See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/340037894

Efecto de la cuarentena en la dispersión del COVID-19 en Paraguay mediante

la simulación del modelo SEIR *

Technical Report · March 2020

DOI: 10.13140/RG.2.2.27566.05447

CITATIONS READS

0 4

8 authors, including:

Hyun Ho Shin Pastor Enmanuel Pérez-Estigarribia

Universidad Nacional de Asunción Universidad Nacional de Asunción
4 PUBLICATIONS   0 CITATIONS    16 PUBLICATIONS   107 CITATIONS   

SEE PROFILE SEE PROFILE

Eduardo De Los Santos Jose Luis Vazquez Noguera

University of Concepción Universidad Nacional de Asunción
3 PUBLICATIONS   0 CITATIONS    32 PUBLICATIONS   78 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Procesos ecológicos y geográficos en evolución. View project

AUTOMATIC CLASSIFICATION OF ORANGES BY SIZE AND DEFECTS USING COMPUTER VISION TECHNIQUES View project

All content following this page was uploaded by Hyun Ho Shin on 19 March 2020.

The user has requested enhancement of the downloaded file.

 Efecto de la cuarentena en la dispersión del COVID-19 en
Paraguay mediante la simulación del modelo SEIR *

Hyun Ho, Shina,b

hhs82528@gmail.com

Revisado por: José, Colbesa ; Karen, Colman Nerisc ; Eduardo, De Los Santosa ;
Pastor, Pérez Estigarribiaa ; Carlos, Sauerd ;
Pedro, Torresa ; José Luis, Vázquez Nogueraa,e .
a
Núcleo de Investigación y Desarrollo Tecnológico, Facultad Politécnica, UNA.
b
Aplicaciones Industriales, Facultad de Ciencias Quı́micas, UNA.
c
Editorial Santillana, Asunción, Paraguay.
d
Departamento de Ingenierı́a Industrial, Facultad de Ingenierı́a, UNA.
e
Carrera de Ingenierı́a Informática, Universidad Americana.

19 de marzo del 2020

Resumen
El nuevo coronavirus COVID-19 ha infectado a muchos en corto tiempo, llevando
al colapso el sistema de salud tanto de China y de Italia, y dejando miles de muertos
en todo el mundo. Ante la incertidumbre, en Paraguay está siendo aplicada una fuer-
te polı́tica de cuarentena de 14 dı́as desde el inicio de la epidemia, con el objeto de
aplanar la “curva de infectados”1 . Sin embargo, se sabe poco acerca del efecto real de
la cuarentena. Ası́, un estudio de la dinámica de dispersión de la epidemia puede dar
algunas respuestas que podrı́an guiar a la sociedad y, por consiguiente, la aplicación
de una polı́tica adecuada. Especı́ficamente, en este reporte se analiza el modelo SEIR2
(Susceptible – Expuesto – Infectado – Recuperado) para el estudio de la dinámica de la
dispersión del nuevo coronavirus. A partir de los datos disponibles de casos reportados
en todo el mundo (excepto China) se estiman valores entre 2,0 y 3,5 para el número de
reproducción, que es el promedio de la cantidad de personas que un infectado transmite
la enfermedad, y es uno de los parámetros más importante para el estudio de la disper-
sión de la epidemia. Se realizan simulaciones con algunos de los valores de este número
de reproducción estimado aplicadas a la población del Gran Asunción. Se evalúa el efecto
de la cuarentena de 14 dı́as que se está aplicando reduciendo temporalmente el valor del
número de reproducción, y a partir de los resultados, se comparan la cantidad máxima
de infectados y el momento en que ocurre este máximo. Se concluye que el único efecto de
la cuarentena es retardar el pico de infectados unos 20 dı́as, y por consiguiente, la única
forma de aplanar la curva de infectados es reducir el número de reproducción a valores
por debajo de 1,5 incluso después de que termine la cuarentena, esto es, mantener cierto
distanciamiento social incluso después de que termine la cuarentena. Esto significa que
se necesita de un cambio radical de cultura referente a las interacciones sociales y a las
prácticas de higiene, de todos y cada uno de los individuos que conforman esta sociedad.

