Canad\u00e1 y California est\u00e1n a miles de kil\u00f3metros de distancia, cambiar la ruta ser\u00eda un gran cambio. Cr\u00e9dito: Bureau of Land Management\/Wikimedia Commons, CC BY-SA <\/p>\n
Los casos confirmados de COVID-19 ahora han superado los 10 millones: \u00bfcu\u00e1les ser\u00e1n la pr\u00f3xima semana, a nivel mundial y en su pa\u00eds? <\/p>\n
Tener una buena estimaci\u00f3n puede ayudar a las autoridades sanitarias con sus respuestas y guiar\u00e1 a los gobiernos a medida que relajan los confinamientos. Con este fin, hemos estado publicando pron\u00f3sticos en tiempo real de casos confirmados y muertes para muchas partes del mundo casi a diario desde el 20 de marzo. Estos han sido en gran medida indicadores confiables de lo que se puede esperar que suceda en la pr\u00f3xima semana. <\/p>\n
Muchos de los modelos m\u00e1s formales para predecir la pandemia, como el muy publicitado modelo del Imperial College London que gui\u00f3 la respuesta del gobierno del Reino Unido, utilizan las matem\u00e1ticas para tratar de explicar los procesos subyacentes del brote, y lo hacen adoptando un peque\u00f1o n\u00famero de par\u00e1metros interpretables (como el n\u00famero R). Hacen predicciones basadas en la comprensi\u00f3n de c\u00f3mo funcionan los brotes en general.<\/p>\n
Nuestros pron\u00f3sticos, por otro lado, no intentan comprender por qu\u00e9 ocurren los cambios. En cambio, se basan \u00fanicamente en datos de la pandemia actual, observando c\u00f3mo ha evolucionado y cambiado para predecir qu\u00e9 suceder\u00e1 a continuaci\u00f3n. Esto a menudo conduce a predicciones m\u00e1s precisas. <\/p>\n
Por qu\u00e9 los modelos epidemiol\u00f3gicos pueden tener problemas<\/p>\n
Imag\u00ednese que viaja por carretera de Boston a California. Sabiendo por viajes anteriores que California es su destino, hacemos un seguimiento de su viaje e intentamos pronosticar el itinerario de cada d\u00eda. Cuando hay cortes de carreteras, te desv\u00edas brevemente, por lo que nuestros pron\u00f3sticos fallan por un tiempo y luego se recuperan. Muchos modelos tienen una \u00abreversi\u00f3n a la media\u00bb incorporada que puede manejar este tipo de peque\u00f1os cambios. <\/p>\n
La ca\u00edda en el conteo del 20 de mayo se debi\u00f3 a revisiones de los datos. Cr\u00e9dito: Los datos son del Centro de Ciencia e Ingenier\u00eda de Sistemas de la Universidad Johns Hopkins. Proporcionado por el autor <\/p>\n
Por lo general, este modelo funciona bien. Pero, \u00bfqu\u00e9 sucede si se entera de los incendios forestales en California y decide visitar Canad\u00e1? Las previsiones se vuelven cada vez m\u00e1s malas si mantenemos que sigue yendo a California. El modelo necesita recuperarse de tal \u00abruptura estructural\u00bb.<\/p>\n
La mayor\u00eda de los modelos en las ciencias sociales y la epidemiolog\u00eda tienen una teor\u00eda detr\u00e1s de ellos que se basa en la evidencia disponible del pasado. Este simple ejemplo de viaje muestra por qu\u00e9 tales modelos pueden no ser buenos para hacer predicciones: corren el riesgo de estar demasiado motivados por sus formulaciones te\u00f3ricas, como que vas a California. <\/p>\n
Las predicciones de la Oficina de Responsabilidad Presupuestaria sobre la productividad del Reino Unido despu\u00e9s de la crisis financiera de 2008 son un excelente ejemplo visual de lo que sucede cuando estos modelos fallan. Vea los hermosos gr\u00e1ficos disponibles en su base de datos de pron\u00f3stico hist\u00f3rico. Los llamamos gr\u00e1ficos de erizo, porque los pron\u00f3sticos tremendamente err\u00f3neos parecen espinas que se alejan de los datos confirmados.<\/p>\n
En epidemiolog\u00eda, la mayor\u00eda de los modelos tienen una base te\u00f3rica s\u00f3lida. Toman en cuenta las epidemias que comienzan lentamente, luego aumentan exponencialmente y finalmente se ralentizan. Sin embargo, el comportamiento humano y las reacciones pol\u00edticas pueden conducir a cambios abruptos que pueden ser dif\u00edciles de permitir (como visitar Canad\u00e1 inesperadamente). Los datos tambi\u00e9n pueden cambiar repentinamente en una pandemia. El aumento de las pruebas puede revelar muchas infecciones nuevas, o los casos en hogares de ancianos pueden unirse repentinamente al conjunto de datos. Para ser efectivos en tales entornos, los dispositivos de pron\u00f3stico deben ser lo suficientemente robustos para manejar problemas de tendencias cambiantes y cambios repentinos en los resultados y las mediciones. Nuestros pron\u00f3sticos a corto plazo pueden manejar esto de una manera que los modelos m\u00e1s formales a menudo no pueden.<\/p>\n
C\u00f3mo funcionan y se desempe\u00f1an nuestros pron\u00f3sticos<\/p>\n
