Modelación de la propagación de las patologías del

Sistema Respiratorio de la E.S.E Hospital San Juan

de Dios de Pamplona
Y. Quintana 1, A. Hernandez 2,L. Cruz 3,
1
Departamento de Ciencias Aplicadas, Facultad de Ciencias Exactas y Aplicadas, Instituto
Tecnológico Metropolitano, Medellín, Colombia.
2
Semillero de Investigación en Ingeniería Clínica, Grupo de Investigación e Innovación Biomédica
GI2B, Instituto Tecnológico Metropolitano, Medellín, Colombia.
Instituto Tecnológico Metropolitano, Medellín, Colombia.

Abstract— This document analyzes the epidemiology of the ESE San Juan de Dios Hospital in Pamplona of the
pathologies related to respiratory diseases, a modeling is presented using differential equations, which are modeled
by the Heun method and the Runge - Kutta method, later we have the modeled using the SIR epidemiological model
which relates the variations of the three populations (Susceptible, Infected and Recovered) through the infection
rate and the average infectious period, subsequently the modeling of the SEIR epidemiological model is performed
using Cellular Automata (AC) and the Cell-DEVS Formalism in the CD ++ model which allows to identify the
position of infected people in the Pamplona Norte region of Santander and analyze in which places a faster outbreak
can be generated, and thus be able to have the respective statistics of prevention and control. Cellular Automata
allow the opening of a different path to generate computational models that can provide real-time responses
according to the rules that describe the dynamics of the evolution of respiratory pathologies.

Keywords— Cellular Automata, Differential Equations, Modeling, MATLAB, Respiratory Pathology

Resumen— Este documento analiza la epidemiologia de la E.S.E Hospital San Juan de Dios de Pamplona de las
patologías referentes a las enfermedades respiratorias, inicialmente se presenta un modelado mediante ecuaciones
diferenciales, las cuales se modelan por el método de Heun y el método Runge - Kutta, posteriormente tenemos el
modelado mediante el Modelo epidemiológico SIR el cual relaciona las variaciones las tres poblaciones (Susceptible,
Infectada y Recuperada) a través de la tasa de infección y el período infeccioso promedio, posteriormente se realiza
el modelado de un modelo epidemiológico SEIR mediante Autómatas Celulares (A.C.) y el Formalismo Cell-DEVS
en el modelo en CD++ el cual permite identificar la posición de las personas infectadas en la región de Pamplona
Norte de Santander y analizar en qué lugares se puede generar un brote más rápido, y así poder tener las
consideraciones respectivas de prevención y control. Los Autómatas Celulares permite la apertura de un camino
diferente para generar modelos computacionales que permitan brindar respuestas en tiempo real de acuerdo a las
reglas que describen la dinámica de la evolución de las patologías respiratorias.

Palabras clave—Autómatas Celulares, Ecuaciones Diferenciales, Modelación, MATLAB, Patología Respiratoria

I. INTRODUCCIÓN Mundial de la Salud la epidemiologia estudia la

L distribución, la frecuencia, los factores
a modelización y la simulación son herramientas
de decisión muy importantes que pueden ser
usadas en el control de enfermedades humanas y
animales. Sin embargo, como cada enfermedad
tiene sus propias características biológicas, los
modelos de simulación necesitan ser adaptados a
cada caso específico con el objetivo de sostener
situaciones reales [1][2]. Según la Organización

