En este documento se presentan visualizaciones actualizadas cada semana de la evolución de COVID-19 en Itapua, Paraguay. En su versión actual resume la tendencia en la incidencia (casos nuevos diarios), casos activos (current infected), ajuste y proyección por tendencia exponencial y el tiempo de duplicación en el total de confirmados, tendencias en internaciones y óbitos. Asà como también, estimaciones de transmisibilidad (\(Rt\)), muestras procesadas y tasa de positividad. Cada figura proporcionada puede descargarse usando la barra de herramientas de plotly en la esquina superior derecha.
Los valores observados y pronosticados son un reflejo de la conducta social. En la medida en que esta se modifica se espera que la tendencia en estos valores cambie. AdemĂĄs, estas estimaciones pueden verse afectadas por el esfuerzo en nĂșmero de pruebas que se realiza.
Esta figura muestra el promedio y el 95% de intervalo de confianza de casos nuevos diarios por semana fuera de albergues. La lĂnea roja muestra la significancia estadĂstica de la Ășltima semana en comparaciĂłn a las semanas anteriores.
La figura muestra la suma de todos los casos nuevos reportados por semana. La lĂnea azul muestra la media mĂłvil con un periodo de dos semanas, el ultimo valor corresponde a la tendencia del ultimo mes.
La figura muestra el cambio porcentual entre semanas a partir de casos nuevos suavizados con una media mĂłvil de dos semanas. El computo se realiza utilizando la funciĂłn percentChange.
El cĂłmputo de los casos activos para una fecha determinada resulta de la sustracciĂłn de total muertos y recuperados del total de casos confirmados. Es decir, \(casos activos = (total confirmados) - (total muertes) - (total recuperado)\). El valor de casos activos puede aumentar o disminuir, y representa una mĂ©trica importante para las autoridades de salud pĂșblica al evaluar las necesidades de hospitalizaciĂłn versus la capacidad disponible1.
AquĂ, por definiciĂłn el total de recuperados probables para una fecha \(t\) estĂĄ dado por la sumatoria de los casos nuevos confirmados en una fecha menor o igual que \(t-Ï\), donde \(Ï\) es el periodo de recuperaciĂłn que se asume, en este caso 14 dĂas. Dicho de otro modo, un caso confirmado como positivo se considerarĂĄ recuperado (fuera del periodo infeccioso) despues de 14 dĂas.
Una vez que la curva de total activos alcanza un pico y empieza a decrecer, se espera que la curva del Total confirmados tienda a una asĂntota horizontal.
La figura muestra el ajuste de total confirmados fuera de albergue a un modelo exponencial. A partir de la estimaciĂłn de parĂĄmetros es posible cuantificar la tendencia del tiempo de duplicaciĂłn. Sea el modelo exponencial \(Ct = a e^{bt}\), tal que \(a\) y \(b\) son parĂĄmetros desconocidos, el doble en confirmados a partir del valor inicial satisface la ecuaciĂłn \(2 a=a e^{bt}\), o de igual modo \(e^{bt}=2\). Tomando entonces la igualdad \(bt = log(2)\), es posible definir el tiempo de duplicaciĂłn de total confirmados como \(T_{dupl} := log(2)/b\).
La figura log-log muestra el ajuste de total confirmados a un modelo subexponencial. SegĂșn este modelo la ley que gobierna la dinĂĄmica del total de muertes en la ventana de tiempo considerada (21 dĂas) tiene la forma \(TC = a t^{b}\), tal que \(a\) y \(b\) son parĂĄmetros desconocidos.
Se compara Ăndices de rendimiento de los modelos de crecimiento exponencial \(TC = a e^{bt}\) con el de crecimiento subexponencial \(TC = a t^{b}\). El modelo con mayor Performace-Score es el mejor modelo dado los datos en la ventana de tiempo analizada.
| Name | Model | AIC | BIC | R2 | R2 (adj.) | RMSE | Sigma | Performance-Score |
|---|---|---|---|---|---|---|---|---|
| log(TC)=log(a)+b log(t) | lm | -147.869 | -144.735 | 0.966 | 0.964 | 0.006 | 0.007 | 70.95% |
| log(TC)=log(a)+b t | lm | -151.094 | -147.820 | 0.965 | 0.963 | 0.007 | 0.007 | 66.67% |
| TC=a+b t | lm | 273.512 | 276.645 | 0.971 | 0.969 | 141.229 | 148.476 | 33.33% |
| TC=a+b1 t + b2 t^2 | lm | 273.512 | 276.645 | 0.971 | 0.969 | 141.229 | 148.476 | 33.33% |
La figura muestra una proyecciĂłn con base al modelo exponencial hasta 2021-07-23. Datos fuera de albergue del 2021-06-13 al 2021-07-03. El modelo se ajusta a los Ășltimos 21 dĂas de total confirmados fuera de albergues. La proyecciĂłn es de 21 dĂas en total. Para las estimaciones se ha utilizado la librerĂa forecast. Se esperan 3037.3 casos nuevos en los prĂłximos 21 dĂas, un promedio diario de 145 casos.
La figura muestra una proyecciĂłn con base al modelo subexponencial hasta 2021-07-23. Datos fuera de albergue del 2021-06-13 al 2021-07-03 . El modelo se ajusta a los Ășltimos 21 dĂas de de total de confirmados. La proyecciĂłn es de 21 dĂas en total. Para las estimaciones se ha utilizado la librerĂa forecast. Se esperan 2708.5 casos nuevos en los prĂłximos 21 dĂas, un promedio diario de 129 casos nuevos reportados.
La figura muestra la evoluciĂłn del tiempo de duplicaciĂłn del total de confirmados. Se ha calculado por medio de transformaciĂłn \(log(TC)\), regresiones lineales mĂłviles y en expansiĂłn de datos de la series de tiempo. Cada estimaciĂłn representa el histĂłrico de una ventana de 21 dĂas.
El nĂșmero reproductivo instantĂĄneo \(\mbox{R}t\) es utilizado como un instrumento para guiar estrategias de control de epidemias (Thompson et al 2019). El mĂ©todo utilizado para la estimaciĂłn fue el de UncertainSI. El intervalo serial utilizado fue el reportado por Du et al 2020. El monitoreo de \(\mbox{R}t\) a lo largo del tiempo proporciona una retroalimentaciĂłn sobre la efectividad de las intervenciones.
Esta herramienta se ha generado a partir de una cooperación técnica de la OPS y el MSPBS.
Las figuras con nĂșmeros de semana siguen un estĂĄndar EPI WEEK (es la versiĂłn de los CDC de EE. UU. de la semana epidemiolĂłgica. Sigue las mismas reglas que isoweek() pero comienza el domingo). Note que desde enero del 2021 se representa por EPI week date + 53 para preservar el orden cronolĂłgico de las semanas en las figuras.
Los cómputos proporcionados utilizan como datos de entrada el registro diario y registro diario por Departamento del MSPBS. La información entregada es computada de forma independiente a otras plataformas del Ministerio, en consecuencia puede presentar algunas diferencias numéricas. Hacerlo de forma independiente lo convierte en una plataforma complementaria.
Enlaces a otras plataformas:
Herramienta de anĂĄlisis de escenarios COVID-19 Paraguay, Imperial College London.
Impacto del COVID-19 en los sistemas de salud de Latinoamérica y el Caribe, IECS.
OURWORLDINDATA. EstadĂstica e investigaciĂłn Pandemia de coronavirus (COVID-19)
Vitrinas del Conocimiento. Enfermedad por coronavirus (COVID-19)