Palabras Claves: SEIR, Número de Reproducción, COVID-19.

*
Reporte técnico/informativo preparado para mostrar algunos escenarios posibles y presentar ciertos
asuntos para un debate de posibles estrategias de solución/mitigación.
1
Se refiere a un gráfico ilustrativo presentado por Anderson y colaboradores [1].
2
En inglés Susceptible – Exposed – Infected – Recupered.

1
1. Introducción
A la fecha (19 de marzo de 2020), el nuevo coronavirus (COVID-19) ha producido 231 362
casos reportados en todo el mundo dejando 9 391 muertos3 , con una tasa de mortalidad de
3,4 %4 anunciado por el director general de la Organización Mundial de la Salud (OMS)
el 3 de marzo pasado [2]. Al comparar con una gripe estacionaria, que mata menos de
1 % y que posee vacunas, este nuevo coronavirus tiene mayor tasa de mortalidad con el
agravante de no contar aún con vacunas ni tratamiento especı́fico [2]. Es por este motivo
que nace la necesidad de un modelo matemático y simulación del mismo que evalúe los
posibles escenarios y ası́ analizar los riesgos conjuntamente con la capacidad del sistema
médico/hospitalario del paı́s, pudiendo guiar a una posible mejor estrategia [1, 3].
El modelo SEIR considera la dinámica de la epidemia dividiendo la población en cuatro
grupos: (i) los susceptibles (S: susceptible) son aquellos que podrı́an contraer la enfermedad
al estar en contacto con los infectados; (ii) los expuestos (E: exposed) son los que están en
periodo de incubación y no presentan sı́ntomas, por lo cual no transmitirı́an la infección;
(iii) los infectados (I: infected) son los que presentan sı́ntomas y transmiten la enfermedad; y
(iv) los recuperados o removidos (R: recupered) son los que han sido retirados de la dinámica
del estudio y estos no vuelven a contagiarse de acuerdo con este modelo.
En este modelo se debe considerar al menos tres parámetros: (i) el número de reproduc-
ción R0 , definido como la tasa con que se infecta; es decir, es la cantidad de personas a las
que un infectado podrı́a transmitir la enfermedad durante el periodo que dura los sı́ntomas;
(ii) el periodo de incubación; (iii) el periodo que dura los sı́ntomas. Dada la urgencia de
estudiar el comportamiento y la dinámica de la epidemia, en un tiempo corto han aparecido
varios trabajos presentando algunos resultados con respecto a estos parámetros. Uno de los
primeros fue el trabajo presentado por Li y sus colaboradores [4]. Dichos autores determina-
ron, usando los datos del enero pasado en China, que el periodo de incubación promedio fue
de 5,2 dı́as (95 % intervalo de confianza, 4,1 a 7,0) con el percentil 95 de la distribución en
12,5 dı́as; además, el número de reproducción estimado fue 2,2 (95 % intervalo de confianza,
1,4 a 3,9). Read y sus colaboradores [5] estimaron en 3,11 (95 % intervalo de confianza, 2,39
a 4,13) para el número de reproducción, tomando los datos de periodo similar.
El 31 de enero, Gardner y sus colaboradores [6] presentaron los resultados de simula-
ciones del alcance de este nuevo coronavirus usando un modelo que previamente habı́an
implementado [7]. Para las simulaciones, consideraron cinco dı́as de incubación, cinco dı́as
de recuperación y el número de reproducción siendo 2, basados en el trabajo de Li y cola-
boradores [4]. El denominado “periodo de recuperación” es en realidad el tiempo promedio
en que un infectado transmite la enfermedad, y podrı́a coincidir con el tiempo que dura los
sı́ntomas. Sin embargo, según los datos analizados por Li y colaboradores [4], a partir de la
aparición de los sı́ntomas, en promedio tardan 5 dı́as en tener la asistencia médica, esto es,
a pesar de que el tiempo que dura los sı́ntomas es mayor, al recibir la atención médica se
3
https://www.kff.org/global-health-policy/fact-sheet/coronavirus-tracker/.
4
Con la razón entre la cantidad acumulada de muertos a la fecha y la cantidad acumulada de casos
reportados hace 14 dı́as, que corresponde al tiempo promedio desde que fue confirmada la infección hasta la
muerte, se estima que la tasa de mortalidad estarı́a en torno de 6,5 %.