Contacto: Yeimy L. Quintana Villamizar, Calle 63 #80A-40, Facultad de
Ciencias Exactas y Aplicadas, Instituto Tecnológico Metropolitano,
Medellín, Colombia, Teléfono: +57 3122476504
determinantes, las predicciones y el control de los
factores relacionados con la salud y con las
distintas enfermedades existentes en poblaciones
humanas definidas [3].
La epidemiología es la disciplina científica que se
encargan del estudio de la distribución y el
control de los factores determinantes en
enfermedades frecuentes en humanos. Entre sus
funciones encontramos: describir la distribución
de la enfermedad, identificar sus factores de
riesgo para descubrir el motivo por el que alguien
se contagia, construir y probar teorías y
planificar, implementar y evaluar programas de
detección, control y prevención [4].
Los modelos epidemiológicos buscan describir
mediante ecuaciones matemáticas u otros
elementos de abstracción el comportamiento de
una enfermedad en una población, y sirven como
herramientas para tomar decisiones que permitan
evaluar y definir la mejor estrategia de control
para limitar el impacto económico o sanitario que
genera una enfermedad, o como instrumento de
análisis que permite mejorar la percepción de las
dinámicas que presentan las enfermedades, y así
validar la relación de los sistemas predictores con
la ocurrencia de la enfermedad, principalmente en
relación con el manejo de la reproducción, que
debe ser considerado para el control de
enfermedades y la erradicación [5].
La información del perfil epidemiológico se
realiza con base en información generada y
registrada en la ESE San Juan de Dios -
Pamplona, durante la vigencia 2017, para este
estudio no se tendrán en cuenta las causas por
consulta externa especializada, por odontologia ni
por urgencias, unicamente se tendrán en cuenta
las enfermedades por consulta externa, en la
Figura 1 se presentan la distribución de las diez
primeras causas de consulta externa del año 2017
por el sistema E.S.E HSJD de Pamplona, Norte
de Santander.
Figura 1. Epidemiologia E.S.E SJD Pamplona
La primera causa por consulta externa durante el
año 2017, corresponde a patologías del sistema
respiratorio con un 22.49% ( con patologías
agudas rinofaringitis, IRA) , el segundo lugar a
enfermedades del sistema digestivo con un 20.1
% ( parasitosis), en el tercer lugar corresponde a
las enfermedades cardiovasculares 19.31%
( hipertensión arterial). , en el cuarto lugar se
encuentran las enfermedades del sistema urinario
con un 13.47 % (IVU), con el 13.47\%
corresponde al sistema musculo esquelético
(lumbago), el 8.76% corresponde al sistema
neurológico (epilepsia) y con el 2.36 %
corresponde a enfermedades del sistema
endocrino (Diabetes) [6].
Partiendo de lo anterior realizaremos una
modelación que permitirá estimar la cantidad de
citas por consulta externa para patologías del
sistema respiratorio para el año 2019, se tiene que
para el 2017 se atendieron un total de 42.206
consultas de las cuales 9490 fueron por patologías
del sistema respiratorio y para el 2018 un total de
43.572, de las cuales un 9800 fueron a causa del
sistema respiratorio. [7]
La segunda parte de este articulo expone la
modelación epidemiológica de la E.S.E Hospital
San Juan de Dios de Pamplona a partir de
Autómatas Celulares (A.C.) y el formalismo Cell-
DEVS fue presentado como la combinación de
los Autómatas Celulares (A.C.) y el formalismo
DEVS, cada célula está definida como un Modelo
atómico, y se determina el procedimiento para
acoplar las células, es decir, se define la
interacción de las células entre sí. Se ha
