Notas Apoyo Curso Modelos Matematicos en Epidemiología PDF

!
!
!
!
!
!
!
!
Notas de apoyo al curso

Aplicacin de Modelos Matemticos en
Epidemiologa
Dr. Jorge X. Velasco-Hernndez

Coordinador del Programa Estratgico de Matemticas Aplicadas y
Computacin, Direccin de Investigacin y Posgrado, IMP, Mxico.
Curso desarrollado en
Instituto de Ciencia y Tecnologa para el Desarrollo
Universidad Rafael Landivar
Guatemala
Guatemala, del 18 al 20 de marzo de 2013
LMN5 2012/5/17 13:26 page 27 #39
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
LMN5 2012/5/17 13:26 page 28 #40
LMN5 2012/5/17 13:26 page 29 #41
Captulo 2
El material presentado en este captulo esta compuesto por diversas

fuentes. Los resultados sobre el modelo clasico de Kermack y McKendrick y de Ross-Macdonald son estandar. En particular, hemos seguido
de cerca la presentaci
on de Horst Thieme. La presentacion de R0 aunque
est
andar tambien, est
a basada en un artculo publicado en Miscelanea
Matem
atica por el autor. La disgresion sobre dengue esta basada en una
propuesta original de investigacion del grupo en el que colaboro integrado por la M. en C. Ruth Aral Martnez Vega (ESPM/INSP) y, sobre
todo el Dr. Jose Ramos Casta
neda (INSP). En cuanto a toxoplasma, el
trabajo es original en colaboracion con la Dra. Zhilan Feng (Purdue).
2.1.
Motivaci
on
El dengue es una enfermedad transmitida por un insecto vector cuyas

epidemias se han recrudecido en los u
ltimos a
nos en el pas. El dengue
puede ser una fiebre infecciosa o puede presentarse de manera mas seria como fiebre hemorr
agica o un sndrome de choque con mortalidad
significativa.
Tras la interrupci
on en la transmision del dengue resultante de las
acciones de erradicaci
on del Aedes aegypti durante los a
nos 60 y principios de los 70, hubo una reinfestacion por el mosquito, seguido por la
aparici
on de brotes en el Caribe, America del Sur y Central. Tan solo en
el a
no 2002 se reportaron mas de 1 millon de casos. Entre 2001 y 2007
el continente ha reportado 4.3 millones de casos, de los cuales mas de
LMN5 2012/5/17 13:26 page 30 #42
30
Jorge X. Velasco-Hernandez
Figura 2.1: Aedes aegypti.

Fuente: http://www.drrondonpediatra.com/dengue.htm
100,000 fueron de FHD que resultaron en 1,299 muertes. En la region

de America Central (incluyendo Mexico), durante el mismo periodo se
reportaron 545,049 casos (12.5 % del total en el continente), 35,746 casos
de FHD y 209 muertes ([1],[2])
De manera mas local, los datos demuestran que, a la par del incremento en el n
umero de casos registrados, tambien ha aumentado el
n
umero de entidades federativas que los reportan en los u
ltimos a
nos.
Datos sobre vigilancia virologica en los u
ltimos 15 a
nos ([3]) indican la
circulaci
on de los cuatro serotipos del virus Dengue durante este periodo, no obstante, la frecuencia de los aislamientos por serotipo ha variado
de manera cclica y asincr
onica entre cada serotipo, lo cual sugiere un
papel de la sustituci
on de los serotipos circulantes en el incremento del
n
umero de casos de manera local.
Aunque el comportamiento general parece indicar una tendencia a la
estabilizaci
on en el n
umero de casos totales, de manera local es com
un
observar la aparici
on cclica en forma de brotes explosivos de magnitud
variable en casi todas las entidades federativas ([3]). Salvo en algunas
excepciones como en Veracruz, Guerrero y Colima, estos brotes aparecen
LMN5 2012/5/17 13:26 page 31 #43
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
LMN5 2012/5/17 13:26 page 32 #44
32
con virus del dengue en ciudades.
2.2.
Conceptos b
asicos sobre modelaci
on en epidemiologa
Debemos reflexionar acerca de la naturaleza de los modelos matem

aticos. No nos extenderemos demasiado en estas notas pero las siguientes consideraciones son importantes.
Para empezar, los modelos matematicos son caricaturas de la realidad (quiz
as caricaturas inteligentes) pero no dejan de ser visones altamente simplificadas de la realidad que capturan la esencia del problema. Los modelos, en el contexto epidemiologico han servido historicamente, y lo siguen haciendo, para resolver problemas como, por ejemplo,
los estudios de dispersi
on epidemica en poblaciones de vectores y huma-
LMN5 2012/5/17 13:26 page 33 #45
Epidemiologa Matem
33
nas siguiendo individuos, simulando redes y aproximando la dinamica

