Entrar (https://www.monterrey.cinvestav.mx/msantillan/Login?

returnurl=%2fmsantillan%2fCoronavirus)

Registro (https://www.monterrey.cinvestav.mx/msantillan/Register?
returnurl=https%3a%2f%2fwww.monterrey.cinvestav.mx%2fmsantillan%2fCoronavirus)

Coronavirus en México en Tiempo Real

Evolución de la epidemia de coronavirus en México en tiempo real
Moisés Santillán

Actualización al 3 de abril de 2020

El 28 de febrero de 2020, la Secretaría de Salud reportó los primeros casos positivos de

coronavirus en México. En la Figura 1 gra co la evolución de los casos positivos reportados
diariamente por la Secretaría de Salud (hasta el día de ayer), así como la de casos activos (es
decir, casos positivos, menos decesos, menos pacientes recuperados). Sin embargo, el
número de casos activos está sobreestimado porque no he encontrado reportes con ables
de la evolución de pacientes recuperados.

Figura 1.
Evolución del número de casos positivos con rmados o cialmente en
México, así como del número de casos activos.
En la grá ca podemos ver que desde el 10 de marzo, ha habido un incremento sostenido del número de
casos con rmados. Con el n de identi car si la epidemia en México está creciendo exponencialmente, gra
qué los mismos datos en una escala logarítmica. Los resultados se presentan en la Figura 2. Como en
dicho tipo de grá cas, las curvas exponenciales aparecen como líneas rectas, podemos ver que la
epidemia en México no está creciendo exponencialmente, y que de hecho la tasa porcentual de
crecimiento (que corresponde a la pendiente de la curva) ha ido disminuyendo paulatinamente.

Figura 2.
Grá ca en
escala

semilogarítmica de los datos casos positivos de coronavirus reportados hasta el día de ayer, y el
correspondiente ajuste.

En la Figura 2 también podemos apreciar que la curva de datos de casos positivos reportados se ajusta
bien a la función n(t-10), de nida como n(t) = a exp(b(t) t), con b(t) = exp(c t^.75) la tasa de crecimiento
porcentual. En la Figura 3 gra co la evolución temporal de b(t), así como el tiempo de duplicación de la
epidemia, que se calcula como ln(2) / b(t).
 Figura 3. Evolución del valor estimado para la tasa de crecimiento porcentual y del tiempo de
duplicación de la epidemia.

Observen que la tasa de crecimiento porcentual ha disminuido paulatinamente desde aproximadamente

el 45% en los primeros días, hasta aproximadamente el 20%, hoy en día. Este comportamiento es muy
bueno, pues signi ca una desaceleración en el ritmo de aparición de nuevos casos positivos. En las etapas
tempranas de la epidemia estos números no representan una gran diferencia. Si hay 100 casos positivos,
al siguiente día habrá 145 en el primer escenario, y 120 en el segundo. Pero si, por ejemplo, hay 20,000
casos con rmados (y nosotros llegaremos a esos números), una tasa del 45% signi caría 9,000 casos
nuevos diarios, en tanto que con una tasa del 20% aparecerían 4,000 nuevos casos cada día. Es fácil ver
como el primer escenario conduce a una pronta saturación del sistema de salud. El segundo escenario no
es tan drástico, pero aún ocasiona el colapso del sistema.
Necesitamos disminuir la tasa crecimiento de la epidemia mucho más; los países que la han controlado,
lo han hecho bajando la tasa de crecimiento porcentual a 0.05 o menos.

Otro factor que es importante de tomar en cuenta es que el número actual de personas infecciosas es
mayor al número de casos con rmados o cialmente. La razón es que todos los casos con rmados son
diagnosticados hasta días después de que fueron infectados, y las personas portadoras del virus son
contagiosas, aunque no presenten síntomas. Es decir, el número actual de casos con rmados es en
realidad una fotografía antigua del estado de la epidemia. Para tener una idea de qué tan grande es la
subestimación, es necesario saber qué tan largo es el retraso. Para ello, podemos hacer uso de el reporte
de casos con rmados de la Secretaría de Salud. En una de las columnas se especi ca la fecha en que los
pacientes presentaron los primeros síntomas. Con estos datos, es posible construir una grá ca del
número acumulado de personas que empezaron con los síntomas hasta una fecha determinada. Con la
invaluable ayuda de Mario Conde, quien se dio a la tarea de rastrear la información para completar las
tablas del INDRE, añadiendo una columna con la fecha de con rmación de cada caso, pude calcular el
número de días promedio entre la aparición de los primeros síntomas y la con rmación o cial de los
casos. Según este cálculo, el retraso promedio es de 9 días.
Una vez conocido
el retraso que hay
entre la infección
y la con rmación
de un caso, es
posible

extrapolar la función de ajuste del número de casos reportados, para estimar el número actual de
portadores del virus. Dicha estimación se muestra en la Figura 4. Podemos ver que, gracias a que no se
ha mantenido la tendencia exponencial, las cosas son bastante menos dramáticas ahora. Esto también se
ve re ejado en el hecho de que, alrededor del 10 de marzo, el número de casos reales era más de 20
veces más grande que el número de casos positivos reportados, en tanto que hoy en día, esta diferencia
se ha reducido a un factor de más o menos 3. Estimo que actualmente tenemos alrededor de 4,000
casos positivos, en lugar de las decenas de miles que tendríamos si se hubiera mantenido el crecimiento
exponencial.
Figura 4. Grá ca en escala semilogarítmica de los datos casos positivos de coronavirus reportados
hasta el día de ayer, y el ajuste correspondiente. La línea verde corresponde a la estimación de
casos positivos actuales.