2
produce eficazmente la cuarentena y por consiguiente dejarı́a de transmitir la enfermedad.
El objetivo de este reporte es presentar algunos escenarios que podrı́an producirse en
una población de 3 millones (aproximadamente la población del Gran Asunción, Paraguay),
usando el modelo SEIR. Para esto, es necesario colocar valores especı́ficos a los parámetros
mencionados. Ası́, en este reporte, para los parámetros de los periodos de incubación y de
recuperación, en ambos se utiliza el valor de cinco dı́as. Para el parámetro del número de
reproducción R0 , se determina un valor aproximado usando algunos datos disponibles de
los casos acumulados en todo el mundo. Con las simulaciones, se analiza el efecto de los 14
dı́as de cuarentena total que se está aplicando en Paraguay.
En la sección 2 se presentan las ecuaciones del modelo SEIR. La sección 3, está dividida
en dos partes: (i) el análisis de la influencia del número de reproducción R0 en la dinámica de
la epidemia usando el modelo SEIR aplicado a los datos disponibles de casos confirmados,
con una estimación bruta del valor de R0 (en la sub-sección 3.1), y (ii) una predicción
aplicada a la cantidad de población del Gran Asunción considerando la cuarentena de 14
dı́as que se está aplicando desde el inicio de la epidemia (en la sub-sección 3.2). Se finaliza
el reporte, con una conclusión y algunas recomendaciones en la sección 4.

2. Modelado
En esta sección, se presentan las ecuaciones del modelo SEIR usado en este reporte,
conjuntamente con las definiciones de las variables. Además, se menciona la selección de los
datos usados para la estimación del número de reproducción.
El modelo SEIR puede ser expresado como sigue:

dS I
= −β S, (1)
dt N
dE I
= β S − αE, (2)
dt N
dI
= αE − γI, (3)
dt
dR
= γI, (4)
dt

donde la variable independiente es el tiempo t medido en [dı́as], S es la cantidad de sus-

ceptibles, E es la cantidad de expuestos (los que están en periodo de incubación), I son los
infectados, R son los removidos, N = S + E + I + R es la población total, β es la tasa de
contagios, 1/α = 5 dı́as corresponde al tiempo promedio de incubación y 1/γ = 5 dı́as es el
tiempo promedio de recuperación. La tasa de contagio está relacionada con el número de
reproducción de acuerdo con β = R0 γ.
Este modelo SEIR no incluye la importación de los infectados del exterior. Ası́, dicho
modelo trata de representar la dinámica de la epidemia en una comunidad cerrada a partir
de una cantidad inicial de infectados y/o de expuestos. La cantidad inicial de los suscep-
tibles coincide con la población entera (exceptuando las cantidades iniciales de infectados
y expuestos), y la cantidad de removidos es nula, la de los infectados se puede obtener a

3
partir de los datos disponibles; sin embargo, la cantidad inicial de los expuestos es un valor
que se desconoce. Las ecuaciones son resueltas usando la función ode45 de Matlab.
Los datos fueron obtenidos a partir de los casos acumulados disponibles en Internet5 .
Se tomaron tres conjuntos de datos:

Los conteos de los casos acumulados de todo el mundo excepto China: Se excluyó
China porque en dos ocasiones ellos han cambiado la polı́tica de conteo de infecta-
dos, produciendo cambios drásticos en la curva de acumulación, que no podı́an ser
representados modificando los parámetros disponibles.

Los conteos de los casos acumulados de la República de Corea (Corea del Sur): Corea
es uno de los paı́ses que más pruebas de casos de coronavirus ha realizado.