espacial observada; estudios e investigaciones de dinamicas intrahospedero y los efecto de f
armacos sobre los patogenos y el sistema inmune
humano; an
alisis costo-beneficio en salud p
ublica; estudios para la exploraci
on de las consecuencias de intervenciones improbables o poco eticas.
En todos estos ejemplos, las ventajas obtenidas por el uso de modelos
matem
aticos son claridad, precision, generalidad y exactitud.
2.2.1.
Limitaciones de la modelaci
on
Por supuesto, los modelos no son la panacea para resolver problemas

complejos y no proporcionan sino una herramienta versatil y u
til si es
bien utilizada. Un modelo, entonces, es tan bueno como
Los datos con los que se valida,
Las hip
otesis que lo justifican,
Sus an
alisis de sensibilidad e incertidumbre, y
La interpretaci
on de sus resultados.
Podemos confiar en un modelo si minimamente
Predice correctamente datos preexistentes
Es validado conforme nuevos datos son conocidos
Finalmente, para el usuario o investigador algunas de las ventajas metodol
ogicas de los modelos son las siguientes
Confieren agudeza en nuestro entendimiento de procesos fundamentales
Permiten comparar de alternativas de polticas e intervencion
Proporcionan un apoyo en la toma de decisiones.
Constituyen herramientas para la capacitacion y el entrenamiento.
LMN5 2012/5/17 13:26 page 34 #46
34
Figura 2.2: Estimaci

on del comportamiento de una epidemia de dengue en
Acapulco, 2008. Fuente Christen, Capistran y Velasco-Hernandez (CITA)
Permiten la parametrizacion y el control en la evaluacion de riesgo.

Proporcionan prediccion de tendencias.
Por supuesto, en
areas multidisciplinarias como la epidemiologa matem
atica y muchas otras de las ciencias biologicas, para hacer un uso
eficiente de las matem
aticas y la computacion se requiere de varias condiciones que se presentan muy escuetamente a continuacion
Hacer mejor uso de herramientas existentes
LMN5 2012/5/17 13:26 page 35 #47
Epidemiologa Matem
35
Desarrollar nuevas herramientas

Trabajar multidisciplinariamente con profesionales de la medicina
y los matem
aticos y computologos
Fomentar el conocimiento mutuo de herramientas, lenguaje, enfoques, objetivos
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
LMN5 2012/5/17 13:26 page 36 #48
36
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
LMN5 2012/5/17 13:26 page 37 #49
Epidemiologa Matem
37
El tipo de modelo depende de lo que preguntamos y de lo que

sabemos del problema (escala necesaria)
Los modelos proporcionan generalidad, realismo o precision
2.3.
El modelo b
asico de Kermack-McKendrick
Dada una enfermedad particular llamaremos susceptibles a aquellos

individuos que pueden contagiarse de la enfermedad y padecerla y los denotaremos por la letra S; llamaremos expuestos a los individuos que han
sido contagiados pero todava no son infecciosos y los denotaremos con
la letra E; llamaremos infecciosos a aquellos que han sido contagiados y
son capaces, adem
as de transmitir la enfermedad a otro individuo y los
denotaremos con la letra I, finalmente, llamaremos individuos inmunes
a aquellos individuos que se han recuperado de la enfermedad y ademas
han adquirido inmunidad (permanente o temporal) a la enfermedad y
los denotaremos por la letra R.
Los diversos tipos de enfermedades tambien pueden representarse
graficamente, por ejemplo, una enfermedad tipo SIS (catarro com
un o
gonorrea) se representa,
SI
indicando con esto que los individuos susceptibles, inmediatamente son
infecciosos al enfermarse y cuando sanan vuelven a ser susceptibles. Una
enfermedad SIR con el siguiente grafo
#
S
#
! 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
LMN5 2012/5/17 13:26 page 38 #50
38
es proporcional a SI. Sea

una constante de proporcionalidad; esta
constante se puede descomponer en dos factores
=c ,
con c el n
umero de contactos por individuo por unidad de tiempo y
la probabilidad de que un contacto transmita exitosamente la infeccion.
Luego, el n
umero de contactos infecciosos por unidad de tiempo es
SI.
Consideremos, para fijar ideas, una enfermedad de tipo SIR. Las
tasas de cambio del n
umero de individuos en la clase epidemiologica u
tiene la forma
d
u(t) = entradas
salidas,
dt
donde las entradas representan nacimientos, inmigracion o entrada de
individuos de un estadio de salud previo a u. Las salidas representan
muerte, emigraci
on o salida de individuos del estado de salud u.
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).
LMN5 2012/5/17 13:26 page 39 #51
Epidemiologa Matem
39
Pasemos ahora a describir nuestro primer modelo matematico de una

enfermedad infecciosa.
Concentr
andonos puramente en procesos epidemicos (y no demograficos) tenemos
d
S =
dt
d
I =
dt
d
R =
dt
donde
SI,
SI
I,
es la tasa de curacion. Observemos que

d
d
d
S + I + R = 0,
dt
dt
dt
lo que implica que N = S + I + R, la poblacion total, es constante.

