1.
L
.
A
2.4.1.
Tasas de contacto
En los modelos revisados un termino fundamental es la tasa de contacto C(S, I) que describe el n
umero promedio de contactos entre individuos infecciosos y sanos por unidad de tiempo. La ley de accion de
masas establece que
C(S, I) = SI,
es decir, la tasa de contactos es proporcional al producto del n
umero de
infecciosos y sanos ( es la constante de proporcionalidad). La tasa de
mezclado proporcional
SI
C(S, I) =
,
N
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
49
50
Jorge X. Velasco-Hernandez
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
51
S0
donde C(S, I) = SI con n
umero reproductivo basico R0a = +
, para
la ley de acci
on de masas y C(S, I) = SI/N para mezclado proporcional con R0b = + .
Los puntos o estados de equilibrio del sistema anterior son aquellos
en los que la tasa de cambio de cada variable de estado es cero, es decir
0 = N
C(S, I)
0 = C(S, I)
0 =
S,
( + )I,
R.
E1 (S1 , I1 , R1 ) =
(N
+
S1 ), I1
N
=
S1
N
.
+
( + )
, N (1
), I1 .
1
=
S1
> 1.
52
2.5.
Jorge X. Velasco-Hernandez
El modelo SEIR
= N
=
I
N
I
N
S,
E,
= E
( + )I,
R,
N
1
( + )( + )
N
1
( + )( + )
S1 = N
E1 =
I1 =
R1 =
donde
R0 =
1
,
R0
1
,
R0
.
( + )( + )
En esta u
ltima parte de esta seccion seguiremos los resultados recientemente publicados de Ponciano y Capistran ([6]). La dispersion de
la enfermedad se produce por el contacto entre un individuo infeccioso
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
53
a) = x|X(a) = x
1] = (x
1) ah(I),
Observaci
on. La esperanza de X(a) es R0 si X(a) es el n
umero de
trasmisiones exitosas de un individuo enfermo en una poblaci
on completamente susceptible. De hecho R0 = /( + )E(X(a)).
Sea px (a) = P (X(a) = x), para x = 0, 1, 2, . De la definicion de
P tenemos que
px (a +
a) = (x
1) ah(I)
y entonces obtenemos
px (a +
a)
a
px (a)
= (x
1)h(I) + [1
(x)h(I)]px (a)
(x)h(I)px (a).
La soluci
on del sistema de ecuaciones anterior es conocida y esta dada
por
p0 (a) = exp[ a (0)h(I)],
y
px (a) = exp[a (x)h(I)] (x
1)h(I)
exp[ (x)h(I)s]px
1 (s)ds.
54
Jorge X. Velasco-Hernandez
p0 (a) = 1
exp[ abh(I)].
2.6.
1) =
h(I)
.
h(I) +
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
55
v 0 = g(v, i) = (1
i
= h(v, i) = (1
v)i
v,
i)v
i,
(2.1)
donde y son las tasas de curacion de mosquitos y humanos respectivamente, con las condiciones iniciales v(0) = v0 , i(0) = i0 .
Los puntos de equilibrio son las intersecciones de las curvas g y h.
Obtenemos
i
i
v1 =
, v2 =
.
i +
(1 i)
Buscamos soluciones del sistema en = {(v, i) : 0 v 1, 0 i 1}.
Ambas curvas son hiperbolas que se intersecan en el origen. Existe
56
Jorge X. Velasco-Hernandez
v y y = i
> 1.
i tenemos que
x0 = (v
v )0 = g(x + v , y + i ),
y 0 = (i
i )0 = h(x + v , y + i ),
x0 = g(v , i ) + x
y0
con
J=
x0
y0
=J
x
y
i
(1 v )
(1 i )
v
Criterio de Routh-Hurwitz:
Si
p( ) =
+ a1 + a0
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
57
58
Jorge X. Velasco-Hernandez
Evaluando J en E0 tenemos
JE0 =
con
trJE0 = + y detJE0 =
.
Si R0 < 1, conlcumos que E0 es (localmente asintoticamente) estable; en caso contrario, E0 es inestable.
Si R0 > 1, E1 existe y tiene coordenadas
v =
( + )
, i =
.
( + )
( + )
2.6.1.