mencionado bastante son la teoría computacional
de los Autómatas Celulares en su manera
abstracta. Por lo cual, ahora se definirá el
formalismo Cell-DEVS para poder representar un
problema que se está modelando mediante los
Autómatas Celulares. Como se había desarrollado
en la sección anterior, el problema de la dinámica
de transmisión de la varicela en un sistema
cerrado donde no hay entradas ni salidas
(epidemiológicamente significa que es un entorno
cerrado donde no hay natalidad ni mortalidad de
personas) [8].
La técnica de modelado mediante los Autómatas
Celulares permite mantener la capacidad para
describir sistemas complejos utilizando reglas
muy sencillas, al mismo tiempo que nos permite
cerrar la brecha entre un Tiempo Discreto y una
descripción de Evento Discreto como DEVS. El
uso de DEVS como mecanismo formal de
especificación básica nos permite definir
interacciones con modelos definidos en otros
formalismos que se puedan definir [9]
II. MATERIALES Y MÉTODOS
La población fundamental para describir las
enfermedades transmisión de las patologías del
sistema respiratorio es la población de los
Expuestos, es decir la extensión territorial de la
E.S.E debido que considera el periodo latente de
la enfermedad, es decir, poseen la enfermedad
pero aun no presentan los síntomas de la
enfermedad.
Después de este periodo de incubación pasan a la
población de los Infectados, aptos para poder
contagiar a los Susceptibles. Y, después del
periodo considerado que la enfermedad en
promedio afecta a los infectados, estos pasan a la
población de los recuperados donde ya poseen la
inmunidad ante la enfermedad, es decir, ya no
pueden padecer de nuevo la enfermedad.
El presente modelo considera que no existe
natalidad ni mortalidad, es decir, la población
total del modelo es constante en todo el tiempo
considerado. Por lo cual, ahora formularemos el
modelo matemático para comprender la dinámica
de transmisión de las patologías respiratorias en
el municipio de Pamplona Norte de Santander , lo
cual considerará las variables y los parámetros del
modelo, el cual estará representado mediante un
Sistema de Ecuaciones Diferenciales Ordinarias.
Usaremos las siguientes hipótesis:
1. La población (constante) se indicará como
N en el que todos serán susceptibles a la
enfermedad.
2. La duración de la enfermedad es larga de
modo que los individuos no se recuperarán
durante el periodo de estudio.
3. La unidad de tiempo escogida será el año.
4. Durante cada unidad de tiempo cada
persona infectada tiene c contactos.
A. Determinación del número de contactos
El primer paso a realizar es determinar el número
de contactos que tiene una persona infectada en la
unidad de tiempo elegida, es decir, el año.
Emplearemos la siguiente ecuación diferencial:
c 4. K 2=f (t n +h , y n + K 3 h)
I ' (t)= I (t)(N −I (t))
N 5. y n+1=¿
Asignando a I(t) el número de personas
infectadas., c es un número de dos decimales
comprendido entre 0.01 y 0.99
Siendo N igual a 150000 con las siguientes
condiciones iniciales:
I (0) =9.500 y I (1) =9.800 si fuera al año, pero
teniendo en cuenta que se medirá la propagación
semanalmente se tiene:
I (0) =180 y I (1) =200
Para determinar c imponemos la siguiente
condición, que |I (1) −200| tenga el menor valor
posible, es decir, aquel valor que minimice lo
posible el error absoluto. Para hallar ese valor lo
hallaremos numéricamente con programa escrito
en MATLAB, basado en el método de Euler para
la resolución de ecuaciones diferenciales.
B. Estudio de la evolución de la enfermedad
Se realiza un estudio de la evolución de la
