5/11/2020 README.

md - Grip

 README.md

Population based Simulation using graphs

Esta simulacion esta basada en los siguientes trabajos

DELPHI model
SEIRSplus_Model
SIR model on a dynamical network and the endemic state of an infectious disease
https://andrewmellor.co.uk/blog/articles/2014/12/19/gillespie-epidemics/

DELPHI model

DELPHI (Differential Equations Leads to Predictions of Hospitalizations and Infections) is a compartmental model that is based on
the widely successful SEIR model, but with many additions to account for realistic effects. In particular there are two important effects
Underdetection and Governmental Response. Taken from DELPHI model.

Es importante señalar que esta versión del modelo es determinista y supone una población uniformemente mezclada. Las ecuaciones de
modelo son:

Las tasas de transición entre los estados vienen dadas por los parámetros:

β: velocidad de transmisión (transmisiones por contacto entre personas Suceptibles e Infectadas por tiempo)
ri: tasa de progresión (inverso al período de incubación)
1/3
5/11/2020 README.md - Grip

rd: tasa de detection de la enfermedad

pd: probabilidad de detection de la enfermedad usando una prueba
ph: probabilidad de que una persona a la que se le detecto la enfermedad sea hospitalizada
rri: tasa de recuperación sin hospitalización.
rh: tasa de recuperación con hospitalización
rdth: tasa de muertes (inverso del tiempo hasta la muerte para los pacientes moribundos.)
pdth: tasa de mortalidad

Network DELPHI model

Es importante tener en cuenta los efectos estocásticos y la estructura de las redes de contacto cuando se estudia la transmisión de
enfermedades y el efecto de intervenciones como el distanciamiento social y la localización de contactos. Para se utilizaremo grafos para
simular a la poblacion y sus contactos.

Considere un grafo G que representa a los individuos (nodos) y sus interacciones (bordes).
Cada individuo (nodo) tiene un estado (S, E, I, H, Q, R, o F). El conjunto de nodos adyacentes
(conectados por un borde) a un individuo define su conjunto de "contactos cercanos" (resaltados
en negro). En un momento dado, cada individuo hace contacto con un individuo al azar de su
conjunto de contactos cercanos con probabilidad (1-p)β o con un individuo al azar de cualquier
lugar de la red (resaltado en azul) con probabilidad pβ. Estos últimos contactos globales
representan individuos que interactúan con la población en general (es decir, individuos fuera de
su círculo social, como en el transporte público, en un evento, etc.) con cierta probabilidad.
Cuando un individuo susceptible interactúa con un individuo Infeccioso pasa al estado Expuesto.

¿Como considerar cuarentenas en el modelo?

También consideramos otro grafo Q que representa las interacciones que cada individuo tiene si
da positivo en la prueba de la enfermedad y entra en una forma de cuarentena. La cuarentena
tiene el efecto de elminar una fracción de los bordes que conectan al individuo en cuarentena
con otros. Los bordes de Q (resaltados en púrpura) para cada individuo son entonces un
subconjunto de los bordes normales de G para ese individuo. El conjunto de nodos adyacentes
a un individuo en cuarentena define su conjunto de "contactos de cuarentena" (resaltados en
púrpura). En un momento dado, un individuo en cuarentena puede entrar en contacto con otro
individuo de este conjunto de contactos de cuarentena con probabilidad (1-p)β. Un individuo en
cuarentena también puede entrar en contacto con un individuo al azar de cualquier lugar de la
red con probabilidad qpβ.

Ecuaciones de modelo
Cada nodo i tiene un estado Xi que se actualiza de acuerdo a las siguientes tasas de transición de probabilidad:

donde CG(i) y CQ(i) denota el conjunto de contactos cercanos y contactos de cuarentena del nodo i, respectivamente.

Ejemplo del modelo

2/3
5/11/2020 README.md - Grip

3/3