Siguiendo el enfoque de Thieme [7] podemos normalizar las poblaciones definiendo
x = S, y = I, z = R
para obtener el nuevo sistema normalizado
x0 =
donde 0 =
d
dt .
xy,
(xy
y,
y),
Si ahora tomamos = t entonces obtenemos el sistema

x0 =
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
LMN5 2012/5/17 13:26 page 40 #52
40
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 inverso del perodo promedio de infeccion de la enfermedad.

Por otro lado
x=
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
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.
LMN5 2012/5/17 13:26 page 41 #53
Epidemiologa Matem
Figura 2.3:
S0 > 1
41
Gr
afica de I (ordenada) contra S (abcisa) para el caso de
bajo las condiciones

x0 1,
x0 > 1
Tenemos adem
as que
x0 + y 0 =
y0 =
x0
= (ln x)0 ,
x
de donde despues de integrar obtenemos

x+y
ln x = x0 + y0
ln x0 .
En el caso del caso superumbral (x0 > 1) sabemos que en x = 1, y = ymax
LMN5 2012/5/17 13:26 page 42 #54
42
y, por consiguiente, en este caso tenemos

x1
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
es estrictamente convexa en 0 < x < 1, decreciente en 0 < x < 1 y

estrictamente creciente si x > 1. Ademas tiene un mnimo global en 1
con f (1) = 1 y f (x) ! 1 si x ! 0, 1.
Lema 2.1
a ) x1 1;
b ) x1 es una funci
on contnua de las condiciones iniciales para susceptibles e infecciosos (x0 y y0 ).
Demostraci
on.
a ) El n
umero final de susceptibles en la poblacion no puede ser mayor
al n
umero inicial, es decir, x1 x0 , por lo tanto, si x0 1 (caso
subumbral), el resultado es cierto.
En el caso superumbral x0 > 1, tenemos que la ecuacion
f (x) = x
ln x = x0 + y0
ln x0 = f (x0 ) + y0
debe tener dos soluciones (ver grafica) que satisfacen x < x0 < x+ .
LMN5 2012/5/17 13:26 page 43 #55
Epidemiologa Matem
Figura 2.4: Grafica de f (x) = x
43
ln x
Dado que x1 x0 entonces x1 = x (puesto que ya vimos que debe

satisfacerse que x1 ln x1 = x0 + y0 ln x0 ). Como f tiene un mnimo
global en x = 1 necesariamente x = x1 < 1. b ) Como f (x0 ) + y0
es una funci
on contnua de x0 y y0 y x1 < 1 entonces f es invertible
en (0, 1) (es estrictamente decreciente). Esta inversa es necesariamente
contnua.
Teorema 2.2 (Umbral) Si x0 1 entonces x1 ! x0 cuando y0 ! 0.
Si, por el contrario, x0 > 1 entonces x1 ! x01 (por la izquierda) cuando
y0 ! 0 donde x01 es la soluci
on u
nica en el intervalo (0, 1) de la ecuaci
on
x01
ln x01 = x0
ln x0 .
Finalmente tambien se cumple que x1 < x01 cuando y0 > 0.
LMN5 2012/5/17 13:26 page 44 #56
44
Figura 2.5: Soluciones de f (x) = f (x0 ) + y0
El modelo de Kermack-MacKendrick no incorpora procesos demogr

aficos como nacimientos y muertes. Consideremos que la poblacion de
suceptibles se renueva por nacimientos. Comparemos el comportamiento
de las soluciones de este nuevo modelo con el clasico.
#
S
#
! I
#
! R
#
Supondremos que la tasa de nacimiento es y que esta es igual a

la tasa de mortalidad. No hay, en este modelo, mortalidad asociada a la
enfermedad.
LMN5 2012/5/17 13:26 page 45 #57
Epidemiologa Matem
45
Figura 2.6: Induccion de comportamiento oscilatorio
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.
SIR con demografa: oscilaciones
Oscilaciones persistentes en los datos pero no en el modelo producidas por forzamiento estacional: las tasas de transmision se incrementan
LMN5 2012/5/17 13:26 page 46 #58
46
Figura 2.7: Enfermedades SIR con comportamientos oscilatorios persistentes
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)
Si deseamos erradicar la enfermedad entonces