epidemia a lo largo de las semanas mediante los
dos siguientes métodos.
1.  Método de Heun:
Consiste en la aproximación a la pendiente
mediante la aplicación de dos derivadas del
intervalo, una en el punto inicial y otra en punto
final. La aproximación mejorada de la pendiente
será el promedio de las dos derivadas, se calcula
los siguientes elementos:
1. K 1=f (t n , y n )
2. K 2=f (t n+ h , y n + K 1 h)
h
3. y n+1= y n + ,( K 1 + K 2)
2
Siendo h la longitud de paso entre dos valores
consecutivos
2. Método de Runge-Kutta
1. K 1=f (t n , y n )
h h
2. K 2=f (t n+ , y n+ K )
2 2 1
h h
3. K 2=f (t n+ , y n+ K )
2 2 2
 Hallar la constante k para los diferentes valores
iniciales de susceptibles e infectados.
C. Modelo SIR
Posteriormente resolvemos la ecuación
Definimos a continuación los siguientes diferencial.
parámetros, los cuales fijarán el número y las a
variaciones de infectados. I ( t )=S ( t )+ logS ( t ) + K
r
 S: Número de personas susceptibles a la
enfermedad. Por otra parte, se analiza también mediante la
Formalización DEVS del Modelo SEIR, un
 I: Número de infectados análisis de la epidemiologia de la E.S.E Hospital
 R: Número de personas en cuarentena, San Juan de Dios de Pamplona, para lo cual se
muertos o que han superado o son tiene:
inmunes a la enfermedad.
Definimos S(t), I(t), R(t), cantidad de miembros E. Formalización DEVS del Modelo SEIR
de cada clase al transcurrir un tiempo t. Inicial se definirán las reglas correspondientes
para poder generar la simulación computacional
Posibles suposiciones acerca de los procesos de
desde la perspectiva de los Autómatas Celulares
incubación y transmisión (posible cambiar)
mediante el formalismo DEVS. El software que
considerando el tiempo de infección despreciable.
se utilizará es el CD++ para realizar la
 rSI, r>0: variación del número de Simulación Computacional.
infectados y susceptibles. Se define
también r como Tasa de infección. Epidemia SEIR =< X, Y, D, {Mi}, {Ii}, {Zi},
select >
 aI, a>0: existe una relación proporcional
entre el número de infectados y la tasa de
Donde:
miembros infectados que pasan a la
 X=∅ Y=∅
clase R.
 D = {cell}
 a: se define como la tasa de remoción.  Mcell = Cell − SEIR
Partimos de la suposición inicial considerando  Icell = ∅ Zi = ∅
S(0)=So, I(0)=Io y R(0)=0; siendo N=So + Io.  select = (Cell − SEIR)
El número de la N (población total) no varía Cell − SEIR =< Xlist, Ylist, I, X, Y, n, {t1,
puesto que es constante por lo que podemos t2, · · · , tn}, η, N, C, B, Z, select >
afirmar que la suma de S(t),I(t),R(t) se
corresponde con N y esto con el número inicial de Donde:
población susceptible e infectada, puesto que
R(0)=0.
 Xlist = ∅ Ylist = ∅
a a  I =< px , py > donde : p x = p y =
Si S0 ≤  , entonces I ( t ) ≤ I ( 0 ) ,siendo   la tasa de
r r ∅
remoción. Sustituyendo en I'(t) se demuestra que:  X = {0, 1, 2, 3}
a  n = 2 η = 2 t1 = t2 = 10
I ' ( 0 ) ≤ r S0 I 0−a I 0 ≤ r I −a I 0 ≤ a I 0−aI 0 ≤0  N = {(−1, −1),(−1, 0),(−1, 1),(0,
r 0
−1),(0, 0),(0, 1),(1, −1),(1, 0),(1,
Esto significa que la pendiente será negativa 1)}
a  B=∅
si  S0 ≤ , entonces el número de infectados irá
r
reduciéndose con el tiempo. Análogamente si se Ci,j =< I, X, S, Y, N, δint, δext, d, τ, λ >
presenta lo contrario el número de individuos
enfermos aumentará. Donde:
 Px = { Xk ∈ {0, 1, 2, 3} donde k = 1, 9 }
D. Trayectoria de los infectados
 Py = { Yk ∈ {0, 1, 2, 3} donde k = 1, 9 }
 X = {0, 1, 2, 3} Y = {0, 1, 2, 3}
  N = {(−1, −1),(−1, 0),(−1, 1),(0, −1),
(0, 0),(0, 1),(1, −1),(1, 0),(1, 1)}
 d = Tiempo (días)
 SX : Variables Descriptivas