Los conteos de los casos acumulados de Italia: también es uno de los paı́ses del Occi-
dente que más pruebas ha practicado.

3. Resultados y Discusión
Primero, se muestran los datos con las simulaciones de los casos mencionados en la
sección anterior. Luego, se procede a un análisis de posibles escenarios en Paraguay.

3.1. Análisis del número de reproducción

En el primer gráfico (Figura 1) se ve los datos extraı́dos de Internet en lı́neas (sin
sı́mbolos), y los resultados de las simulaciones en lı́neas con sı́mbolos (+, ×, ∗). En la abscisa
está el tiempo (en fechas), y en la ordenada se puede observar la cantidad de individuos
infectados acumulados en escala logarı́tmica. Se mantuvieron fijos los tiempos de incubación
y de recuperación, iguales a cinco dı́as. La cantidad inicial de infectados se obtuvo de los
datos correspondientes a la fecha para el inicio de la simulación: (i) para el mundo, se tomó
como inicio de la simulación el 22 de enero, (ii) para Corea, el 19 de febrero, y (iii) para
Italia, el 23 de febrero. Para los casos de Corea e Italia, se eligieron estas fechas porque
antes de estas, las cantidades de infectados se mantienen bajas (ver la figura), significando
que el control y aislamiento del ingreso de nuevos infectados del exterior estaba teniendo
resultados. Sin embargo, en torno a las fechas mencionadas (en cada paı́s), se producen
cambios en las curvas, significando que han comenzado a producir el contagio comunitario.
La cantidad inicial de los expuestos (en incubación) fue modificada hasta conseguir
una pendiente similar a la de los datos disponibles en los primeros 2-3 dı́as. Ası́, para la
simulación del mundo se usó 10 personas expuestas inicialmente, 300 para Corea y 400
para Italia. En este punto hay una limitación, los datos publicados se refieren a infectados,
incluyendo en ciertos casos los que están en el periodo de incubación. Por otro lado, como
las personas que están en periodo de incubación no presentan sı́ntomas, no harı́an el test
y, por consiguiente, no se contabilizarı́an como infectadas. Ası́, es necesario considerar una
5
https://www.kff.org/global-health-policy/fact-sheet/coronavirus-tracker/

4
cierta cantidad de personas como expuestas para tratar de ajustar los resultados del modelo
a los datos disponibles.

Casos: mundo excepto China

105 SEIR
Casos: Corea del Sur
3.4
SEIR
Casos: Italia 2.7
104 SEIR
3.0 0.2
Casos Acumulados

0.9 3.6
4.9
103 3.5 4.1
3.3
2.4
2
10 6.0 R0 = 3.0
1.3 8.7
R0 = 2.0
R0 = 1.0
101
9.8
26/01 02/02 09/02 16/02 23/02 01/03 08/03 15/03
Fecha

Figura 1: Casos reportados acumulados: datos disponibles (https://www.kff.org/

global-health-policy/fact-sheet/coronavirus-tracker/) en lı́neas continuas, los re-
sultados de la simulación en lı́neas continuas con cruces.