Sistemas cooperativos
Existen sistemas de ecuaciones diferenciales en Rn que tienen la propiedad de que su flujo preserva un orden parcial en Rn , generado
por uno de los ortantes K de Rn . Precisando, si tenemos la ecuacion
diferencial
x0 = f (x),
x 2 U Rn
donde f es una funci
on continuamente diferenciable definida en un conn
junto U abierto de R . Sea t (x) la solucion x(t) de la EDO con x(0) = x
y sea K = {x 2 Rn : ( 1)m
0, 1 i n}, mi 2 {0, 1}.
i xi
K entonces es un cono en Rn y genera un orden parcial de la
siguiente forma: x y si y solamente si y x 2 K.
Decimos entonces que el flujo del sistema de ecuaciones diferenciales
anterior preserva el orden parcial siempre que si x y y estan en U y
x y entonces t (x) t (y) para toda t
0 en donde las soluciones
esten definidas.
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
59
0,
i 6= j,
x 2 U.
i
(1 v)
J=
.
(1 i)
v
Observese que J implica que el modelo de Ross-Macdonald es cooperativo: J es estable en signo, pues los signos de sus elemento no cambian
para cualquier valor de (i, v) positivos ; la matriz es tambien simetrica
en signo y, en particular, los valores de fuera de la diagonal son positivos.
Aplicando el resultado de la pagina anterior tenemos que el modelo
de Ross Macdonald no puede tener orbitas periodicas.
2.7.
El n
umero reproductivo b
asico R0
El n
umero reproductivo basico es el n
umero de infecciones secundarias que un individuo infeccioso tpico produce, durante el tiempo que
puede transmitir la enfermedad, en una poblacion susceptible.
El n
umero reproductivo es adimensional y expresa la cadena de
contagios surgida de un individuo infeccioso; si R0 = 2, tendramos
una evoluci
on que ira como 2k donde k no es tiempo calendario,
sino generacional:
k = 0 k = 1 k = 2 k = 3
I0 = 1 I1 = 2 I2 = 4 I3 = 8
60
Jorge X. Velasco-Hernandez
I(t), n
umero de individuos infectados al tiempo t es independiente
de la generaci
on a la que pertenecen: la k-esima generacion proveniente de A puede ocurrir en un tiempo diferente que la k-esima
generaci
on del individuo B.
Mx
(2.2)
F (x) = @
S NI
S NI
I
1
A
1
0
0 A.
S
0
M =@ 0 +
0
0
(2.3)
(2.4)
Mx = 0
o, equivalentemente, soluciones de
x=M
F (x) =
(x).
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
61
DF (E0 )
+
0
I
(N I R) NI
F (x) =
, M=
,
x=
,
0
R
I
con el operador de siguiente generacion redefinido en sus nuevas dimensiones.
La matriz T (S) es una matriz cuadrada que tiene valores propios
= R0 y ! = 0. Sean
R0
0
L=
,
W =
1
1
62
Jorge X. Velasco-Hernandez
son
I
linealmente independientes, entonces un vector arbitrario E =
en
R
R2+ se pude escribir como la combinacion lineal E = a1 L + a2 W.
Aplicando T (S) tenemos
T (S)E = a1 T (S)L + a2 T (S)W = a1 L + a2 !W.
Iterando n veces lo anterior obtenemos
T (S)n E = a1
L + a2 ! n W =
a1 L + a2
! n
(2.5)
El comportamiento de (2.5) esta definido entonces por el eigenvalor propio dominante, es decir, el de mayor magnitud que en este caso es = R0 .
Asint
oticamente entonces
T (S)n E k1
L.
||T (S)n || n
la media geometrica de los incrementos por generacion (es un proceso
multiplicativo). Tomado el lmite cuando n va a infinito obtenemos
1
2.8.
Una aplicaci
on: Toxoplasmosis
En esta secci
on seguiremos los resultados recientes de Feng y VelascoHern
andez ([4]). La toxoplasmosis es, quizas, la enfermedad de mayor
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
63
64
Jorge X. Velasco-Hernandez
Se estima que hay 73 millones de gatos ferales (silvestres)
La popularidad de la mascota se incrementa a
no con a
no
Existen asociaciones civiles dedicadas a proteger a los gatos
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
65
Antecedentes:
Modelo de Gilchrist et al. [5]
dS
dt
= b(S, I)
(V )SI
dI
dt
= (V )SI
I.
dT
dt
dV
dt
kV T
(m + d)T
= kV T
= pT
mT
cV.
La tasa de infecci
on celular debe depender, en alguna forma, de la densidad poblacional. El problema es determinar como, cuando y justificarlo
adecuadamente (muy dificil)
Aqu es donde la toxoplasmosis al rescate.
Din
amica inter-hospederos
dS
dt
= S
ES
dI
dt
= ES
( + )I.