De allí se tiene que:

0 :Celda de Persona Susceptible (verde)

{
SX= 1:Celda de Persona Expuesta(rosado)
2:Celda de Persona Infectada (rojo)
3 :Celda de Persona Recuperada(azul)

Del mismo modo, consideraremos las mismas

poblaciones iniciales para poder realizar la
Figura 2. Evolución del error según los diferentes
respectiva simulación computacional. Con
valores de c
respecto al software, CD++ es un programa
destinado a la modelización y a la simulación
de eventos discretos cuales se organizan según B. Estudio de la evolución de la enfermedad
el formalismo DEVS.

Población Susceptible S(0)= 180  Método de Heun y Runge-Kutta

Población Expuestos E(0)=0
Población Infectados I(0)=12
Población Recuperados R(0)=0
Hay que notar, que se definirá una malla
cuadrangular de 10 × 10, con el objetivo que la
malla pueda contener el estado de 100 células,
las cuales representan a las poblaciones
epidemiológicas, y teniendo que se tiene un
sistema cerrado (no entrada ni salida de nuevas
células) nos permite tener en cuenta el cambio
de estado de las células de toda la población
considerada.
III. RESULTADOS Y DISCUSIÓN
Ahora bien, los resultados se presentan de
acuerdo a lo que se obtiene en MATLAB luego
de realizada la modelación.
A. Determinación del número de contactos
Como podemos observar en la figura 3, los
infectados no tienden a desaparecer sino a crecer
exponencialmente. Como es una función
creciente no posee máximo, sin embargo, como el
número de habitantes está acotados el máximo se
produce cuando todos los habitantes están
infectados, es decir 150.000. Este fenómeno no se
puede determinar
Al finalizar la semana número ocho el número
aproximado de infectados es de para el método
de Runge-Kutta 710 y para el método de Heun,
es de 693 personas
Podríamos pensar en poblaciones tales que si el
número de individuos N es elevado entonces la
tasa es decreciente, y que si la población en un
determinado momento M es demasiado pequeña
esta tasa también decrece (por ejemplo, por la
dificultad de individuos a los que contagiar los
infectados).

En la figura 2 se presenta la relación entre el

valor “c” es decir los contactos de una persona
infectada con otros individuos y el error
cometido, lo que sugiere que en la figura se
evidencia la variación para cada valor de c.

Figura 3. Evolución de los infectados conforme
avanzan las semanas mediante el método de Heun
y el método de Runge-Kutta
Figura 4. Evolución de los infectados conforme
avanzan las semanas mediante y el método de
Runge-Kutta
Para ello debemos modificar la ecuación logística
por:
I I
I ' =c∗I (1− )( −1)
N M
Como podemos observar en la figura 5, los
infectados desaparecen a la décima semana
siendo el máximo el valor alcanzado en la
primera semana debido a que la función es
estrictamente decreciente.
Figura 5. Evolución gráfica de los infectados
conforme avanzan las semanas para el modelo
C. Modelo SIR
Se utiliza el método Euler y Runge-Kutta, se
ejecuta para distintos valores de So, Io y h.
Figura 5. Evolución gráfica de los infectados
conforme avanzan las semanas para el modelo –
Versión 1
La dinámica del comportamiento de las
poblaciones epidemiológicas descrita por la
figura 5 indica cómo va evolucionando a través
del tiempo, considera un rápido descenso de los
Susceptibles, mientras la población Infectada,
tiene sus respectivos umbrales de crecimiento
para luego empezar a descender. La población de
los Recuperados en el tiempo va en aumento
hasta llegar a obtener toda la población total,
debido que se ha considerado que la población
total es constante en todo el tiempo considerado
(no existe natalidad ni mortalidad).

