Modelos Epidemiológicos SIR y SEIR

Fabio Pinto
Apr 17, 2020


Simulación y casos

By: Fabio Pinto

(Susceptibles, expuestos, infectados, recuperados)

Uno de los modelos epidemilógicos más usados es el denominado modelo SIR, que fue propuesto por W. O. Kermack y A. G. McKendrick en 1927.

En una población de tamaño fijo N en la que se ha desatado una epidemia que se propaga mediante contagio, en un tiempo t los individuos pueden estar en tres estados distintos:
  • susceptibles S(t),
  • infectados I(t),
  • recuperados R(t)

Wang, y otros (2020) han optado por un modelo evolucionado del SIR, el SEIR , que dio resultados aceptables en el caso del Ébola en 2004 (Chowell, Hengartnet, Castillo-Chavez, Fenimore, & Hyman, 2004) en el que se incluye a la población infectada pero que no infecta a otros (Expuestos), donde ahora N=S+E+I+R.

Referencias:
  • Qianying Lin, Shi Zhao, Daozhou Gao, Yijun Lou, Shu Yang, Salihu S. Musa, Maggie H. Wang, Yongli Cai, Weiming Wang, Lin Yang, Daihai He, A conceptual model for the coronavirus disease 2019 (COVID-19) outbreak in Wuhan, China with individual reaction and governmental action, International Journal of Infectious Diseases 93 (2020), 211–216. Publicado: March 04, 2020. https://www.ijidonline.com/article/S1201-9712(20)30117-X/fulltext
  • Gutierrez and Varona, 2020. Universidad De La Rioja. [online] Análisis de la posible evolución de la epidemia de coronavirus COVID-19 por medio de un modelo SEIR. Publicado: March 15, 2020. https://www.unirioja.es/apnoticias/servlet/Archivo?C_BINARIO=12051 [Accessed 13 April 2020].
In [23]:
from IPython.display import Image
Image(filename='data/sir.png')

Out[23]:
In [24]:
Image(filename='data/seir.png')

Out[24]:
In [25]:
from IPython.display import Image
Image(filename='data/edosir.png')

Out[25]:

In [26]:
Image(filename='data/edoseir.png')

Out[26]:

  • Beta: Tasa de infeccion
  • Gamma: Tasa de recuperación
  • Ommega: Tasa de incubación
In [27]:
import scipy.integrate as spi
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

Resolución de las ecuaciones diferenciales

In [28]:
## Definimos las ecuaciones diferenciales del modelo
def odeSIR(y, t, N, beta, gamma):
    S, I, R = y
    dSdt = -beta * S * I / N
    dIdt = beta * S * I / N - gamma * I
    dRdt = gamma * I
    return dSdt, dIdt, dRdt

In [29]:
def odeSEIR(y, t, N, beta, gamma, omega):
    S, E, I, R = y
    dSdt = -beta * S * I / N
    dEdt = beta * S * I / N - omega*E
    dIdt = omega*E - gamma * I
    dRdt = gamma * I
    return dSdt, dEdt, dIdt, dRdt

Modelado y simulación del modelo SIR

In [30]:
def modeloSIR(N, beta, gamma, days):
    I0, R0 = 1, 0
    ## S susceptibles
    S0 = N - I0 - R0
    ## beta = ratio de contacto entre personas 
    ## gamma = inverso del tiempo de recuperación 
    # Vector de tiempo 
    t = range(0,days)
    # Vector de condiciones iniciales
    y0 = S0, I0, R0
    # Evaluación del sistema de ecuaciones diferenciales
    ret = spi.odeint(odeSIR, y0, t, args=(N, beta, gamma))
    S, I, R = ret.T
    return S, I, R

Modelado y simulación del modelo SEIR

In [31]:
def modeloSEIR(N, beta, gamma, omega, days):
    """N = población total """
    I0, R0, E0 = 1, 0, 0
    ## S susceptibles
    S0 = N - I0 - R0- E0
    ## beta = ratio de contacto entre personas 
    ## gamma = inverso del tiempo de recuperación
    ## omega = tasa de incubación 
    # Vector de tiempo 
    t = range(0,days)
    # Vector de condiciones iniciales
    y0 = S0, E0,I0, R0
    # Evaluación del sistema de ecuaciones diferenciales
    ret = spi.odeint(odeSEIR, y0, t, args=(N, beta, gamma, omega))
    S, E, I, R = ret.T

    return S, E, I, R

Función para hacer un breve resumen de los datos

In [32]:
def informeSIR(d):
    mean = int(np.mean(d))
    maxx = int(np.max(d))
    max_day = d.argmax()
    print('Promedio Diario = ' + str(mean))
    print('Máxima tasa  = ' + str(maxx))
    print('Dia del pico = ' + str(max_day))


'Aplanar la curva': Modelo SIR con diferentes medidas de contención

La presencia o no de medidas de contención (aislamiento, cuarentena, etc) determinan la variación de la tasa de contagio

Para el ejemplo estamos tomando un beta de 2.5 inicial para ausencia de medidas de contención y 0.5 para medidas de contención serias.