S
(2.6)
E)
E,
(2.7)
66
Jorge X. Velasco-Hernandez
dT
dt
dV
dt
kV T
= kV T
mT
(m + d)T
= g(E) + pT
(2.8)
cV.
0,
g(0) = 0,
g 0 (E) > 0.
(2.9)
(2.10)
2.8.1.
Toxoplasmosis: sistema r
apido
, 0, 0).
m
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
67
el equilibrio no trivial.
Entonces
1
V (g(E)) =
g(E) + pT ,
c
mT(g(E))
,
m+d
T (g(E)) =
(2.11)
g(E)[m + d]
pm
a1 =
(2.12)
c(m + d)
< 0,
kp
(2.13)
c(m + d)
a2 =
> 0.
mkp
Dado que a1 < 0 y a2 > 0, y viendo que el discriminante de (2.12)
es
a21
4a2 =
g(E)[m + d]
c(m + d)
+
+
pm
m
kp
c(m + d)
+
m
kp
0,
c(m + d)
kp
c(m + d)
mkp
c(m + d)
mkp
a1
q
a21
4a2 ,
(2.14)
donde a1 y a2 est
an dadas en (2.13).
Deseamos determinar la condicion umbral para la existencia de un
brote epidemico. Para ello tomemos g(E) = 0 (no existe contaminacion
68
Jorge X. Velasco-Hernandez
kp
,
mc(m + d)
/m es el n
umero total de celulas en ausencia del parasito
p/c es la producci
on de viriones por celula antes de la muerte
celular
k/(m + d) es la tasa de infeccion durante la vida promedio de una
celula
Para el caso general cuando g(E) > 0, la condicion umbral se generaliza a
Rv =:
> 1,
(2.16)
mT (g(E))
donde
T (g(E)) =
"
1 g(E)[m + d]
c(m + d)
+
+
2
pm
m
kp
r
g(E)[m+d]
pm
c(m+d)
kp
4 c(m+d)
mkp
(2.17)
.
Epidemiologa Matem
atica: Ejemplos, Datos y Modelos Asociados
2.8.2.
69
Para el an
alisis del sistema lento, que consiste de las variables S, I,
y E suponemos que el sistema rapido se halla en su punto de equilibrio
= (T , T , V ) donde
no trivial (que es una funcion de E) U
1h
p( mT ) i
V (g(E)) = g(E) +
,
c
m+d
T (g(E)) =
mT
,
m+d
N
> 1.
( + )
(2.18)
El n
umero Rh0 juega el papel del n
umero reproductivo clasico en el
sistema inter-hospederos
Cuando los sistemas estan acoplados puede demostrarse que si
F (E) =
1
c
Eh
g(E)+
p( mT ) i
,
m+d
G(E) =
E
( + )
+
. (2.19)
N
N
2.8.3.
Toxoplasmosis: conclusi
on
70
Jorge X. Velasco-Hernandez
Si la tasa de infecci
on celular es mucho mas grande que la tasa de
muerte celular natural (k >> m), podra no haber estado endemico
a
un con los n
umeros reproductivos intra e inter mayores a uno.
Bibliografa
[1] E. Carrillo-Valenzo, R. Dans-Lozano, J.X. Velasco-Hernandez, and
et al. Evolution of dengue virus in Mexico is characterized by frequent lineage replacements.Archives of Virology, x(x):x, 2010.
[2] G. Chowell, C.A. Torre, C. Munayco-Escate, and et al. Spatial
and temporal dynamics of dengue fever in Peru. Epidemiological
Infections, 136(16671677), 2008.
[3] Secretaria de Salud, Subsecretaria de Promocion y Prevencion de
Salud, Centro Nacional de Vigilancia Epidemiologica y Control de
Enfermedades, Direccion General de Programas Preventivos, Direccion General de Epidemiologia, and Instituto Nacional de Diagnostico y Referencia Epidemiologicas. Panorama epidemiologico de
fiebre y fiebre hemorragica por dengue en entidades federativas.
Marzo 2011.
[4] Zhilan Feng and Jorge X. Velasco-Hernandez. Coupling bwtweenand within-host disease dynamics: the case of toxoplasma. In preparation, 2011.
[5] M. A. Gilchrist and D. Coombs. Evolution of virulence: interdependence, constrains, and selection using nested models. Theoretical
Population Biology, 69:145153, 2006.
[6] Jose M. Ponciano and Marcos A. Capistran. First principles modeling of nonlinear incidence rates in seasonal epidemics. PLoS
Computational Biology, 7(2):e1001079, 02 2011.
71
72
Jorge X. Velasco-Hernandez