Predicción de casos del COVID-19 en el Perú (actualización 24-03-2020)

Notas preliminares

• La predicción emplea la información disponible a las 4 pm del 24 de marzo del 2020.

• Las fuentes de información usadas son oficiales y provienen del Ministerio de Salud y la OMS.
• La metodología y supuestos de predicción son detalladas en la nota técnica que acompaña el documento.
• El contexto actual presenta una gran incertidumbre, por tanto las predicciones son actualizadas día a día
incorporando la nueva información disponible.

• El estudio es realizado por el equipo de Analytics de Apoyo Consultoria, integrado por Saied Esmaili, Ángel
Guillén y Erick Oré, y por Jairo Flores (Universidad Pompeu Fabra y BCRP1/).

Nota: 1/ Los puntos de vista expresados en este documento no reflejan necesariamente la opinión del Banco Central de Reserva del Perú.
1
1. Pronóstico de casos confirmados de COVID-19 en el Perú

La zona de contención1/ del COVID-19 se alcanzaría en la segunda semana del mes de abril. La senda de casos actuales puede
resultar optimista dado que el número de contagios detectados ha estado condicionado por el stock de pruebas disponibles. Con la
mayor disposición y aplicación de test se esperaría un mayor incremento de casos confirmados.

PREDICCIÓN DE CASOS CONFIRMADOS PROBABILIDAD DE ENTRAR A LA ZONA DE CONTENCIÓN

1,600
100%

1,200 80%
Predicción sin
limitaciones de stock
de test de detección 2/
60%
800

40%

400 Trayectoria usando A partir del 8 de abril se

datos actuales de tendría una probabilidad
20% mayor a 60% de entrar a
casos confirmados
la zona de contención del
COVID-19
0 0%
9-Mar 16-Mar 23-Mar 30-Mar 6-Abr 13-Abr 30-Mar 3-Abr 7-Abr 11-Abr 15-Abr 19-Abr

Casos reales Predicción Trayectoria actual

Nota: 1/ La zona de contención es definida cuando la tasa de crecimiento de casos no supera el 1% por al menos 3 días consecutivos. 2/ Los supuestos de proyección son explicados en la
2
nota técnica. Fuente: Ministerio de Salud, OMS.
2. Evolución de los test de detección

Se observa un comportamiento creciente de los test aplicados hasta el 22 de marzo. De haber seguido esta tendencia, se superaría
el stock el 25 de marzo. Un escenario en el que se disponga de una mayor cantidad de pruebas, como el esperado para la próxima
semana, permitiría un incremento de los test por día y, con ello, de los casos confirmados. 1/

EVOLUCIÓN DE LA APLICACIÓN DE TEST DE DETECCIÓN STOCK DE LOS TEST

2,000 10,000

1,600 8,000

1,200 6,000

800 4,000

400 2,000

0 0
9-Mar 13-Mar 17-Mar 21-Mar 25-Mar 9-Mar 13-Mar 17-Mar 21-Mar 25-Mar

Test por día Trayectoria1/ Disponible Proyección considerando

trayectoria al 22-Mar

Nota: 1/ El Gobierno contaba con un stock de 10 mil test al inicio de la pandemia y se ha dispuesto la adquisición de 1,6 millones de nuevos test de detección rápida, cuyo primer lote
3
arribaría el 27 de marzo. 2/ Tendencia exponencial considerando la información desde el inicio del contagio hasta el 22-mar. Fuente: OMS, Ministerio de Salud.
3. Comparación de la predicción con otros países

Se estima que el tiempo esperado para alcanzar la zona de contención será entre 19 a 26 días después del inicio de la cuarentena 1/.
Perú seguiría una trayectoria de casos confirmados inferior a Chile o Brasil y alcanzaría la zona de contención en un tiempo similar
al registrado por China.

COMPARACIÓN DE TRAYECTORIAS 2/ DÍAS PARA ALCANZAR LA ZONA DE CONTENCIÓN LUEGO

DEL INICIO DE LA CUARENTENA
Escala 10000
logarítmica
Europa

Perú entraría a la Estimación con

China
Perú zona de contención el modelo de
Brasil
día 23 luego de predicción
1000 iniciada la cuarentena
Chile

100 Hubei (Wuhan) entró a

Resultado de 27
la zona de contención
China divisiones territoriales
en el día 27 luego de la
de China 3/
cuarentena

Día 0 = inicio de la cuarentena Día 0 = inicio de cuarentena

10
-4 -2 0 2 4 6 8 10 12 14 16 0 10 20 30 40
Casos reales Predicción Otros países
en el Perú para el Perú

Nota: 1/ Con un intervalo de confianza de 90%. 2/ Para las trayectorias de otros países, se imputa la tasa de crecimiento de casos confirmados de Brasil, Chile y Europa al día que Perú
4
supero los 20 casos (12-mar). En el caso de China, se imputa el crecimiento desde 4 días antes del inicio de su cuarentena. 3/ Contempla provincias, municipios y regiones autónomas.
4. Tasa de letalidad

A la fecha, el Perú se encuentra en el grupo de países con menor letalidad del COVID-19. Los casos de mayor letalidad son
reportados por países como España, Irán e Italia que han visto rebasados sus sistemas de atención sanitaria.

