!

Matemáticas y Medicina
Ángel Martín del Rey
Departamento de Matemática Aplicada
Universidad de Salamanca
delrey@usal.es

Bachillerato  de  Inves1gación,  I.E.S.  “Vaguada  de  la  Palma”,  18  de  diciembre  de  2013
Introducción

• Las Matemáticas son de gran utilidad en múltiples disciplinas de la

Medicina:

‣ Epidemiología (propagación de enfermedades infecciosas).

‣ Farmacocinética.
‣ Diseño de prótesis.
‣ Planificación y evaluación de planes de control y prevención.
‣ Control y análisis de experimentos clínicos.
‣ Impacto económico de las medidas sanitarias.
‣ Etc.

2
Ángel  Mar1n  del  Rey,  2013
Introducción

• La Modelización Matemática es una de las ramas de las Matemáticas

de mayor uso en Medicina.

• Grosso modo, el objetivo fundamental de la Modelización Matemática

es la descripción, simulación y predicción del comportamiento de
fenómenos de todo tipo. Problema
existente en el
Interpretación mundo real Simplificación

Resultados y Modelo de
Conclusiones Trabajo

Simulación Representación

Modelo Modelo
Computacional Matemático

3
Implementación Ángel  Mar1n  del  Rey,  2013
Introducción
• ¿Qué buscamos con un modelo matemático?

‣ Representación matemática de un determinado fenómeno de tal

forma que su análisis teórico y numérico proporcione información
para entender mejor los mecanismos que lo rigen.

‣ Implementación computacional para poder realizar simulaciones.

• ¿Cuál es el interés de la modelización matemática?

‣ Interés académico: estudio de las propiedades matemáticas del

modelo y sus implicaciones.

‣ Interés práctico: dotar al gestor de una herramienta informática que

permita predecir comportamientos y tomar decisiones de control.
4
Ángel  Mar1n  del  Rey,  2013
 Aplicaciones: Cardiología

Simulación del flujo sanguíneo por venas y arterias.

Determinación de la mejor forma de redireccionar

el flujo sanguíneo ante una obstrucción arterial

Simulación de la actividad eléctrica en el corazón

5
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Oncología

• Análisis de los niveles de los biomarcadores

cancerígenos en sangre.

• Simulación del crecimiento de tumores.

• Planificación de la medicación anticancerígena.

6
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Diseño de prótesis

• Simulación y construcción de superficies 3D:

7
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Imágenes Médicas

• Procesamiento digital de imágenes médicas

8
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• La Epidemiología Matemática es la disciplina científica que se ocupa
del diseño y análisis de modelos matemáticos que simulen la
propagación de las enfermedades infecciosas.

• La modelización matemática de la propagación de enfermedades

infecciosas trata de dar respuesta a las siguientes preguntas:

‣¿Cuál será el alcance final de la epidemia?

‣¿Cuál será el efecto de las medidas de

prevención y de control tomadas?

‣¿Qué medida tomada será más eficiente y

eficaz?

9
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• El primer modelo epidemiológico de carácter matemático apareció en
1760 y es debido a Daniel Bernoulli.

• Estudiaba la propagación de la viruela.

• Estaba basado en un sistema de ecuaciones diferenciales ordinarias

( )
⎧ u '(t) = − λ (t) + µ (t) u(t)
⎪ u(0) = 1
⎨
( )
⎪⎩ w'(t) = 1 − c(t) λ (t)u(t) − µ (t)w(t) w(0) = 0

10
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• En 1906, W.H. Hamer propuso un modelo matemático discreto para
estudiar la propagación del sarampión.

‣ Hamer sugiere que la evolución de una epidemia depende de la tasa

de contacto entre los individuos susceptibles de contraer la
enfermedad y los individuos infectados con capacidad de
transmitirla (individuos infecciosos).
‣ Este principio de acción de masas establece que la
incidencia (número de nuevos casos por unidad de
tiempo) es proporcional al producto de la densidad
de individuos susceptibles por la densidad de
individuos infecciosos.

11
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• En 1911, R. Ross desarrolla un modelo matemático basado en
ecuaciones diferenciales para predecir el comportamiento de un
brote infeccioso de malaria.

• En dicho modelo se explica la relación entre el número de mosquitos

y la incidencia de la malaria en humanos.