In [54]:
S_1, I_1, R_1 = modeloSIR(1e5,2.5,1/5,100)  # sin ninguna medida de contención 
S_2, I_2, R_2 = modeloSIR(1e5,1.5,1/5,100) # con medidas de contención leves 
S_3, I_3, R_3 = modeloSIR(1e5,0.5,1/5,100) # con medidas de contención fuertes

In [77]:
t = range(0,len(S_1))
plt.subplots(figsize=(10, 10))
plt.subplot(311)
plt.plot(t, S_1, 'g', label = 'Susceptibles')
plt.plot(t, I_1, 'r', label = 'Infectados')
plt.plot(t, R_1, 'b', label = 'Recuperados')
plt.ylabel('Conteo')
plt.title('Modelo SIR con beta = 2.5')
plt.legend()
plt.subplot(312)
plt.plot(t, S_2, 'g', label = 'Susceptibles')
plt.plot(t, I_2, 'r', label = 'Infectados')
plt.plot(t, R_2, 'b', label = 'Recuperados')
plt.ylabel('Conteo')
plt.title('Modelo SIR con beta = 1.5')
plt.legend()
plt.subplot(313)
plt.plot(t, S_3, 'g', label = 'Susceptibles')
plt.plot(t, I_3, 'r', label = 'Infectados')
plt.plot(t, R_3, 'b', label = 'Recuperados')
plt.xlabel('Dias')
plt.ylabel('Conteo')
plt.title('Modelo SIR con beta = 0.5')
plt.legend()

Out[77]:
<matplotlib.legend.Legend at 0x108d9f71ac8>


Comparación de curvas de infectados con diferentes medidas de contención

In [39]:
t = range(0,len(I_1))
plt.plot(t, I_1, 'g', label = 'Infectados sin medidas')
plt.plot(t, I_2, 'r', label = 'Infectados con medidas leves')
plt.plot(t, I_3, 'b', label = 'Infectados con medidas serias')
plt.legend()
plt.show()



In [40]:
print("---------Infectados sin medidas-----------")
informeSIR(I_1)
print("---------Infectados con medidas leves-----------")
informeSIR(I_2)
print("---------Infectados con medidas serias-----------")
informeSIR(I_3)

---------Infectados sin medidas-----------
Promedio Diario = 5000
Máxima tasa  = 71489
Dia del pico = 6
---------Infectados con medidas leves-----------
Promedio Diario = 4997
Máxima tasa  = 58608
Dia del pico = 10
---------Infectados con medidas serias-----------
Promedio Diario = 4462
Máxima tasa  = 23330
Dia del pico = 40

Comparación de curvas de recuperados con diferentes medidas de contención

In [41]:
t = range(0,len(I_1))
plt.plot(t, R_1, 'g', label = 'Recuperados sin medidas')
plt.plot(t, R_2, 'r', label = 'Recuperados con medidas leves')
plt.plot(t, R_3, 'b', label = 'Recuperados con medidas serias')
plt.legend()
plt.show()



Comparación de curvas de susceptibles con diferentes medidas de contención

In [42]:
t = range(0,len(S_1))
plt.plot(t, S_1, 'g', label = 'Susceptibles sin medidas')
plt.plot(t, S_2, 'r', label = 'Susceptibles con medidas leves')
plt.plot(t, S_3, 'b', label = 'Susceptibles con medidas serias')
plt.legend()
plt.show()




'Aplanar la curva': Modelo SEIR con diferentes medidas de contención
In [73]:
S1, E1, I1, R1 = modeloSEIR(1e5,2.5,1/5,1/7,200)  # sin ninguna medida de contención 
S2, E2, I2, R2 = modeloSEIR(1e5,1.5,1/5,1/7,200) # con medidas de contención leves 
S3, E3, I3, R3 = modeloSEIR(1e5,0.5,1/5,1/7,200) # con medidas de contención fuertes