Rv < 1
o, equivalentemente
p>1
1
.
R0
LMN5 2012/5/17 13:26 page 47 #59
Epidemiologa Matem
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
+
y valores para los susceptibles e inmunes Se , Re que no escribiremos por

el momento. Supongamos que la epidemia ha llegado al estado endemico,
es decir
S = Se ,
I = Ie ,
R = Re .
El tiempo promedio que un individuo dura sano (sin considerar mortalidad ni nacimientos) podemos obtenerlo de la ecuacion para S:
d
S=
dt
SIe
cuya soluci
on es
S(t) = S0 exp(
Ie t),
o, equivalentemente, la proporcion de susceptibles al tiempo t es

S(t)
= exp( Ie t).
S0
Por consiguiente
1
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
LMN5 2012/5/17 13:26 page 48 #60
48
Ie
= R0
1.
Si denotamos por L = 1/ a la esperanza de vida de un individuo,

y por A = 1/ Ie a la edad de primera infeccion, entonces tenemos que
R0 = 1 +
L
.
A
Las epidemias de influenza son procesos sostenidos en el tiempo.

Las siguientes gr
aficas corresponden a los predictores de Google Flu
data. Aunque estas epidemias, y otras enfermedades respiratorias, son
recurrentes con ciclos de diverso periodo, no son todas iguales desde una
perspectiva din
amica
Las figuras representan las epidemias en 3 pases europeos y 3 americanos de la zona tropical. El reto es describir las regularidades dinamicas
de estas series de tiempo y establecer los mecanismos que las generan.
Al construir modelos buscamos, entre otras cosas, identificar y explicar patrones, regularidades, excepciones en los fenomenos naturales.
Veamos uno de los patrones que surgen del analisis de las series de Google Flu. Hemos graficado la serie de tiempo original contra s misma,
retrasada un mes y seis meses. La justificacion, analisis y comentarios
de esto ser
a comentado mas adelante.
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
LMN5 2012/5/17 13:26 page 49 #61
Epidemiologa Matem
49
Figura 2.8: Fuente: Google Flu Data
dice que la tasa de contactos es proporcional al producto del n

umero de
susceptibles y la proporcion de la poblacion infectada (N es la poblacion
total).
Las tasas de contacto indudablemente tienen impacto en la dinamica
de una enfermedad. Consideremos el siguiente modelo SIR con dinamica
demogr
afica
d
S = N C(S, I) S,
dt
d
I = C(S, I) ( + )I,
dt
d
R = I R,
dt
LMN5 2012/5/17 13:26 page 50 #62
50
Figura 2.9: Fuente: Google Flu Data
LMN5 2012/5/17 13:26 page 51 #63
Epidemiologa Matem
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.
Para la ley de acci

on de masas tenemos dos soluciones. Si I=0, entonces
S = N y R = 0. El punto de equilibrio
E0 (S0 , I0 , R0 ) = (N, 0, 0)
se denomina punto de equilibrio libre de la enfermedad.
El otro punto de equilibrio es
+
E1 (S1 , I1 , R1 ) =
(N
+
S1 ), I1
denominado el punto de equilibrio endemico. Observe el lector que I1

es biologicamente relevante si y solamente si I1 > 0 lo que implica que
N > S1 lo que es equivalente a pedir que
R0a =
N
=
S1
N
.
+
Si N = S0 recuperamos la forma del n

umero reproductivo que hemos
estudiado antes.
Para el caso de mezclado proporcional, el punto libre de la enfermedad tambien existe y es el mismo, E0 . El punto endemico es
E1 (S1 , I1 , R1 ) =
( + )
, N (1
), I1 .
Igual que en el caso anterior, I1 tiene sentido biologico si

R0b =
1
=
S1
> 1.
LMN5 2012/5/17 13:26 page 52 #64
52
2.5.
El modelo SEIR
La influenza y otras enfermedades tipo SIR son mas complicadas que

eso. Una de las primeras complicaciones manejables desde la perspectiva
matem
atica es el periodo de latencia de la enfermedad que definimos de
manera operativa como el tiempo que tarda la enfermedad en ser transmisible en un individuo dado. Si denotamos por E al compartimiento de
los individuos en este estado latente y por a la tasa de paso a la etapa
infecciosa, el modelo es el siguiente
d
S
dt
d
E
dt
d
I
dt
d
R
dt
= N
=
I
N
I
N
S,
E,
= E
( + )I,
R,
Los puntos de equilibrio son, el libre de la enfermedad E0 = (N, 0, 0, 0)

