En este documento se presentan visualizaciones actualizadas cada semana de la evoluciĂ³n de COVID-19 en Paraguay. En su versiĂ³n actual resume la tendencia en la incidencia (casos nuevos diarios), casos activos (current infected), ajuste y proyecciĂ³n por tendencia exponencial y el tiempo de duplicaciĂ³n en el total de confirmados, tendencias en internaciones y Ă³bitos. AsĂ como tambiĂ©n, 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. AdemĂ¡s, estas estimaciones pueden verse afectadas por el esfuerzo en nĂºmero 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 Ăºltima semana en comparaciĂ³n a las semanas anteriores.
La figura muestra la suma de todos los casos nuevos reportados por semana. La lĂnea azul muestra la media mĂ³vil 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 mĂ³vil de dos semanas. El computo se realiza utilizando la funciĂ³n percentChange.
El cĂ³mputo de los casos activos para una fecha determinada resulta de la sustracciĂ³n 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 pĂºblica al evaluar las necesidades de hospitalizaciĂ³n versus la capacidad disponible1.
AquĂ, por definiciĂ³n el total de recuperados probables para una fecha \(t\) estĂ¡ dado por la sumatoria de los casos nuevos confirmados en una fecha menor o igual que \(t-Ï„\), donde \(Ï„\) es el periodo de recuperaciĂ³n que se asume, en este caso 14 dĂas. Dicho de otro modo, un caso confirmado como positivo se considerarĂ¡ 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 estimaciĂ³n de parĂ¡metros es posible cuantificar la tendencia del tiempo de duplicaciĂ³n. Sea el modelo exponencial \(Ct = a e^{bt}\), tal que \(a\) y \(b\) son parĂ¡metros desconocidos, el doble en confirmados a partir del valor inicial satisface la ecuaciĂ³n \(2 a=a e^{bt}\), o de igual modo \(e^{bt}=2\). Tomando entonces la igualdad \(bt = log(2)\), es posible definir el tiempo de duplicaciĂ³n de total confirmados como \(T_{dupl} := log(2)/b\).
La figura log-log muestra el ajuste de total confirmados a un modelo subexponencial. SegĂºn este modelo la ley que gobierna la dinĂ¡mica 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 parĂ¡metros 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 | -145.279 | -142.145 | 0.973 | 0.972 | 0.007 | 0.007 | 75.63% |
| log(TC)=log(a)+b t | lm | -147.757 | -144.484 | 0.972 | 0.970 | 0.007 | 0.008 | 66.66% |
| TC=a+b t | lm | 163.692 | 166.826 | 0.977 | 0.976 | 10.336 | 10.866 | 33.33% |
| TC=a+b1 t + b2 t^2 | lm | 163.692 | 166.826 | 0.977 | 0.976 | 10.336 | 10.866 | 33.33% |
La figura muestra una proyecciĂ³n 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 Ăºltimos 21 dĂas de total confirmados fuera de albergues. La proyecciĂ³n es de 21 dĂas en total. Para las estimaciones se ha utilizado la librerĂa forecast. Se esperan 257.1 casos nuevos en los prĂ³ximos 21 dĂas, un promedio diario de 12.2 casos.
La figura muestra una proyecciĂ³n 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 Ăºltimos 21 dĂas de de total de confirmados. La proyecciĂ³n es de 21 dĂas en total. Para las estimaciones se ha utilizado la librerĂa forecast. Se esperan 223.96 casos nuevos en los prĂ³ximos 21 dĂas, un promedio diario de 10.66 casos nuevos reportados.
La figura muestra la evoluciĂ³n del tiempo de duplicaciĂ³n del total de confirmados. Se ha calculado por medio de transformaciĂ³n \(log(TC)\), regresiones lineales mĂ³viles y en expansiĂ³n de datos de la series de tiempo. Cada estimaciĂ³n representa el histĂ³rico de una ventana de 21 dĂas.
El nĂºmero reproductivo instantĂ¡neo \(\mbox{R}t\) es utilizado como un instrumento para guiar estrategias de control de epidemias (Thompson et al 2019). El mĂ©todo utilizado para la estimaciĂ³n 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 retroalimentaciĂ³n sobre la efectividad de las intervenciones.
Esta herramienta se ha generado a partir de una cooperaciĂ³n tĂ©cnica de la OPS y el MSPBS.
Las figuras con nĂºmeros de semana siguen un estĂ¡ndar EPI WEEK (es la versiĂ³n de los CDC de EE. UU. de la semana epidemiolĂ³gica. 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 cronolĂ³gico de las semanas en las figuras.
Los cĂ³mputos proporcionados utilizan como datos de entrada el registro diario y registro diario por Departamento del MSPBS. La informaciĂ³n entregada es computada de forma independiente a otras plataformas del Ministerio, en consecuencia puede presentar algunas diferencias numĂ©ricas. Hacerlo de forma independiente lo convierte en una plataforma complementaria.
Enlaces a otras plataformas:
Herramienta de anĂ¡lisis 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 investigaciĂ³n Pandemia de coronavirus (COVID-19)
Vitrinas del Conocimiento. Enfermedad por coronavirus (COVID-19)