In [75]:
t = range(0,len(S1))
plt.subplots(figsize=(10, 10))
plt.subplot(311)
plt.plot(t, S1, 'g', label = 'Susceptibles')
plt.plot(t, E1, 'c', label = 'Expuestos')
plt.plot(t, I1, 'r', label = 'Infectados')
plt.plot(t, R1, 'b', label = 'Recuperados')
plt.ylabel('Conteo')
plt.title('Modelo SIR con beta = 2.5')
plt.legend()
plt.subplot(312)
plt.plot(t, S2, 'g', label = 'Susceptibles')
plt.plot(t, E2, 'c', label = 'Expuestos')
plt.plot(t, I2, 'r', label = 'Infectados')
plt.plot(t, R2, 'b', label = 'Recuperados')
plt.ylabel('Conteo')
plt.title('Modelo SIR con beta = 1.5')
plt.legend()
plt.subplot(313)
plt.plot(t, S3, 'g', label = 'Susceptibles')
plt.plot(t, E3, 'c', label = 'Expuestos')
plt.plot(t, I3, 'r', label = 'Infectados')
plt.plot(t, R3, 'b', label = 'Recuperados')
plt.xlabel('Dias')
plt.ylabel('Conteo')
plt.title('Modelo SIR con beta = 0.5')
plt.legend()

Out[75]:
<matplotlib.legend.Legend at 0x108d842ec48>

In [47]:
print("---------Infectados sin medidas-----------")
informeSIR(I1)
print("---------Infectados con medidas leves-----------")
informeSIR(I2)
print("---------Infectados con medidas serias-----------")
informeSIR(I3)


---------Infectados sin medidas-----------
Promedio Diario = 2499
Máxima tasa  = 26478
Dia del pico = 31
---------Infectados con medidas leves-----------
Promedio Diario = 2498
Máxima tasa  = 23033
Dia del pico = 44
---------Infectados con medidas serias-----------
Promedio Diario = 2227
Máxima tasa  = 9578
Dia del pico = 119

In [48]:
print("---------Expuestos sin medidas-----------")
informeSIR(E1)
print("---------Expuestos con medidas leves-----------")
informeSIR(E2)
print("---------Expuestos con medidas serias-----------")
informeSIR(E3)


---------Expuestos sin medidas-----------
Promedio Diario = 3499
Máxima tasa  = 49266
Dia del pico = 28
---------Expuestos con medidas leves-----------
Promedio Diario = 3498
Máxima tasa  = 39267
Dia del pico = 40
---------Expuestos con medidas serias-----------
Promedio Diario = 3121
Máxima tasa  = 14002
Dia del pico = 114

In [49]:
t = range(0,len(I1))
plt.plot(t, I1, 'g', label = 'Infectados sin medidas')
plt.plot(t, I2, 'r', label = 'Infectados con medidas leves')
plt.plot(t, I3, 'b', label = 'Infectados con medidas serias')
plt.legend()
plt.show()


In [50]:
t = range(0,len(S1))
plt.plot(t, S1, 'g', label = 'Susceptibles sin medidas')
plt.plot(t, S2, 'r', label = 'Susceptibles con medidas leves')
plt.plot(t, S3, 'b', label = 'Susceptibles con medidas serias')
plt.legend()
plt.show()


“Modelos Epidemiológicos SIR y SEIR”
– Fabio Pinto twitter social icon Tweet


Compartir este artículo:

0 Comentarios

Crear un comentario
Ingresar para Comentar

Artículos Relacionados

Nov 25, 2021

5 Consejos para Superar Una Entrevista de Trabajo para una Vacante de Científico de Datos

5 Tips To Ace Your Job Interview For A Data Scientist Opening.PNG 795.94 KBImage SourceLos aspirantes a científicos de datos tienen un futuro brill...

Daniel Morales
Por Daniel Morales
Nov 12, 2021

¿Cuándo Es Mejor Evitar el Uso de Deep Learning?

IntroducciónEste artículo está dirigido a los científicos de datos que pueden considerar el uso de algoritmos de aprendizaje profundo, y quieren sa...

Matt Przybyla
Por Matt Przybyla
Oct 16, 2021

6 Conceptos de Estadística Avanzada en Data Science

El artículo contiene algunos de los conceptos estadísticos avanzados más utilizados junto con su implementación en Python.En mis artículos anterior...

Nagesh Singh Chauhan
Por Nagesh Singh Chauhan
Icon

Únete a nuestra comunidad privada en Slack

Manténgase al día participando de ésta gran comunidad de data scientists en latinoamérica. Hablamos sobre competiciones en data science, cómo estamos resolviendo los retos, modelos de machine learning aplicados a las competiciones, técnicas novedosas y mucho más!

 
Te enviaremos el link de invitación a tu email de forma inmediata.
arrow-up icon