Para crear nuestros pron\u00f3sticosdigamos, para el n\u00famero total de COVID -19 casos en un pa\u00eds, primero creamos l\u00edneas de tendencia basadas en los datos confirmados que tenemos. Cada vez que se agrega un nuevo punto de datos, se crea una nueva l\u00ednea de tendencia, por lo que hay tantas l\u00edneas de tendencia como puntos de datos. Luego, un algoritmo de aprendizaje autom\u00e1tico selecciona las tendencias importantes de todas las disponibles, y las que elige se promedian para mostrar c\u00f3mo ha evolucionado el proceso con el tiempo (la tendencia en los datos). Los pron\u00f3sticos se derivan de esta tendencia subyacente, as\u00ed como tambi\u00e9n de observar la brecha entre los pron\u00f3sticos anteriores y los resultados reales.<\/p>\n
Cr\u00e9dito: Los datos provienen del Centro de Ciencia e Ingenier\u00eda de Sistemas de la Universidad Johns Hopkins. Proporcionado por el autor <\/p>\n
Puede parecer sorprendente, pero funciona. El siguiente gr\u00e1fico muestra el pron\u00f3stico que hicimos el 22 de mayo sobre c\u00f3mo aumentar\u00eda el n\u00famero total de casos de COVID-19 en el Reino Unido durante la pr\u00f3xima semana m\u00e1s o menos (la l\u00ednea roja continua). Nuestro pron\u00f3stico para el 30 de mayo fue de poco menos de 272.000. El resultado informado termin\u00f3 siendo 272\u00a0826.<\/p>\n
Este segundo gr\u00e1fico muestra las previsiones de muertes por COVID-19 en la UE que hicimos durante marzo y abril. Los pron\u00f3sticos sucesivos realizados a lo largo del tiempo se muestran en rojo, con los puntos de datos reales en gris. La superposici\u00f3n entre las l\u00edneas gris y roja muestra que el pron\u00f3stico aqu\u00ed fue bastante preciso. \u00a1Compare la estrecha agrupaci\u00f3n de las l\u00edneas aqu\u00ed con los gr\u00e1ficos de erizo mencionados anteriormente!<\/p>\n
Sin embargo, una forma m\u00e1s precisa de juzgar la precisi\u00f3n de los pron\u00f3sticos es mirar una medida llamada error absoluto medio (MAE). Los errores absolutos son las diferencias num\u00e9ricas entre las predicciones y los valores reales; MAE es el promedio de estas diferencias durante un per\u00edodo determinado. MAE da una medida general de qu\u00e9 tan lejos estaban sus predicciones.<\/p>\n
Hasta el 4 de abril, el MAE para nuestros pron\u00f3sticos a una semana de muertes por COVID-19 en varios pa\u00edses principalmente europeos era 629, mientras que, en promedio, los pron\u00f3sticos del Equipo de respuesta COVID-19 del Imperial College London para las muertes en los mismos pa\u00edses durante el mismo per\u00edodo se superaron en 1.068. Al incorporar los datos de la semana siguiente, en promedio, nuestros pron\u00f3sticos estaban por aproximadamente la misma cantidad678mientras que el MAE de Imperial hab\u00eda aumentado a 1,912. Despu\u00e9s del 11 de abril, nuestras cifras de MAE comenzaron a reflejarse entre s\u00ed, pero al menos en las primeras etapas de la pandemia, nuestras predicciones parec\u00edan ser m\u00e1s precisas.<\/p>\n
Durante la pandemia, estos pron\u00f3sticos han brindado informaci\u00f3n \u00fatil para la semana que viene, y ahora que Am\u00e9rica Latina es el epicentro del brote, organismos como el Banco Interamericano de Desarrollo los est\u00e1n utilizando. Nuestra forma m\u00e1s s\u00f3lida de pronosticar no solo juega un papel en la pandemia actual, sino que creemos que puede ser esencial en una segunda ola. <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por The Conversation <\/p>\n
Este art\u00edculo se vuelve a publicar de The Conversation bajo una licencia Creative Commons. Lea el art\u00edculo original. <\/p>\n
Cita<\/strong>: Por qu\u00e9 los pron\u00f3sticos a corto plazo pueden ser mejores que los modelos para predecir c\u00f3mo evolucionan las pandemias (2020, 30 de junio) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020 -06-short-term-pandemics-evolve.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Canad\u00e1 y California est\u00e1n a miles de kil\u00f3metros de distancia, cambiar la ruta ser\u00eda un gran cambio. Cr\u00e9dito: Bureau of Land Management\/Wikimedia Commons, CC BY-SA Los casos confirmados de COVID-19 ahora han superado los 10 millones: \u00bfcu\u00e1les ser\u00e1n la pr\u00f3xima semana, a nivel mundial y en su pa\u00eds? Tener una buena estimaci\u00f3n puede ayudar a … Continuar leyendo \u00abPor qu\u00e9 los pron\u00f3sticos a corto plazo pueden ser mejores que los modelos para predecir c\u00f3mo evolucionan las pandemias\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-28234","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28234","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=28234"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28234\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=28234"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=28234"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=28234"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}