De esta forma, el único parámetro que se puede modificar es el valor del número de
reproducción R0 . Este parámetro es caracterı́stico de cada epidemia, pero a su vez, está
asociado al nivel de contacto social que tienen en promedio los individuos de la población
conjuntamente con el ambiente (temperatura y humedad) y la higiene. Con respecto a la
temperatura, existen ciertas especulaciones de que el nuevo coronavirus no sobrevivirı́a en
altas temperaturas. Sin embargo, todavı́a no se han presentados estudios del valor de R0
del nuevo coronavirus en paı́ses con estas caracterı́sticas. Para obtener dichas dependencias,
es necesario recabar más datos, que todavı́a son escasos.
Se han seleccionado, siete fechas para el mundo, cuatro para Corea y cuatro para Ita-
lia, para colocar valores especı́ficos de R0 . Los valores de R0 fueron obtenidos usando la
función fminunc de Matlab para ajustar a los datos disponibles. Ası́, la Figura 1 muestra
los valores de R0 usados encima de la curva de los resultados en las fechas seleccionadas.
Cabe mencionar que la selección de dichas fechas fue algo arbitrario y, dependiendo de la
selección, aparecen ciertas variaciones del valor de R0 . Sin embargo, dichas variaciones, pa-
sada la parte inicial de la simulación (después de los cinco dı́as), se van atenuando. Para
tener una referencia, en la parte inferior derecha se muestran tres rectas con tres valores
del número de reproducción R0 . Como se puede notar, a mayor número de reproducción
corresponde mayor pendiente de la recta, indicando que habrá mayor crecimiento de casos.
Estos números de reproducción se pueden asociar a la cantidad de dı́as necesarios para que
se duplique la cantidad de infectados. Esto es, para R0 = 1,0 se necesita aproximadamente

5
28 dı́as, para R0 = 2,0 aproximadamente ocho dı́as, y para R0 = 3,0 solo cuatro dı́as para
que la cantidad de infectados se duplique.
Los valores elevados de R0 al inicio de las simulaciones es debido al aumento brusco
de los casos al inicio del contagio comunitario, como se puede apreciar las pendientes más
pronunciadas al inicio de las curvas de datos reales. Los efectos de los valores iniciales tienen
un retardo de cinco dı́as, y este retardo también puede verse en los tiempos posteriores a
la modificación de R0 . Por ejemplo, para el caso del mundo, el 27 de enero se modificó
el valor de R0 a 1,3, pero recién a partir del 1 o 2 de febrero la curva toma la pendiente
correspondiente al valor de R0 colocado 5 dı́as antes. Un valor particular de R0 = 4,9 que
se ve el 22 de febrero (caso mundial), se podrı́a explicar por el brote inicial del contagio
comunitario de Corea, Italia e Irán (que no se muestra en el gráfico).
Ası́, observando los valores de R0 para el mundo, y exceptuando los valores particular-
mente elevados de R0 que tiene influencia del brote inicial y de la inexactitud de la cantidad
de expuestos iniciales, se podrı́a decir que el nuevo coronavirus tiene valores de R0 entre
2,0 y 3,5, que está dentro de los rango mencionados en las literaturas citadas. Para que una
epidemia decrezca, es necesario de que el valor de R0 sea menor que 1,0. De esta forma,
por un lado, el valor muy bajo de R0 = 0,2 en Corea es alentadora, pero considerando que
el brote inicial no fue en la capital, todavı́a existe el peligro que aparezcan otros brotes
especialmente en la capital; por otro lado, durante un tiempo considerable, Italia mantuvo
valores elevados de R0 (por encima de 3,0), y las fuertes polı́ticas de cuarentena que están
aplicando parecen estar dando algo de resultado, registrando valores relativamente inferiores
de R0 (igual a 2,7), pero dicho valor sigue siendo elevado. Para reducir el valor de R0 por
debajo de 1,0 partir de 2,7, los italianos deberı́an reducir sus actividades sociales en 2/3, y
ası́, atenuar el crecimiento exponencial de la cantidad de infectados.

3.2. Análisis de escenarios en Paraguay

En Paraguay, estaban registrados seis casos confirmados para el 11 de marzo. Para la
simulación, se considera dicho valor como la cantidad inicial de infectados, y se supone
un valor similar para la cantidad inicial de expuestos. La población total se toma como
3 millones (aproximadamente en Gran Asunción), con los mismos valores de tiempos de
incubación y de recuperación usados anteriormente. El 11 de marzo, se declaró cuarentena
por 14 dı́as, por lo cual, se supone que habrá una disminución de R0 durante dos semanas.
De este modo, se realizaron simulaciones considerando un valor nominal de R0 = 2,0 en todo
tiempo, excepto las dos semanas con R0 = 1,5; 1,0 y 0,5. Con esto, se podrı́an comparar los
efectos de estas dos semanas de cuarentena con el escenario de no haber hecho la cuarentena.
Por otro lado, de acuerdo con el modelo SEIR presentado, la cantidad de infectados
se referı́a a los que tienen sı́ntomas y que pueden transmitir la enfermedad, excluyendo
la cantidad de infectados que están separados de la sociedad (ya sea por cuarentena o
por internación). Ası́, para poder contabilizar la cantidad de infectados reales, se hizo una
pequeña modificación del modelo, para incluir una etapa adicional correspondiente a los
infectados, pero que no transmiten la enfermedad (por cuarentena/internación). El tiempo