12
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• Se puede afirmar que la Epidemiología Matemática
moderna surge en 1927 con el trabajo de W.O.
Kermack y A.G. McKendrick en el que se presenta
un modelo matemático que simula la propagación
de la peste bubónica acaecida en Londres desde
1665 a 1666 y que se saldó con la muerte del 20%
de la población.

• Está basado en el uso de un sistema de ecuaciones

diferenciales ordinarias.

• La gran mayoría de los modelos propuestos desde

entonces se basan en el paradigma establecido por
Kermack y McKendrick.

13
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• Su característica fundamental es que se trata del primer modelo
compartimental en el que la población es dividida en tres clases
diferentes:

‣ Individuos Susceptibles.

‣ Individuos Infecciosos.

‣ Individuos Recuperados

• Otra aportación extremadamente importante de este trabajo es la

introducción del Teorema Umbral que permite determinar cuando un
brote infeccioso se convierte en epidémico.

14
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• El modelo de Kermack-McKendrick es un modelo SIR:

Suscep'ble Infectado Recuperado

S(t) : Individuos susceptibles en el instante t,

I (t) : Individuos infectados en el instante t,
R(t) : Individuos recuperados en el instante t.

• La población se mantiene constante a lo largo del tiempo:

S(t) + I (t) + R(t) = N .

15
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• En el modelo se tienen en cuenta sólo dos parámetros:

‣ Tasa de infección: a (probabilidad de que un individuo susceptible

se infecte al entrar en contacto con un infectado).

‣ Tasa de recuperación: b = 1/T (T: tiempo promedio de infección) .

a b
Suscep'ble Infectado Recuperado

16
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• Las ecuaciones (discretizadas en el tiempo) del modelo son las
siguientes:

S ( t + 1) = S ( t ) − a ⋅ S ( t ) ⋅ I ( t )
Individuos susceptibles que se han infectado
en el instante de tiempo t
(Principio de acción de masas)

I ( t + 1) = I ( t ) + a ⋅ S ( t ) ⋅ I ( t ) − b ⋅ I ( t )

Individuos infectados que se han recuperado

en el instante de tiempo t
R ( t + 1) = R ( t ) + b ⋅ I ( t )

S ( 0 ) > 0, I ( 0 ) > 0, R ( 0 ) = 0. 17
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• Teorema Umbral: Existe un valor umbral de S(0) por encima del
cual el número de individuos infectados crece, produciéndose una
epidemia:

‣ Si S(0) < b/a entonces el número de individuos infectados

decrecerá progresivamente y el brote desaparecerá (no se producirá
epidemia).

18
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• El Teorema Umbral permite definir el número reproductivo básico:
a
R0 = ⋅ S(0).
b
‣ Si R0 < 1 no se producirá un brote epidémico.

‣ Si R0 > 1 se producirá un brote epidémico.

• El número reproductivo básico se puede definir
como el número de nuevos casos infecciosos
que un único individuo infectado genera en una
población enteramente susceptible durante el
tiempo de duración de la enfermedad (número
de infecciones secundarias).

19
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• Ejemplo: Desarrollo de un brote de gripe en un internado escolar en
1978 en el que convivían N = 763 estudiantes y los parámetros
asociados eran a = 0.00218, b = 0.4404.

personas
���
� ����������������������������������
700 ��
�
�
� �
600

500
�
S(0) = 762,
� �
400 I (0) = 1,
�
300 �� a S(0)
200
�
�� � R0 = = 3.77193 > 1.
�
� �
b
100 �� � �
�� �� ��
�� ����
�������
����������������������������������
��
�� ���������������������������� horas
10 20 30 40 50

20
Ángel  Mar1n  del  Rey,  2013
Aplicaciones: Epidemiología Matemática
• Ejemplo (continuación):

personas
Susceptibles
�������������������������������������������������
700
a = 0.00055,
600

500
b = 0.4404,
400
S(0) = 762,
300 I (0) = 1,
a S(0)
200
R0 = = 0.951635 < 1.
100 b
Recuperados
��������������������������������������������� horas
�������������������������������������������������
����
10 20 30 40 50
Infectados

21
Ángel  Mar1n  del  Rey,  2013
¡Muchísimas gracias por vuestra atención!

¿Alguna pregunta?

22
Ángel  Mar1n  del  Rey,  2013