Thread by @TomasPerezAcle

Abro hilo para explicar modelo #Covid19GeoModeller, presentado en #TVN. Algunas partes explicadas en simple y otras en difícil. Último post contiene los créditos a quienes realmente hacen la pega: los investigadores postdoctorales y los estudiantes del laboratorio. (1/12)

Lo primero:
Todos los resultados presentados fueron obtenidos usando la plataforma #Covid19GeoModeller, 100% desarrollada por nuestro laboratorio, en el marco de un proyecto de colaboración con el @min_ciencia

Lo segundo:
En otro hilo explicaré los resultados

(2/12)

Estados:
las personas transitan entre compartimentos que representan los estados que ocurren durante una epidemia (en este caso, pandemia) (3/12) slideplayer.com/slide/17405360/

Transiciones:
una persona puede transitar desde el estado susceptible de ser contagiada (S), a expuesta (E) al bicho infeccioso por contacto con una Infectada (I), y luego, a recuperada o removida (R), por tratamiento, inmunidad, o muerte. (4/12)

Ecuaciones (la parte fea):
El modelo SEIR se rige clásicamente por el set de ecuaciones diferenciales. De este modo, usando los datos reales (que tenemos pocos!), se deben ajustar las constantes que controlan la "velocidad" de transición entre estados: beta, sigma y gama. (5/12)

Extensión:
Hemos extendido el modelo para incluir especialidad. Esto nos permite controlar como se mueve la gente tanto hacia, desde y al interior de las comunas, mediante el siguiente se de ecuaciones. (6/12)

Ajuste:
Usando datos reales de #SARSCov2 en Chile, liberados por el @ministeriosalud, realizamos un ajuste de parámetros de manera exhaustiva, de tal forma de minimizar el error entre el dato generado por nuestro modelo y el dato real. Este es uno de los mínimos. (7/12)

Integración espacial:
Se construyó un integrado made-in-house que permitió utilizar la matriz viaje-destino del MTP para aproximar los moviemientos de las personas en la RM.
dtpm.gob.cl/index.php/docu… (8/12)

Estimación del error:
Partiendo desde los datos al día 17/03, proyectamos nuestro modelo hasta el día 24/03, obteniendo una tasa de error aceptable para la estimación de +/-21 personas por día.

Interface gráfica 1:
Se poligonizó un mapa vectorial de la RM, de tal manera que sirviera de matriz para la integración espacial de las ecuaciones de nuestro modelo SEIR. Sobre este, se agregaron los recintos hospitalarios, tanto públicos como privados. (9/12)

Interface gráfica 2:
Se agregaron histogramas que muestran el crecimiento de infectados en cada comuna a lo largo de la simulación, así como dos espectros que muestran el número de infectados, y el número de camas disponibles que se encuentran en el mapa. (10/12)

Créditos 1:
- Motor de cálculo: Dr. Alejandro Martinez. Investigador Postdoctoral
- Interface gráfica: Dr. César Ravello, Investigador Postdoctoral
- Minería datos: Soraya Mora, Bárbara Bernal y Antonieta Michea. Programa de Doctorado en Biología Computacional FCV/USS (11/12)

Créditos 2:
- Programación: Leonardo Campos, Jorge Carrasco. Programa Doctorado Biología Computacional FCV/USS

Disclaimer: #TVN mencionó que #Covid19GeoModeller usa inteligencia artificial. No es cierto! tiene un montón de inteligencia natural del dlab.cl