6
 106
dos semanas de cuarentena
con reducido valor de R0
105
Cantidad de Infectados por día
104

fuera de la cuarentena R0 = 2,0

3
10

102
Escenario 1: sin plan de contención
Escenario 2: dos semanas con R0 = 1,5
1
10 Escenario 3: dos semanas con R0 = 1,0
Escenario 4: dos semanas con R0 = 0,5
01/04 01/05 01/06 01/07 01/08 01/09 01/10
Fecha

Figura 2: Predicción de la cantidad de infectados en el modelo SEIR en la población de

Gran Asunción para diferentes valores de R0 durante la cuarentena, R0 = 2,0 fuera de la
cuarentena.

promedio que permanecerá en este estado se colocó como nueve dı́as para que sumado a
los cinco dı́as, dé los 14 dı́as que dura en promedio la enfermedad. La Figura 2 muestra
los resultados de la simulación y, en este caso, se muestra la cantidad de infectados (los
que transmiten y los que no transmiten por estar aislados), pero excluyendo los individuos
removidos. Como se puede observar, el único efecto de las dos semanas de cuarentena es
dilatar el pico de la cantidad de infectados. Sin la cuarentena, se observarı́a el pico de
infectados alrededor del inicio de agosto, pero al aplicar la cuarentena con un 25 % de
contacto social (R0 = 0,5), el pico de infectados se retrasa hacia finales de agosto. Los picos
de infectados están en torno de 600 mil personas y, dichas cifras no varı́an mucho aplicando
o no la cuarentena, Según datos disponibles, el 20 % de los infectados necesitan asistencia
médica y 5 % de los infectados, la internación. Esto quiere decir, que el sistema de salud
debe tener la capacidad de proveer por lo menos 30 mil camas de internación adicionales
para dar atención en el momento que ocurra el pico de infectados, y los médicos deberı́an
atender a por los menos 18 mil6 personas diariamente. Hay que mencionar que un valor del
número de reproducción R0 = 2,0 es conservador, siendo que en muchos paı́ses ronda en
torno de 3,0. La situación es menos alentadora si el valor nominal (fuera de la cuarentena)
de R0 es igual a 3,5. Con esto, el pico de infectados ascenderı́a a 1,2 millón entre finales de
mayo y mediados de junio. Reduciendo el valor de R0 a 1,5, se tendrá un pico de 260 mil
infectados entre noviembre y diciembre. Siendo optimista y que al final de este año ya se
tenga algún tratamiento (medicamento) para el nuevo coronavirus este serı́a un escenario
algo alentador.
6
El valor de 18 mil corresponde al 15 % de los 600 mil distribuidos en 5 dı́as.

7
 fuera de la cuarentena
R0 = 3,5
106

dos semanas de cuarentena

R0 = 2,0
R0 = 1,5

Cantidad de Infectados por día

105

104

103

102

sin plan de contención

101 dos semanas de cuarentena con R0 = 0,5
01/04 01/05 01/06 01/07 01/08 01/09 01/10 01/11 01/12
Fecha

Figura 3: Predicción de la cantidad de infectados en el modelo SEIR en la población de

Gran Asunción para tres valores nominales de R0 = 3,5; 2,0 y 1,5: (i) sin plan de contención
(violeta, - -), y (ii) dos semanas de cuarentena con R0 = 0,5 (azul, – · · –).