y E1 = (S1 , E1 , I1 , R1 ) donde
1
,
R0
N
1
1
,
+
R0
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
LMN5 2012/5/17 13:26 page 53 #65
Epidemiologa Matem
53
y uno o varios susceptibles. A mas susceptibles contactados, mas alta la

probabilidad de transmision. Habra, entonces una expectativa de realizaci
on del potencial de infeccion. Llamemos a a esta expectativa por un
individuo. El n
umero de contactos de transmision exitosos es X(a).
Supondremos que la probabilidad de encontrar un susceptible y transmitir exitosamente la infeccion dado un cambio a es proporcional al
n
umero de infecciones exitosas previas por una funcion h(I) de la densidad de infecciosos en la poblacion. Con esto la probabilidad de un nuevo
evento infeccioso es
P [X(a +
donde
a) = x|X(a) = x
1] = (x
1) ah(I),
0 es una funcion que satisface (0) = b.
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)
(x) ah(I)px (a)
y entonces obtenemos
px (a +
a)
a
px (a)
= (x
y tomando el lmite cuando

d
px (a) = (x
da
1)h(I) + [1
(x)h(I)]px (a)
a tiende a cero obtenemos

1)h(I)
(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.
LMN5 2012/5/17 13:26 page 54 #66
54
La probabilidad de que un individuo infeccioso pase exitosamente la

enfemedad a otro es
1
p0 (a) = 1
exp[ abh(I)].
Hay estocasticidad demografica afectando a y podemos asociarle una

variable aleatoria cuya funcion de distribucion tenga soporte en (0, 1).
Sea
= ab. La probabilidad de que un individuo enfermo elegido al
azar logra mas de una infeccion secundaria exitosa se puede encontrar
promediando 1 exp[ h(I)] sobre todas las realizaciones posibles de
, es decir
Z 1
P (X(a) 1) =
(1 exp[ h(I)])f ( )d .
0
Una posible elecci

on de es
f ( ) = exp[
para 0 <
< 1. Con esta se obtiene que

P (X(a)
2.6.
1) =
h(I)
.
h(I) +
Modelos de enfermedades transmitidas por

vectores
Enfermedades transmitidas por insectos vectores implican que el ciclo de transmisi

on es el producto de los contactos entre los dos hospederos del agente infeccioso.
En el caso del paludismo, las nuevas infecciones en el mosquito se producen cuando entran en contacto un mosquito susceptible y un humano
infectado (tasa .) Las nuevas infecciones en el humano se producen
cuando un ser humano susceptible es picado por un mosquito infectado
(tasa .) Las ecuaciones entonces puden escribirse como
LMN5 2012/5/17 13:26 page 55 #67
Epidemiologa Matem
55
Figura 2.10: Fuente: http://www.monografias.com/
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
LMN5 2012/5/17 13:26 page 56 #68
56
otro punto de intersecci

on que denotaremos por E1 siempre y cuando
d
d
v1 (0) > v2 (0),
di
di
o, equivalentemente, si
R0 =
Si definimos x = v
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 ),
donde (v , i ) es un punto de equilibrio. Expandiendo en series de Taylor

tenemos
@
@
g(v , i ) + y g(v , i ) + ,
@v
@i
@
@

= h(v , i ) + x h(v , i ) + y h(v , i ) + ,
@v
@i
x0 = g(v , i ) + x
y0
y aproximando a primer orden
con
J=
x0
y0
=J
x
y
i
(1 v )
(1 i )
v
Criterio de Routh-Hurwitz:
Si
p( ) =
+ a1 + a0
es el polinomio caracterstico de J, entonces todos los eigenvalores tienen

parte real negativa si y solamente si
a1 > 0, a0 > 0.
LMN5 2012/5/17 13:26 page 57 #69
Epidemiologa Matem
57
Figura 2.11: Sistema Ross-Macdonald para R0 < 1 y R0 > 1 respectivamente
LMN5 2012/5/17 13:26 page 58 #70
58
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 =
.
( + )
( + )
De J, podemos ver que su traza siempre es negativa y

det JE1 = ( + ) > 0.
Conclumos entonces que el punto de equilibrio es localmente asintoticamente estable.
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.
LMN5 2012/5/17 13:26 page 59 #71
Epidemiologa Matem
59
Las ecuaciones diferenciales con esta propiedad se denominan Kmon

otonas.
Un resultado interesante es el siguiente. El sistema de ecuaciones
diferenciales x0 = f (x) se denomina cooperativo si
@fi
(x)
@xj
0,
i 6= j,
x 2 U.
Un sistema cooperativo genera un sistema monotono con la siguiente

