Modelo bayesiano espacio-temporal predictivo sobre personas que fallecerían debido al COVID-19 en cantones en Costa Rica durante el mes de mayo de 2021

 

Guardado en:
Detalles Bibliográficos
Autor: Zamora Mennigke, Ricardo
Formato: tesis de maestría
Fecha de Publicación:2022
Descripción:La enfermedad respiratoria Covid-19, altamente contagiosa, ha causado tasas de mortalidad muy altas, así como un deterioro significativo en los pacientes que la contraen. El objetivo de este estudio ha sido el de proyectar, mediante modelos jerárquicos bayesianos espacio-temporales, la cantidad de personas que fallecerían por Covid-19 durante el mes de mayo de 2021, según los datos históricos y las covariables regionales con que se contaba (brindados oficialmente) sobre el Covid-19 en el periodo de abril 2020 a marzo 2021. Aquí se analizan varios modelos bayesianos espacio-temporales con el fin de modelar variables de respuesta en epidemiología. Se establece que la variable de respuesta de fallecidos por la enferemdad es una variable con distribución binomial negativa. Además, se utiliza el paquete de R-INLA para realizar las estimaciones a posteriori de los modelos, debido a su facilidad y rapidez en comparación con los métodos de cadenas de Márkov. En este estudio se analizan diferentes modelos según sus criterios de información (DIC, WAIC y CPO). Se sopesan las mejores combinaciones según las siguientes pautas: el tipo de interacción espacio-temporal, la distribución y las covariables más adecuadas para el modelo final. La covariable más importante, de acuerdo con la literatura consultada, es la del ratio estándar de mortalidad (SMR por sus siglas en inglés) del mes anterior. Dentro de las covariables adicionales examinadas están: el índice de desarrollo humano, el porcentaje de adultos mayores y el porcentaje de vivienda urbana por cantones. Además, se incluyen covariables ambientales extraídas del espectrorradiómetro de imágenes de resolución moderada (MODIS). Al final la única covariable adicional del modelo final, además del SMR, es el porcentaje de vivienda urbana por cantones. El modelo final que mejor ajusta los datos, incluye las covariables con una interacción de orden 2; es decir, estructurada en el tiempo, pero no en el espacio; y con un modelo aleatorio independiente (iid). El problema con este modelo se pone en evidencia al analizar los efectos, ya que en su SMR se presenta un efecto nulo, lo cual dificulta la estimación y predicción final. Los mapas de predicción, estimados por cantón, han sido empleados para generar predicciones futuras de la cantidad de personas que fallecerían en abril y en mayo de 2021 por esta enfermedad. Los resultados sugieren que las covariables seleccionadas, no permiten mejorar el ajuste del modelo. Es importante señalar que las limitaciones en el acceso a ciertos datos, inhiben una conclusión precisa. Esto por cuanto, no se puede concluir con exactitud si existe asociación entre la cantidad de fallecidos y ciertas condiciones socioeconómicas o ambientales. En tal sentido los análisis espacio-temporales tienden a verse afectados por el modelo elegido y la poca cantidad de periodos disponibles para el análisis. Para futuros estudios, puede ser relevante el análisis de las diferencias entre las cadenas de Márkov e INLA en modelos espacio-temporales, ya que algunos modelos en este estudio, son adaptados de referencias que simularon modelos con cadenas de Márkov. Se requiere investigar, más a fondo, si el uso de INLA, puede resultar inapropiado cuando se requira un ajuste en los modelos espacio-temporales, con conteos bajos o limitaciones significativas en la cantidad de covariables y períodos comparado con las cadenas de Márkov.
País:Kérwá
Institución:Universidad de Costa Rica
Repositorio:Kérwá
Lenguaje:Español
OAI Identifier:oai:kerwa.ucr.ac.cr:10669/87144
Acceso en línea:https://hdl.handle.net/10669/87144
Palabra clave:Integrated Nested Laplace Approximation
INLA
Modelos espacio-temporales
COVID-19
Mapeo de enfermedades