La Figura 3 muestra los resultados de las simulaciones considerando tres valores nomina-
les de R0 = 3,5; 2,0 y 1,5 en dos situaciones: (i) escenarios de no haber hecho la cuarentena,
manteniendo el valor nominal de R0 en todo tiempo, y (ii) escenarios de haber aplicado las
dos semanas de cuarentena con un valor de R0 = 0,5 solo durante la cuarentena. Se puede
observar que, efectivamente, las dos semanas de cuarentena no consigue reducir el pico de la
cantidad de infectados, y solo desplaza dicho pico en una o dos semanas. Por otro lado, los
valores de R0 fuera de la cuarentena tiene mayor efecto en aplanar la curva de infectados.
Pero la única forma de mantener bajo el valor de R0 para este nuevo coronavirus por un
tiempo bastante prolongado (de varios meses, inclusive hasta el fin de año), es cambiando
radicalmente la cultura referente a las interacciones sociales y a las prácticas de higiene de
todos los miembro que conforman la sociedad.

4. Conclusión
Se analizó el modelo SEIR para estudiar la dinámica de la dispersión de la epidemia
del nuevo coronavirus COVID-19. Se realizaron simulaciones con diferentes valores de R0 ,
tratando de ajustar a los datos disponibles. Los resultados muestran que el valor del número
de reproducción, R0 , para este coronavirus está entre 2,0 y 3,5.
Además, se realizaron simulaciones considerando la población de Gran Asunción, y te-
niendo en cuenta que en el presente momento se está aplicando una cuarentena total de 14
dı́as. Las predicciones de este modelo para el Gran Asunción con valores de R0 entre 2,0 y
3,5 son poco alentadoras si uno espera que dos semanas de cuarentena lograran aplanar la

8
curva de infectados. Ası́, el único beneficio de estas dos semanas de cuarentena es dilatar el
pico de infectados unos 20 dı́as.
Entonces, ¿cuál es la forma efectiva de aplanar la curva de infectados? La única solución
es mantener bajo el número de reproducción R0 , si es posible por debajo de 1,0. Esto es,
inclusive después de que termine estas dos semanas de cuarentena. Si se mantiene el valor
de R0 en 1,5; se puede dilatar el pico hasta noviembre de este año con 260 mil personas
infectadas durante el pico, esta serı́a uno de los mejores escenarios si al final de este año se
consigue algún tratamiento (medicamento) especı́fico.
¿Qué significado social tiene mantener bajo el R0 , o especı́ficamente al valor 1,5 o de-
bajo de 1,0? Actualmente, no se tienen datos acumulados de Paraguay y, por consiguiente,
es difı́cil estimar el valor de R0 para Paraguay. Tampoco se sabe cuánto serı́a el tiempo
promedio, en Paraguay, desde la aparición de los sı́ntomas hasta la puesta efectiva del indi-
viduo a la cuarentena. Una vez que se vayan acumulando los datos de los casos, se podrán
ir estimando los diferentes parámetros del modelo, y especı́ficamente los valores de R0 para
Paraguay, y con esos valores se podrı́a insistir a la población para reducir sus contactos
sociales. Para esto, es necesario contar con datos confiables de los casos acumulados. Por
otro lado, observando los datos de otros paı́ses, para mantener el número de reproducción
R0 por debajo de 1,5 sin la cuarentena, se necesita un cambio radical de la cultura de todos
los individuos de la población, en términos de relaciones sociales y de higiene.
Para vencer la epidemia, todos los miembros que conforman esta sociedad deben ser
sinceros y solidarios ante todos: el Estado debe proveer los datos reales de forma confiable
e indicar las directrices adecuadas en los momentos precisos, y la población debe seguir las
pautas del gobierno. La lucha contra la epidemia, puede que no sea la lucha contra un virus,
podrı́a ser una lucha contra los males de la sociedad.