propiedad:
Un sistema de ecuaciones diferenciales monotono cooperativo no puede tener
orbitas peri
odicas no triviales.
Regresemos ahora a la matriz jacobiana del modelo de Ross-Macdonald. Sabemos que el sistema es localmente asintoticamente estable
cuando R0 > 1.
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
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
LMN5 2012/5/17 13:26 page 60 #72
60
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.
Las dos variables mencionadas en la pagina anterior estan, sin emd

bargo, relacionadas pues dt
I(0) > 0 si y solamente si R0 > 1.
En las p
aginas que siguen, estudiaremos al n
umero reproductivo
b
asico. Para ello es importante observar que las ecuaciones de la epidemiologa pueden escribirse en forma economica como sigue (usaremos
el modelo SIR como ejemplo)
d
x = F (x)
dt
Mx
(2.2)
donde xT = (S, I, R).

Se han definido
0
F (x) = @
S NI
S NI
I
1
A
1
0
0 A.
S
0
M =@ 0 +
0
0
(2.3)
(2.4)
Los puntos de equilibrio son soluciones de

F (x)
Mx = 0
o, equivalentemente, soluciones de
x=M
F (x) =
(x).
Podemos entonces definir un mapeo : R3 ! R3 donde xk+1 = (xk )

que contiene informaci
on sobre la evolucion de generaciones de infectados en particular.
Todo modelo epidemiologico de una enfemedad infecciosa tiene la
estructura dada por (2.2), (2.3) y (2.4).
LMN5 2012/5/17 13:26 page 61 #73
Epidemiologa Matem
61
F contiene las interacciones debidas a la infeccion y las tasas de

transici
on (entrada) a cada compartimiento;
por su parte M contiene a todas las tasas de salida de cada compartimiento, de hecho, contiene todas las tasas cuyos inversos son
tiempos de residencia en cada compartimiento.
Para determinar la existencia de un brote epidemico nos interesa el comportamiento generacional del vector xT0 = (N, 0, 0) = E0 , el punto de
equilibrio libre de la enfermedad; nos interesa el comportamiento dinamico pero s
olo en una vecindad de ese punto de equilibrio.
Tomando S constante como parametro, podemos linealizar en una
vecindad de E0 obteniendo el mapeo lineal
T (S) = M
DF (E0 )
donde DF es parte del jacobiano de (2.2) dado por JE0 = DF (E0 ) M,

evaluado todo, por supuesto, en E0 . De aqu podemos deducir que la
sucesi
on
T (S)I0 , T (S)2 I0 , T (S)3 I0 , T (S)4 I0 , . . .
describe las generaciones de gente infectada a partir de I0 , el inoculo
inicial de infecciosos introducido cuando la publacion se encontraba en
el punto de equilibrio E0 . A T (S) se le conoce como la matriz de siguiente
generaci
on.
Note el lector que como S se toma constante, es posible prescindir de
la ecuaci
on para S y tomando S = N I R trabajar con lo siguiente
+
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
LMN5 2012/5/17 13:26 page 62 #74
62
los vectores propios correspondientes. Como los vectores propios
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.
Ahora bien, despues de n generaciones de infectados, el crecimiento

promedio por generaci
on esta dado por
1
||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
(T (S)) = lm ||T (S)n || n

n!+1
el radio espectral de T (S). El radio espectral de una matriz A de n n

se define como
R0 = (A) = max{|| || : valor propio de A}.
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
LMN5 2012/5/17 13:26 page 63 #75
Epidemiologa Matem
63
prevalencia en el mundo. Esta presente en todos los continentes. El

par
asito es un protozoario denominado Toxoplasma gondii.
Consta de tres estadios infecciosos denominados taquizoitos (grupos m
otiles del par
asito), bradizoitos (quistes en tejidos) y esporozoitos
(quistes libres). Los gatos son esenciales para el mantenimiento del ciclo de vida del par
asito. Hay millones de gatos domesticos o ferales que
est
an infectados. Los oocitos son muy resistentes y pueden sobrevivir
hasta 18 meses en el suelo o ambientes h
umedos.
Figura 2.12: Transmisi

on de Toxoplasma gondii en el gato. Fuente: Dr. J.P.
Dubey
Las estadsticas en Estados Unidos son impresionantes