En la Figura 5, muestro la comparación entre la evolución de la epidemia en México y otros países. Se

puede ver que nuestra tendencia no es la misma que la de España, Estados Unidos o Italia, que sería un
escenario muy desalentador para nosotros. La epidemia en México también está creciendo más lentamente
que en Brasil. Sin embargo, no hemos podido manejar la epidemia tan bien como lo hizo Japón. Ayer se
cumplieron 10 días del inicio de la Jornada Nacional de Sana Distancia. Y el 5 de abril se cumplen 10 días del
llamado a quedarse en casa. Tomando en cuenta el retraso arriba descrito, yo esperaría que la tasa de
crecimiento porcentual decrezca paulatinamente. Y de eso parece estar sucediendo, pues como se aprecia
más abajo, en la tabla de predicciones diarias, el número de casos reportados en los últimos días ha estado
consistentemente por abajo de el valor predicho. Figura 5. Comparación de la evolución de la epidemia en
México con otros países. Las curvas se han alineado de manera que el tiempo cero corresponda al primer
día en que se superaron los cien casos. Esta forma de comparar las curvas entre países (alineándolas al
momento en que se alcanzó un número determinado de casos positivos) es en cierta medida equivalente a
normalizarlas con respecto a dicho número, y por lo tanto elimina errores sistemáticos debidos a el uso de
diferentes metodologías de muestreo en la aplicación de las pruebas. Así, aunque el número de casos
positivos reales esté subestimado por diferentes factores, esta grá ca nos permite comparar la evolución de
las tendencias de crecimiento de manera objetiva.

He podido conseguir las series de tiempo de la Ciudad de México, Nuevo León y Yucatán. Podemos ver en la
Figura 6 que el crecimiento en las tres entidades inició a un ritmo más lento que a nivel nacional. Esto podría
deberse a que, una vez que la epidemia llega a un estado, la gente comienza a tomar precauciones casi de
inmediato. Sin embargo, en los demás estados la gente había continuado con su vida normal, cosa que
podría haber facilitado el contagio. Otra cosa que llama la atención es que las curvas de crecimiento de
Nuevo León y Yucatán se han aplanado bastante, mientras que la de la Ciudad de México sigue con una
tendencia creciente. Esto podría deberse a que Yucatán y Nuevo León empezaron a imponer medidas de
distanciamiento social y cuarentena más de una semana antes que en el resto del país.
 Figura 6.

Comparación de la evolución de la epidemia de coronavirus a nivel país, con la Ciudad de México, y

los estados de Nuevo León y Yucatán. Las curvas se alinearon de forma que el tiempo cero
corresponde al momento en que se sobrepasaron los veinte casos positivos reportados.

De lo expuesto anteriormente, podemos ver que tenemos ciertas razones para estar optimistas. Sin
embargo, nuestro optimismo debe de ser moderado. Cuando aparece una enfermedad nueva, para la
que no hay cura ni vacuna y además es muy contagiosa
(justamente las características del SARS COVID-19), es imposible impedir una epidemia global (una
pandemia). La epidemia se detiene en cada país sólo hasta que una proporción importante de la
población se ha infectado, y entonces se convertirá en una más de las enfermedades respiratorias que
con las que convivimos. Eso es justo lo que pasó con la pandemia del virus AH1N1 hace 11 años. A
menos que pronto aparezcan una vacuna o un antiviral efectivo, lo único que podemos hacer es
administrar qué tan rápido se va a propagar la epidemia en nuestro país. Si se propaga demasiado rápido,
pronto vamos a tener más enfermos de los que nuestro sistema de salud puede atender, y muchos
pacientes de esta y otras enfermedades morirán por no haber recibido atención médica oportuna. Si
logramos que la velocidad de contagio baje lo su ciente, podremos garantizar atención médica oportuna a
todos los que lo requieran. Pero que no nos quede duda. Va a haber más y más casos positivos. Y
llegaremos a las decenas, o tal vez centenas, de miles. Y eso nos va a afectar mucho como país en todos los
aspectos. La idea es, mitigar la afectación lo más posible.
¿Qué podemos hacer? Dadas las circunstancias, la herramienta más e ciente para desacelerar la
epidemia es el distanciamiento social. Manejado correctamente, puede garantizar que el número de
pacientes enfermos simultáneamente nunca sea tan grande que sature nuestros hospitales. Pero no
todo es miel sobre hojuelas, pues una curva de crecimiento lenta también signi ca que debemos de
prepararnos para mantener nuestros esfuerzos por un tiempo prolongado. Para explicar lo anterior,
desarrollé un modelo matemático que simula la propagación de una epidemia con características
dinámicas similares a la actual de coronavirus. La epidemia se propaga en una red en la que los enlaces
entre nodos tienen una distribución análoga a la de las redes sociales. En dicha red, los nodos
representan familias, y los enlaces entre nodos corresponden a las interacciones entre integrantes de
familias diferentes, que pueden dar lugar a contagios.