Nota
Este reporte se centra en un análisis de los efectos que podrı́an tener las dos semanas de
cuarentena que se están aplicando. La cantidad de infectados y el momento en que ocurren
los picos pueden cambiar drásticamente dependiendo de las polı́ticas que se vayan aplicando
y de los comportamientos de todos los individuos que conforman la sociedad. Recientemente,
Pérez-Estigarribia [8] presentó un reporte mostrando un marco para la determinación de
los parámetros de los modelos de dispersión de la epidemia usando los escasos datos de
Paraguay. Las predicciones mostradas por Pérez-Estigarribia [8] usando los parámetros
determinados difieren con las predicciones presentadas en este trabajo. Las diferencias son
debidos, justamente, a la escasez de los datos. Sin embargo, a pesar de las diferencias, ambos
reportes concuerdan en que la cantidad de infectados podrı́an llegar a superar varios cientos
de miles en cuestión de unos meses.
Como autor de este reporte podrı́a dar algunas sugerencias: (i) hasta que se tenga
suficientes datos acumulados, se tome como un análisis cualitativo (y no tanto, cuantitativo)
los resultados mostrados en este reporte y en el de Pérez-Estigarribia [8]; (ii) a los que
están en posición de aplicar las polı́ticas, considerar que estos resultados cualitativos ya son

9
 bastante alarmantes, y que si no se aplican polı́ticas adecuadas en momentos precisos pueden
darse escenarios peores. Además, la recolección de datos, haciendo la mayor cantidad de test
de los casos posibles y llevando registros de la evolución de los casos confirmados, es esencial
para aumentar la precisión de los modelos de dispersión de la epidemia, esto ciertamente
podrá ayudar a tomar decisiones acertadas, y (iii) a los individuos de la población, mantener
la calma centrándose en la higiene personal, y la de los lugares y personas con las que tienen
contacto.

Referencias
[1] R. M. Anderson, H. Heesterbeek, D. Klinkenberg, and T. D. Hollingsworth. How will
country-based mitigation measures influence the course of the COVID-19 epidemic? The
Lancet, 2020. doi:10.1016/S0140-6736(20)30567-5.

[2] WHO. WHO Director-General’s opening remarks at the media briefing on COVID-
19 – 3 march 2020, 3 de marzo de 2020. https://www.who.int/dg/speeches/
detail/who-director-general-s-opening-remarks-briefing-on-COVID-19/
3-march-2020.

[3] A. J. Kucharski, T. W. Russell, C. Diamond, Y. Liu, J. Edmunds, S. Funk, R. M. Eggo,

and Centre for Mathematical Modelling of Infectious Diseases COVID-19 working group.
Early dynamics of transmission and control of COVID-19: a mathematical modelling
study. The Lancet Infectious Diseases, 2020. doi:10.1016/S1473-3099(20)30144-4.

[4] Q. Li, X. Guan, P. Wu, X. Wang, L. Zhou, Y. Tong, R. Ren, K. S. M. Leung,

E. H. Y. Lau, J. Y. Wong, et al. Early transmission dynamics in Wuhan, China,
of novel coronavirus–infected pneumonia. New England Journal of Medicine, 2020.
doi:10.1056/NEJMoa2001316.

[5] J. M. Read, J. R. E. Bridgen, D. A. T. Cummings, A. Ho, and C. P. Jewell. Novel

coronavirus 2019-nCoV: early estimation of epidemiological parameters and epidemic
predictions. medRxiv, 2020. doi:10.1101/2020.01.23.20018549.

[6] L. Gardner. Update january 31: Modeling the spreading risk of 2019-nCoV, 2020. URL
https://systems.jhu.edu/research/public-health/ncov-model-2/.

[7] A. Zlojutro, D. Rey, and L. Gardner. A decision-support framework to optimi-

ze border control for global outbreak mitigation. Scientific reports, 9(1):1–14, 2019.
doi:10.1038/s41598-019-38665-w.

[8] P. E. Pérez-Estigarribia. Dinámica temprana de COVID-19 en Paraguay. Reporte técni-

co, semana 1. Technical report, Universidad Nacional de Asunción, Marzo 2020.

10

View publication stats