DISTRIBUCIÓN DE LAS TASAS DE LETALIDAD EN EL PERÚ: EVOLUCIÓN ESTIMADA DE CASOS CONFIRMADOS Y

MUNDO 1/ FALLECIDOS
Perú Escala 10,000
1.7% logarítmica

USA
1.4%
Japón 1,000
Singapur 3.8%
0.4%
China
4.0% 100
España
6.0% Trayectoria de letalidad
con tasa de Italia
Irán
7.8%
Italia
10
Trayectoria de letalidad
9.3% con tasa actual

1
0% 2% 4% 6% 8% 10% 9-Mar 16-Mar 23-Mar 30-Mar 6-Abr 13-Abr
Casos reales Fallecidos Predicción de casos
confirmados

Nota: 1/ El área debajo de la curva representa el 100% de los países considerados en el análisis. Se considera el último dato de tasa de mortalidad a la fecha de actualización para una
5
muestra de 32 países, que reportan más de 15 días de pandemia desde el caso confirmado número 20 y el número total de casos es similar o mayor al del Perú.
5. Nota técnica

1. Modelo: se emplea un modelo de crecimiento logístico, el cual es uno de los modelos más simples aplicados para
reproducir la evolución de contagios de una pandemia. Este modelo replica un crecimiento exponencial que gradualmente
disminuye hasta alcanzar un punto de saturación (Batista, 2020). El modelo se presenta de la siguiente manera:
𝑑𝐶 𝑡 𝐶 𝑡
= 𝑟𝐶 𝑡 1 − ,
𝑑𝑡 𝐾
donde 𝐶 𝑡 es el número de casos confirmados acumulados, 𝑟 es la tasa de infección y 𝐾 es el número de casos al final de
𝐾 𝐾−𝐶0
la pandemia. Si 𝐶(0) = 𝐶0 , entonces la solución de la ecuación representada es 𝐶 𝑡 = −𝑟𝑡 , donde 𝐴 = .
1+𝐴𝑒 𝐶0

2. Estimación: el modelo tiene 3 parámetros 𝐾, 𝑟, 𝐴 que son estimados con los datos actuales. La estimación se realiza por
el método de mínimos cuadrados no lineales implementados en la función de Matlab fitVirus elaborado por Batista (2020).
3. Incorporación de incertidumbre: en línea con diversos estudios, se estima los intervalos de confianza implementado un
método bootstrap paramétrico como en Chowell, Nishiura, Bettencourt (2007), Viboud, Simonsen, y Chowell (2016), Ma
(2020), entre otros. El procedimiento es el siguiente: cada realización de la curva epidemiológica 𝐶 𝑡 𝑖 𝑖 = 1,2, … , 1000 se
genera como la acumulación de los incrementos obtenidos de una distribución Poisson con media 𝐶 𝑡 − 𝐶 𝑡 − 1 , donde
𝐶 𝑡 es la curva que mejor se ajusta a los datos reales. Esta estructura permite tomar en cuenta la alta variabilidad al inicio
de los números de casos confirmados en contraste de la baja variabilidad en la medida que la epidemia se acerca al final.
Luego, por cada 𝐶 𝑡 𝑖 simulado se obtiene una nueva estimación de los parámetros del modelo, con ellos, una nueva
trayectoria, y de la distribución de trayectorias, sus intervalos de confianza.
4. Supuestos adicionales: la predicción de casos confirmados sin limitaciones de stock de test de detección considera la
información hasta el día 22 de marzo del 2020 y simula los casos de los próximos dos días manteniendo la tendencia
creciente del número de test diarios y luego se aplica la tasa promedio de positivos de los últimos 5 días. De esta manera se
evita que el número de casos confirmados esté afectado por la disponibilidad de test 1/.

Nota: 1/ El Gobierno contaba con 10 mil test al inicio de la pandemia, al día 22 el stock fue de 3 mil test disponibles.
6
Bibliografía

• Batista, M. (2020). Estimation of the final size of the COVID-19 epidemic. medRxiv, doi, 10(2020.02), 16-20023606.

• Chowell, G., Nishiura, H., & Bettencourt, L. M. (2007). Comparative estimation of the reproduction number for pandemic
influenza from daily case notification data. Journal of the Royal Society Interface, 4(12), 155-166.

• Ma, J. (2020). Estimating Epidemic Exponential Growth Rate And Basic Reproduction Number. Infectious Disease Modelling.

• Viboud, C., Simonsen, L., & Chowell, G. (2016). A generalized-growth model to characterize the early ascending phase of
infectious disease outbreaks. Epidemics, 15, 27-37.