Un modelo multinivel para la predicción del total de casos confirmados de COVID-19 en Cuba: comparación con otros países
Palabras clave:
COVID-19, Coronavirus, Modelos multinivel, PredicciónResumen
Son muchos los indicadores que proporcionan una perspectiva global sobre la evolución de la pandemia de COVID-19 en el mundo. En este artículo, el comportamiento de la tasa del total de casos confirmados en Cuba se compara con el de otros países, utilizando modelos multinivel para datos longitudinales. El objetivo fundamental es obtener predicciones de la evolución esperada de este indicador en nuestro país. El estudio incluye un grupo de países con características demográficas similares a las de Cuba. La estrategia propuesta permite identificar un subgrupo de naciones, cuya curva media estimada del total de casos confirmados por millón de habitantes, puede servir como referente del comportamiento esperado en el país. Los correspondientes intervalos de confianza se interpretan como canales de seguimiento, que permiten identificar con claridad las posibles desviaciones en la trayectoria de la tasa de casos confirmados en Cuba, además de servir como instrumento de predicción. Suponiendo un escenario en el cual se mantenga la efectividad de las medidas de control de la COVID-19 en Cuba, se podría esperar que la tasa de casos confirmados en Cuba no exceda significativamente los límites superiores de los intervalos de confianza de las curvas medias estimadas, correspondientes a los grupos de países seleccionados para la comparación.
Descargas
Citas
Almeida Cruz Y., comunicación personal, Universidad de La Habana, 20 de abril de 2020.
Giordano G., Blanchini F., Bruno R., Colaneri P., Filppo A., Matteo A., Colaneri M. Modelling the COVID19 epidemic and implementation of population-wide interventions in Italy. Nat Med 26, 855–860, 2020. https://doi.org/10.1038/s41591-020-0883-7.
https://github.com/owid/covid-19-data.
Goldstein H. Multilevel Statistical Models. 2nd. Ed. Halsted Press, New York, 1995.
Holmdahl I. y Buckee C. Wrong but Useful - What COVID-19 Epidemiologic Models Can and Cannot Tell Us. N Engl J Med , 383, 303–305, 2020.
Jewell N. P., Lewnard J. A. y Jewell B. L. Caution warranted: using the Institute for Health Metrics and Evaluation model for predicting the course of the COVID-19 pandemic. Ann Intern Med, 2020.
Kermack W. O. y McKendrick A. G. A Contribution to the Mathematical Theory of Epidemics. Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character, Vol. 115, No. 772, 700–721, 1927.
Raudenbush S. W. y Bryk A. S. Hierarchical linear models: Applications and data analysis methods. (2nd Edition). Thousand Oaks, CA: Sage, 2002.
Roser M., Ritchie H, Ortiz-Ospina E. y Hasell J. Coronavirus Pandemic (COVID-19). Published online at OurWorldInData.org. Retrieved from: https://ourworldindata.org/coronavirus [Online Resource], 2020.
Singer J.D. y Willett J.B. Applied longitudinal data analysis: Modeling change and event occurrence. New York: Oxford University Press, 2003.
Snijder T. A. B., y Bosker R. J. Multilevel analysis: Introduction to basic and advanced multilevel modelling. London: Sage., 1999.
Verbeke G. y Molenberghs G. Linear Mixed Models for Longitudinal Data Springer Verlag, New York, 2000.
World Health Organization (WHO): https://www.who.int/. Accessed 12 Apr 2020.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.