El 32 % de las casas tienen gatos domesticos
Se estima que existen 78 millones de gatos domesticos
LMN5 2012/5/17 13:26 page 64 #76
64
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
La toxoplasmosis es un buen modelo para estudiar la interaccion

entre la din
amica inter-hospederos y la dinamica intra-hospedero. En
una enfermedad infecciosa existen dos procesos fundamentales
El proceso epidemico
El proceso inmunol
ogico
En esta interacci
on, podemos intentar responder las siguientes preguntas:
Efecto de la din
amica intrahospedero en la transmision entre individuos
Efectos de la din
amica poblacional en los procesos inmunologicos
dentro del hospedero
Determinar los par
ametros basicos y predicciones (n
umero reproductivo, virulencia, prevalencia, etc) a partir de la liga entre las
dos din
amicas
Modelaremos la interaccion entre la dinamica intra e inter introduciendo tres escalas de tiempo
Escala temporal epidemiologica
Escala temporal inmunologica
Escala temporal ambiental
La introducci
on de la variable y escala ambiental permite la asociaci
on entre densidad poblacional y la carga viral que infecta a un individuo.
LMN5 2012/5/17 13:26 page 65 #77
Epidemiologa Matem
65
Antecedentes:
Modelo de Gilchrist et al. [5]
dS
dt
= b(S, I)
(V )SI
dI
dt
= (V )SI
I.
La carga viral promedio de individuos infectados afecta la tasa de infecci

on (nivel poblacional)
La din
amica intra-hospedero esta dada por
dT
dt
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)
Las variables S(t) e I(t) representan individuos susceptibles e infecciosos

al tiempo t. E(t) es el nivel de contaminacion del ambiente al tiempo t,
determinado por el n
umero de hospederos infectados (I) y la carga viral
(V ) del hospedero:
dE
= IV (1
dt
E)
E,
(2.7)
LMN5 2012/5/17 13:26 page 66 #78
66
donde es la tasa de contaminacion.

La din
amica intra-hospedero esta dada por
dT
dt
dT
dt
dV
dt
kV T
= kV T
mT
(m + d)T
= g(E) + pT
(2.8)
cV.
T, T , y V representan la cantidad de celulas sanas, infectadas y carga

viral promedio, respectivamente; k es la tasa de infeccion celular, m y d
representan las tasas de mortalidad natural e inducida; p es la tasa de
reproducci
on parasitaria; y c es la tasa de mortalidad del parasito.
La funci
on g(E) es la tasa a la que un hospedero tpico es inoculado.
La funci
on debe satisfacer las siguientes condiciones
g(E)
0,
g(0) = 0,
g 0 (E) > 0.
(2.9)
Una forma sencilla de g(E) es

g(E) = aE,
(2.10)
donde a es una constante positiva.
2.8.1.
Toxoplasmosis: sistema r
apido
Observemos que la dinamica intra-hospedero ocurre en una escala

temporal r
apida y tomemos el sistema (2.8) donde E es tomada como
constante.
Cuando g(E) = 0, siempre tiene el equilibrio libre de parasito
U0 = (T0 , T0 , V0 ) = (
, 0, 0).
m
En el caso g(E) 6= 0, sea

(g(E)) = (T(g(E)), T (g(E)), V (g(E)))
U
LMN5 2012/5/17 13:26 page 67 #79
Epidemiologa Matem
67
el equilibrio no trivial.
Entonces
1
V (g(E)) =
g(E) + pT ,
c
mT(g(E))
,
m+d
T (g(E)) =
(2.11)
y T(g(E)) es una raiz de la ecuacion caracterstica

T 2 + a1 T + a2 T = 0
donde
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
sabemos que la ecuaci

on(2.12) siempre tiene dos raices reales dadas por
1
T (g(E)) =
2
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
LMN5 2012/5/17 13:26 page 68 #80
68
en el ambiente). Despues de algo de algebra se puede concluir que existe

Rv0 definido como
kp
Rv0 =:
,
(2.15)
mc(m + d)
tal que el sistema r
apido no tiene punto de equilibrio no trivial (no existe
el punto endemico) si Rv0 < 1 y existe uno u
nico si Rv0 > 1.
Rv0 =:
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)
.
Observese que en la expresion de T (g(E)) el termino que no incluye

a g(E) se puede contextualizar con Rv0 . En cuanto al primer termino,
si d = 0 (baja mortalidad celular debida al patogeno), entonces
g(E)
p
es la relativa importancia de la inoculacion versus replicacion viral; es
decir, Rv crece si g(E)/p decrece.
LMN5 2012/5/17 13:26 page 69 #81
Epidemiologa Matem
2.8.2.
69
Toxoplasmosis: sistema lento
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
y T = T (g(E)) dada en (2.17).