Figura 6. Evolución gráfica de los infectados
conforme avanzan las semanas para el modelo –
Versión 2
Según observamos en las gráficas, el modelo que
mejor se ajusta a los parámetros dados es el que
tiene los valores S0=159985, I0=15 siendo los
tiempos en los que se igualan los infectados y los
susceptibles, que coincide con el comienzo de un
crecimiento exponencial de los removidos, t1=3,5
semanas según el método de Euler y t2=3,1
semanas para el método de Runge-Kutta para un
paso de h=0.1, t1=3,03 semanas para Euler y
t2=2,99 semanas para Runge-Kutta para un paso
de h=0.01.
D. Trayectoria de los infectados
Figura 7. El intervalo (S,I) en el que se
encuentran las trayectorias.
E. Formalización DEVS del Modelo SEIR
La simulación mediante los Autómatas
Celulares nos permite visualizar como se propaga
la epidemia considerando el tiempo y el espacio.
En nuestro caso por las Ecuaciones Diferenciales,
y de una manera similar mediante los Autómatas
Celulares, en nuestro por el formalismo DEVS
(Cell-DEVS), pueden brindar mejores resultados
para una interpretación epidemiológica más
cercana a la realidad que se está estudiando. [16].
Después de realizar la simulación computacional
mediante los Autómatas Celulares, se podrá
generar una secuencia de estados mediante el
tiempo considerado para la simulación que
permitirá observar la evolución de la propagación
de la enfermedad.
Figura 8. Autómatas Celulares
Al finalizar la simulación se observa la
población de recuperados, esto nos permite
identificar que mediante los autómatas celulares
de detalla de forma gráfica como se propaga la
epidemiologia de las enfermedades respiratorias
de la E.S.E Hospital San Juan de Dios de
Pamplona Norte de Santander, finalmente se
muestra como la epidemia va en descenso
mientras se genera la recuperación de la
población infectada.
IV. CONCLUSIONES
Inicialmente realizamos el modelo SIR en
MATLAB, el cual permite identificar la La
cantidad de citas por consulta externa para
patologias del sistema respiratorio de la E.S.E
Hospital San Juan de Dios de Pamplona, el cual
estima el número de personas que contraeran la
enfermedad, inicialmente se definen las
Ecuaciones diferenciales que se van a utilizar y se
expone el metodo realizado en CD++ de
automatas celulares basado en el formalismo
DEVS, en los resultados encontramos que hay un
rapido descenso de la población susceptible
mientras que la poblacion infectada tiene sus
respectivos umbrales de crecimiento para nuevo
descender, de igual manera se tiene que los
recuperados van aumentado a medida que pasa el
tiempo, a su vez el modelo computacional
mediante Cell-DEVS, nos permite visualizar
como se desarrolla la epidemia teniendo en
cuenta el tiempo y el espacio de la región
considerada para el respectivo análisis
epidemiológico.
 AGRADECIMIENTOS Mathematical understanding of infectious
Este trabajo fue realizado gracias al Instituto disease dynamics, 16:1–61, 2009.
Tecnológico Metropolitano (ITM), Medellín, a la
Gobernación del Departamento Norte de [5] Cakici B., Boman M. A workflow for
Santander de Colombia y a la E.S.E Hospital San software development within computational
Juan de Dios de Pamplona. epidemiology. Journal of Computational
Science 2011; 216-222. DOI:
REFERENCIAS http://doi.org/10.1016/j.jocs.2011.05.004.
[1] Benjamin Ivorra, Diene Ngom, and Angel
[6] W. V. Laguado, “Plan de Desarrollo para
M Ramos. Stability and sensitivity analysis of
Norte de Santander 2016-2019 “ Un Norte
Be-CoDiS, an epidemiological model to predict
Productivo Para Todos " Documento
the spread of human diseases between
presentado para estudio y aprobación ante la
countries. Biomath Communications
Honorable Asamblea,” 2019.
Supplement, 4(1), 2017.
[7] P. M. R. de Oro, “Caracterización
[2] Benjamin Ivorra, Diène Ngom, and Ángel
Subregión Suroccidental - Norte de Santander,”
Manuel Ramos del Olmo. Be-codis: A
Secr. PLANEACIÓN Y Desarro. Territ., 2013.
mathematical model to predict the risk of
human diseases spread between countries.
[8] Toffoli, T. y Margolus, N. (1987). Cellular
Validation and application to the 2014-2015
automata machines: A new environment for
ebola virus disease epidemic. Bulletin of
modeling. Cambridge, MA: MIT Press.
mathematical
biology, 77(9):1668–1704, Septiembre 2015.
[9] Arteaga, J. y Sanabria, M. (2014). Modelo
de Propagación de la Malaria usando
[3] Kermack WO., McKendrick AG. A
Autómatas Celulares con Indicadores de
Contribution to the Mathematical Theory of
Probabilidad. Colombia: Universidad Nacional
Epidemics. Proc R Soc London A Math Phys
de los Andes.
Eng Sci. 1927; 115(772): 700-721. DOI:
http://doi.org/10.1098/ rspa.1927.0118

[4] Herbert W Hethcote. The basic

epidemiology models: models, expressions for
r0, parameter estimation, and applications.