Cómo estudiar, suspender y optimizar la propagación de infecciones epidémicas. El método dinámico de Monte Carlo
DOI:
https://doi.org/10.30973/progmat/2020.12.3/1Palabras clave:
optimización, infecciones epidémicas, Monte Carlo dinámico, simulaciones numéricasResumen
Estudiamos una dinámica de la propagación de la infección epidemiológica a diferentes valores del factor de riesgo β (un parámetro de control) con el uso del enfoque dinámico de Monte Carlo (DMC). En nuestro modelo de juguete, la infección se transmite debido a los contactos de individuos que se mueven al azar. Mostramos que el comportamiento de los individuos recuperados depende críticamente del valor de β. Para valores subcríticos β <βc ~ 0,6, el número de casos infectados converge asintóticamente a cero, de modo que para un factor de riesgo moderado la infección puede desaparecer con el tiempo. Nuestras simulaciones mostraron que, con el tiempo, las propiedades de dicho sistema se acercan asintóticamente a la transición crítica en el sistema de percolación 2D. También analizamos un sistema extendido, que incluye dos parámetros adicionales: los límites de activación / desactivación del estado de cuarentena. Se encuentra que la cuarentena temprana da como resultado la dinámica oscilatoria irregular (con exponente de Lyapunov positivo) de la infección. Si el límite inferior de la cuarentena es lo suficientemente pequeño, la dinámica de recuperación adquiere una forma característica no monótona con varios picos amortiguados. También se estudia la dinámica de la propagación de la infección en el caso de los individuos con inmunidad.
Citas
Corey, L., Mascola, J. R., Fauci, A. S., Collins, F. S. A strategic approach to COVID-19 vaccine R&D. Science. 20020, 368(6494), 948-950. https://doi.org/10.1126/science.abc5312
Coronavirus research updates: Potent human antibodies could inspire a vaccine, [En línea]. Available: https:// www.nature.com/articles/d41586-020-00502-w.
Choisy, M., Guégan, J. F., Rohani, P. Mathematical modeling of infectious diseases dynamics. Encyclopedia of infectious diseases: modern methodologies, John Wiley & Sons, 2007, 379-404. https://doi.org/10.4161/viru.24041
Barmparis, G. D., Tsironis, G. P. Estimating the infection horizon of COVID-19 in eight countries with a datadriven approach. Chaos, Solitons & Fractal. 2020, 135, 109842. https://doi.org/10.1016/j.chaos.2020.109842
E. B. Postnikov. Estimation of COVID-19 dynamics “on a back-of-envelope”: Does the simplest SIR model provide quantitative parameters and predictions?. Chaos, Solitons & Fractals, vol. 135, p. 109841, 2020. https://doi.org/10.1016/j.chaos.2020.109841
Ndairou, F., Area, I., Nieto, J. J., Torres, D. F. Mathematical modeling of COVID-19 transmission dynamics with a case study of Wuhan. Chaos, Solitons & Fractals. 2020, 135, 109846. https://doi.org/10.1016/j.chaos.2020.109846
Vicsek, T., Czirók, A., Ben-Jacob, E., Cohen, I., Shochet, O. Novel type of phase transition in a system of self-driven particles. Physical review letter. 1995, 75(6), 1226. https://doi.org/10.1103/PhysRevLett.75.1226
Solon, A. P., Chaté, H., Tailleur, J. From phase to microphase separation in flocking models: The essential role of nonequilibrium fluctuations. Physical review letters. 2015, 114(6), 068101. https://doi.org/10.1103/PhysRevLett.114.068101
Solon, A. P., Tailleur, J. Flocking with discrete symmetry: The two-dimensional active Ising model. Physical Review E. 2015, 92(4), 042119. https://doi.org/10.1103/PhysRevE.92.042119
Press, W. H., Teukovsky, S. A., Vetterling, W. T., Flannery, B. P. Numerical recipes in C++. Cambridge: Cambridge University Press, 2002.
G. Grimmett. Percolation, second edition. Verlag: Springer, 1999.
M. B. Isichenko. Percolation, statistical topography, and transport in random media. Reviews of modern physics. 1992, 64(4), 961. https://doi.org/10.1103/RevModPhys.64.961
Stauffer, D., Aharony, A. Introduction to percolation theory. CRC press. 2018.
Burlak, G., Vlasova, M., Aguilar, P. M., Kakazey, M., XixitlaCheron, L. Optical percolation in ceramics assisted by porous clusters. Optics communications. 2009, 282(14), 2850-2856. https://doi.org/10.1016/j.optcom.2009.04.030
Burlak, G., Rubo, Y. G. Mirrorless lasing from light emitters in percolating clusters. Physical Review. 2015, 92(1), 013812. https://doi.org/10.1103/PhysRevA.92.013812
Wolf, A., Swift, J. B., Swinney, H. L., Vastano, J. A. Determining Lyapunov exponents from a time series. Physica D: Nonlinear Phenomena. 1985, 16(3), 285-317. https://doi.org/10.1016/0167-2789(85)90011-9
Chandrashekar, A., Liu, J., Martinot, A. J., McMahan, K., Mercado, N. B., Peter, L., ... Busman-Sahay, K. SARSCoV-2 infection protects against rechallenge in rhesus macaques. Science. 2020, 369, 812-817.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Programación Matemática y Software
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |