Predicción de casos confirmados del

COVID-19 en el Perú

Informe
Actualización al 05 de abril del 2020
Resumen de la predicción del COVID-19 en el Perú

PREDICCIÓN DE CASOS CONFIRMADOS

12,000 • Se corrigen las predicciones al alza, el aplanamiento

de la curva sucedería en la primera semana de mayo.
10,000 • El aplanamiento de la curva NO es equivalente al
levantamiento de la cuarentena, medida que
8,000
corresponde al Estado.

• Los casos totales estimados (en un horizonte de un mes)

6,000 estarían en un rango entre los 5 mil y 10 mil casos, con un
esperado de 6.8 mil casos.
4,000 • La corrección de las proyecciones responde al incremento
de los casos en la última semana por encima de lo
2,000
previsto y al riesgo de casos ocultos dado la limitada
aplicación de test.

0 • A pesar de esta corrección al alza, el Perú viene

16-Mar 31-Mar 15-Abr 30-Abr 15-May 30-May reportando un ritmo de expansión del virus menor a los
países de la región.
Casos reales Predicción Intervalo de
confianza al 90%

2
1. Evolución del COVID-19 en el Perú

Luego de 3 semanas del inicio de la cuarentena, se ha mantenido el ritmo creciente de casos confirmados y activos 1/; considerando
el periodo de incubación promedio de 2 semanas, los casos reportados de la última semana corresponderían en su mayoría a
contagios durante la cuarentena. Los fallecimiento al igual que la letalidad 2/ también han ido en aumento.

CASOS CONFIRMADOS Y CASOS ACTIVOS FALLECIDOS Y PACIENTES EN UCI

2,500 100
2,281

2,000 80
Letalidad: 3.6%
05 de abril

1,500 60
1,209

1,000 40

500 20

Letalidad: 1.6%
26 de marzo
0 0
16-Mar 21-Mar 26-Mar 31-Mar 05-Abr 16-Mar 21-Mar 26-Mar 31-Mar 05-Abr

Casos confirmados Casos activos 1/ Fallecimientos Pacientes UCI

Nota: 1/ Casos activos = Casos confirmados – recuperados – fallecimientos. 2/ Letalidad = Fallecimientos / casos confirmados. Fuente: OMS, Ministerio de Salud del Perú. Para mayor
3
detalle de las estadísticas nacionales y por región puede ir al Dashboard del Ministerio de Salud en https://covid19.minsa.gob.pe/sala_situacional.asp.
2. Análisis de posibles casos ocultos del COVID-19

Existe el riesgo que la trayectoria observada de casos confirmados no refleje los casos reales de COVID-19. Los casos ocultos 1/
podrían ser más del doble de lo observado, ampliando la senda de contagio y dificultando la contención del virus en el corto plazo.
La aparente alta tasa de letalidad estaría señalando este problema.

CASOS CONFIRMADOS Y POSIBLES CASOS OCULTOS PERÚ Y PAÍSES CON APLICACIÓN MASIVA DE TEST

8,000
Test por millón de habitantes
16,000

12,000
6,000
8,000

4,000
588 Promedio mundial: 1,564
4,000 0
Perú Singapur Canada Corea del Alemania Australia Hong Kong
Sur
Letalidad
4.0% 3.6%

2,000 3.0%
Letalidad del COVID-19
2.0%
con casos ocultos: 1.4% 2/
1.0%
0 0.0%
16-Mar 21-Mar 26-Mar 31-Mar 05-Abr Perú Singapur Canada Corea del Alemania Australia Hong Kong
Sur
Casos confirmados Posibles casos ocultos

Nota: 1/ Casos ocultos = casos totales con casos ocultos – casos confirmados. Casos totales con casos ocultos = fallecimientos / letalidad con casos ocultos (1.4%). 2/ Letalidad estimada
4
del COVID-19 corrigiendo por casos ocultos para China y otros países a marzo del 2020 (Verety et al, 2020). Fuente: OMS, Ministerio de Salud del Perú.
3. Comparación del Perú con otros países

Aun con el incremento de casos en la última semana, Perú goza de una mejor trayectoria respecto a sus pares de Latinoamérica. La
curva de nuevos casos por semana, que es un indicador de la evolución del contagio, no parece llegar todavía al pico de infección,
siguiendo una expansión más lenta que el promedio de la región y países que contuvieron rápidamente el COVID-19. 1/

CASOS CONFIRMADOS POR PAÍS CASOS NUEVOS POR SEMANA POR PAÍS
China
100,000 100,000

Brasil
10,000 10,000
Brasil
Corea
Chile del Sur China
Ecuador
Chile
México
Ecuador
1,000 Colombia 1,000
México
Colombia Corea
del Sur

Días desde el caso número 100 Días desde 100 casos nuevos en una semana
100 100
1 5 9 13 17 21 25 29 33 37 41 45 1 5 9 13 17 21 25 29 33 37 41 45

Perú Países Latam Países que contuvieron Perú Países Latam Países que contuvieron
COVID-19 COVID-19

Nota: 1/ En un caso ideal, se debe procurar alcanzar rápidamente un pico y con pocos casos detectados. De no ser posible, una lenta expansión favorece la capacidad de respuesta de los
5
servicios sanitarios, siempre que el pico no supere la capacidad disponible. Fuente: OMS, Ministerio de Salud del Perú.
4. Predicción de casos confirmados del COVID-19 en el Perú

Se actualizan al alza las proyecciones respecto a la semana anterior 1/. La zona de aplanamiento de la curva se alcanzaría en la
primera semana de mayo. En tanto, el pico de nuevos casos infectados podría alcanzarse en la segunda semana de abril. El
aplanamiento de la curva NO es equivalente al levantamiento de la cuarentena, medida que corresponde al Estado.

PREDICCIÓN DE CASOS CONFIRMADOS PREDICCION DE CASOS NUEVOS POR SEMANA

12,000 2,500

10,000
2,000

8,000
1,500

6,000

1,000
4,000

500
2,000

0 0
16-Mar 31-Mar 15-Abr 30-Abr 15-May 30-May 16-Mar 31-Mar 15-Abr 30-Abr 15-May 30-May

Casos reales Predicción Intervalo de Casos reales Predicción Intervalo de

confianza al 90% confianza al 90%

Nota: 1/ En la proyección anterior se estimada que el aplanamiento de la curva sucedería en la última semana del mes de abril. Fuente: OMS, Ministerio de Salud del Perú.
6
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: Se observa dos características de los datos: (i) 𝐶(𝑡) es medido imprecisamente cuando el número de nuevos
test realizados (𝑇𝑒𝑠𝑡𝑡 ) registra un nivel bajo; (2) las observaciones más recientes son las que brindan mayor información
sobre la evolución futura de 𝐶(𝑡). Entonces, buscando descontar las observaciones que son medidas con imprecisión y a su
vez priorizando las observaciones recientes para la predicción, se considera el estimador de mínimos cuadros ponderados
no lineales donde los pesos son formulados de la siguiente manera 𝑤 𝑡 = 𝜃 𝑇−𝑡 𝑇𝑒𝑠𝑡𝑡 que recoge estas dos características.
Otras parametrizaciones de pesos ha sido estudiadas en Steude (2011), Pesaran, Pick y Pranovich (2013), Romano y Wolf
(2017), Miller y Startz (2018), entre otros.
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.

7
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.

• Miller, Steve, and Richard Startz. (2018). Feasible Generalized Least Squares Using Machine Learning. Available at SSRN
2966194.

• Pesaran, M Hashem, Andreas Pick, and Mikhail Pranovich. (2013). Optimal forecasts in the presence of structural breaks."
Journal of Econometrics, 177(2): 134:152.

• Romano, Joseph P, and Michael Wolf. (2017). Resurrecting weighted least squares. Journal of Econometrics, 197(1): 1:19.

• Steude, Sven C. (2011). Weighted maximum likelihood for risk prediction. NCCR FINRISK, , (689).

• Verity, R., Okell, L. C., Dorigatti, I., Winskill, P., Whittaker, C., Imai, N., ... & Dighe, A. (2020). Estimates of the severity of
coronavirus disease 2019: a model-based analysis. The Lancet Infectious Diseases.

• 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.

8
Notas finales

• El presente reporte no tiene fines comerciales, sino informativos y de acceso público dado la coyuntura actual del COVID-19.
El estudio ha sido realizado por el equipo de Apoyo Analytics con la colaboración ad honorem de Jairo Flores Audante de la
Universidad Pompeu Fabra y BCRP 1/.

• Apoyo Analytics es una unidad de negocio de Apoyo Consultoría dedicada a brindar soluciones de analítica avanzada a partir
del conocimiento del negocio y del entorno. El equipo está compuesto por Susana Cáceres, Saied Esmaili, Anthony Gómez,
Ángel Guillén, Erick Oré y Jesús Torres.

• Jairo Flores es estudiante del doctorado en economía de la Universidad Pompeu Fabra de Barcelona y master en economía
de la Pontificia Universidad Católica del Perú, se especializa en temas de econometría de series de tiempo, forecasting y
macroeconomía aplicada.

• La predicción emplea la información oficial disponible del Ministerio de Salud y la OMS al 05 de abril del 2020. El primer
reporte fue realizado el 24 de marzo del 2020. La lista completa de reportes se encuentran en un repositorio virtual.

• Para mayor información contactar a:

Ángel Guillén
Director de Analytics
aguillen@apoyoconsultoria.com

Nota: 1/ Los puntos de vista expresados en este documento no reflejan necesariamente la opinión del Banco Central de Reserva del Perú.
9