La conexi
on entre los sistemas intra- e inter- hospederos se lleva
a cabo a traves del termino V I en la ecuacion para E. En el caso
especial cuando los sistemas se desacoplan, e.g., cuando V = 1, puede
demostrarse la existencia de un punto de equilibrio interior regido por
la condici
on umbral
Rh0 =:
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
es una solucion de F (E) = G(E) with 0 < E < 1, es decir,

entonces, E
existe un punto de equilibrio endemico no trivial.
2.8.3.
Toxoplasmosis: conclusi
on
Podemos concluir que las condiciones para la existencia de un estado

estable endemico son las siguientes
Es una condici
on necesaria que el n
umero reproductivo intra sea
mayor que uno
El n
umero reproductivo inter puede ser menor a uno y a
un presentarse un brote epidemico siempre y cuando el n
umero reproductivo
intra sea suficientemente grande.
LMN5 2012/5/17 13:26 page 70 #82
70
Figura 2.13: Existencia de un punto de equilibrio interno
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.
LMN5 2012/5/17 13:26 page 71 #83
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
LMN5 2012/5/17 13:26 page 72 #84
72
[7] Horst R. Thieme. Mathematics in Population Biology. Princeton

University Press, 2003.

Notas Apoyo Curso Modelos Matematicos en Epidemiología PDF

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Notas Apoyo Curso Modelos Matematicos en Epidemiología PDF

Enviado por

Direitos autorais:

Formatos disponíveis

!

Notas de apoyo al curso

Dr. Jorge X. Velasco-Hernndez

Guatemala, del 18 al 20 de marzo de 2013

LMN5 2012/5/17 13:26 page 27 #39

LMN5 2012/5/17 13:26 page 28 #40

LMN5 2012/5/17 13:26 page 29 #41

El material presentado en este captulo esta compuesto por diversas

El dengue es una enfermedad transmitida por un insecto vector cuyas

LMN5 2012/5/17 13:26 page 30 #42

Figura 2.1: Aedes aegypti.

100,000 fueron de FHD que resultaron en 1,299 muertes. En la region

LMN5 2012/5/17 13:26 page 31 #43

LMN5 2012/5/17 13:26 page 32 #44

con virus del dengue en ciudades.

Debemos reflexionar acerca de la naturaleza de los modelos matem

LMN5 2012/5/17 13:26 page 33 #45

nas siguiendo individuos, simulando redes y aproximando la dinamica

Por supuesto, los modelos no son la panacea para resolver problemas

LMN5 2012/5/17 13:26 page 34 #46

Figura 2.2: Estimaci

Permiten la parametrizacion y el control en la evaluacion de riesgo.

LMN5 2012/5/17 13:26 page 35 #47

Desarrollar nuevas herramientas

LMN5 2012/5/17 13:26 page 36 #48

LMN5 2012/5/17 13:26 page 37 #49

El tipo de modelo depende de lo que preguntamos y de lo que

Dada una enfermedad particular llamaremos susceptibles a aquellos

LMN5 2012/5/17 13:26 page 38 #50

es proporcional a SI. Sea

LMN5 2012/5/17 13:26 page 39 #51

Pasemos ahora a describir nuestro primer modelo matematico de una

es la tasa de curacion. Observemos que

lo que implica que N = S + I + R, la poblacion total, es constante.

Si ahora tomamos = t entonces obtenemos el sistema

LMN5 2012/5/17 13:26 page 40 #52

es el inverso del perodo promedio de infeccion de la enfermedad.

LMN5 2012/5/17 13:26 page 41 #53

bajo las condiciones

de donde despues de integrar obtenemos

En el caso del caso superumbral (x0 > 1) sabemos que en x = 1, y = ymax

LMN5 2012/5/17 13:26 page 42 #54

y, por consiguiente, en este caso tenemos

es estrictamente convexa en 0 < x < 1, decreciente en 0 < x < 1 y

LMN5 2012/5/17 13:26 page 43 #55

Figura 2.4: Grafica de f (x) = x

Dado que x1 x0 entonces x1 = x (puesto que ya vimos que debe

Finalmente tambien se cumple que x1 < x01 cuando y0 > 0.

LMN5 2012/5/17 13:26 page 44 #56

Figura 2.5: Soluciones de f (x) = f (x0 ) + y0

El modelo de Kermack-MacKendrick no incorpora procesos demogr

Supondremos que la tasa de nacimiento es y que esta es igual a

LMN5 2012/5/17 13:26 page 45 #57

Figura 2.6: Induccion de comportamiento oscilatorio

SIR con demografa: oscilaciones

LMN5 2012/5/17 13:26 page 46 #58

Figura 2.7: Enfermedades SIR con comportamientos oscilatorios persistentes

Si deseamos erradicar la enfermedad entonces

LMN5 2012/5/17 13:26 page 47 #59

y valores para los susceptibles e inmunes Se , Re que no escribiremos por

o, equivalentemente, la proporcion de susceptibles al tiempo t es

LMN5 2012/5/17 13:26 page 48 #60