Modelos de Series de Tiempo para Predecir el Número de Casos de Variantes Dominantes del SARS-COV-2 Durante las Olas Epidémicas en Chile
Author:
Barría-Sandoval Claudia1ORCID
Affiliation:
1. Facultad de Enfermería- Universidad de Concepción; Escuela de Enfermería- Universidad de las Américas, Chile
Abstract
El COVID-19 y sus variantes han creado una pandemia a nivel global. En Chile, hasta el 28 de febrero del 2022, ya se han infectado más de 3 millones de personas y han muerto más de 42 mil personas. En este artículo, se realiza un estudio comparativo de diferentes modelos matemáticos utilizados para modelar y predecir el número de casos diarios confirmados de COVID-19 en Chile. Esta investigación considera los registros diarios de casos confirmados desde el inicio de la pandemia y por lo tanto incluye los contagiados por las distintas variantes del virus (Delta, Gamma y Omicron), estas variantes han dominado la evolución de los contagios diarios en Chile, siendo la variante Omicron la que ha demostrado tener una mayor tasa de contagios a nivel nacional. El objetivo de este estudio es brindar información relevante sobre la evolución de la pandemia por COVID-19 en Chile mediante modelos de series de tiempo que han sido validados en distintas investigaciones y evaluar su precisión frente a la variante Omicron del virus SARS-CoV-2.
Publisher
Escuela Politecnica Nacional
Subject
Applied Mathematics,Geochemistry and Petrology,Physics and Astronomy (miscellaneous),General Engineering,Geotechnical Engineering and Engineering Geology,Environmental Engineering,Chemistry (miscellaneous)
Reference37 articles.
1. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., Kudlur, M., Levenberg, J., Monga, R., Moore, S., Murray, D.G., Steiner, B., Tucker, P., Vasudevan, V., Warden, P., Wicke, M., Yu, Y., Zheng, X. (2016). TensorFlow: A system for large-scale machine learning. USENIX Association, OSDI, 16, 265-283. Aggarwal, C.C. (2018). Neural Networks and Deep Learning. Springer. 2. Assimakopoulos, V., & Nikolopoulos, K. (2000). The theta model: a decomposition approach to forecasting. International journal of forecasting, 16(4), 521-530. https://doi.org/10.1016/S0169-2070(00)00066-2 3. Barría-Sandoval, C., Ferreira, G., Benz-Parra, K., & López-Flores, P. (2021). Prediction of confirmed cases of and deaths caused by COVID-19 in Chile through time series techniques: A comparative study. Plos one, 16(4), e0245414. https://doi.org/ 10.1371/journal.pone.0245414 4. Barría-Sandoval, C., Ferreira, G., Méndez, A., & Toffoletto, M. C. (2022). Impact of COVID-19 on deaths from respiratory diseases: Panel data evidence from Chile. Infection Ecology & Epidemiology, 12(1), 2023939. https://doi.org/10.1080/20008686.2021.2023939 5. Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control. (5aed.).JohnWiley&Sons.
|
|