Figura 7.

Resultados de la simulación de una epidemia con características similares a la actual de

coronavirus, en una red con una distribución de enlaces por nodo análoga a las redes sociales.
En la Figura 7 podemos ver los resultados de una simulación típica en la que no hay ningún tipo de
intervención. Podemos ver que, al principio, la epidemia progresa de manera exponencial. Pero
eventualmente se detiene y luego empieza a disminuir. La razón de la desaceleración y la posterior caída
en el número de individuos infectados/contagiosos, es que eventualmente se agotan los individuos
susceptibles de ser contagiados (pues la gran mayoría ya se infectaron y/o se recuperaron). Uno podría
pensar que este comportamiento no representa un problema, pues la epidemia se extingue sola. Sin
embargo, podemos notar que en enfermedades tan contagiosas como el coronavirus, en determinado
momento más la mitad de la población puede estar infectada simultáneamente. Por lo tanto, aunque la
fracción de individuos que requieran atención hospitalaria sea baja, un bajo porcentaje de la mitad de la
población son muchas, muchas personas, que saturan cualquier sistema hospitalario.

Figura 8. Simulación de diferentes escenarios de cuarentena y distanciamiento social, y

comparación con el caso en el que no se interviene en la dinámica de la epidemia.

En la Figura 8 se presentan los resultados de diferentes escenarios de políticas encaminadas a retrasar el

avance de la epidemia en la red. Una de las estrategias consideradas es poner en cuarentena a la mitad
de las familias (esto se consigue eligiendo al azar la mitad de los nodos, e impidiendo que interactúen
con el resto). Aunque suene conservador, poner en cuarentena a una fracción grande de la población es
difícil de conseguir en un estado democrático. Por otra parte, nuestras ciudades necesitan que muchas
personas salgan a trabajar para seguir funcionando. En la simulación podemos ver que, aunque una
cuarentena de esta magnitud logra atenuar la epidemia, no es su ciente. En algún momento, una
fracción elevada de la población se enferma simultáneamente. Lo mismo sucede si, mediante el
distanciamiento social, se consigue que las familias reduzcan al 50% sus interacciones con otras familias
(esto se simula generando redes en las que el número promedio de enlaces por nodo disminuye al 50%).
Sin embargo, si se combinan ambas estrategias, es posible aplanar mucho, mucho la curva de
infecciosos, de manera que los hospitales nunca se saturen. Pero este éxito tiene un precio. En lugar de
que el pico de infección ocurra en un mes, aparece hasta los tres meses. La razón de esto es que, como
dije anteriormente, una epidemia se extingue hasta que se acaban los individuos susceptibles. Así, si
aplanamos la curva de infecciosos, disminuyendo la tasa de contagios, los individuos susceptibles tardarán
más en agotarse, y la epidemia durará mucho más tiempo.
En conclusión, debemos de prepararnos y ser pacientes. Esto va para largo, sobre todo si logramos
controlar la epidemia. Entiendo perfectamente que pasar tres meses encerrados en nuestras casas es una
tarea titánica. Sin embargo, si en el siguiente mes logramos que el tiempo de duplicación supere los diez
días, probablemente podamos empezar a relajar las restricciones poco a poco. Pero tendremos que ser
muy cuidadosos por al menos tres meses más. Mal haríamos si pensamos que en unas pocas semanas
volveremos a hacer nuestra vida normal, pues la epidemia podría repuntar, y todo el esfuerzo hecho hasta
ahora sería en vano.

A partir del ajuste realizado, estimo que al nal de la jornada, el número de casos con rmados a nivel
nacional será de alrededor de 1,690. A continuación, presento las tablas de predicciones diarias, y los
datos o ciales reportados posteriormente.

Día Predicción Reporte

16/3 84 82
17/3 125 93
18/3 150 118
19/3 150 164
20/3 218 203
21/3 267 251
22/3 324 316
23/3 403 367
24/3 440 405
25/3 452 475
26/3 537 585
27/3 720 717
28/3 850 848
29/3 990 993
30/3 1,115 1,094
31/3 1,240 1,215
1/4 1,425 1,378
2/4 1,560 1,510
3/4 1,690

Versiones anteriores:

2 de abril de 2020 (/msantillan/Coronavirus-4-2-2020)

1 de abril de 2020
(/msantillan/Coronavirus-4-1-2020)
31 de marzo de 2020 (/msantillan/Coronavirus-3-31-2020)
30 de marzo de 2020 (/msantillan/Coronavirus-3-30-2020)
29 de marzo de 2020 (/msantillan/Coronavirus-3-29-2020)
28 de marzo de 2020 (/msantillan/Coronavirus-3-28-2020)
27 de marzo de 2020 (/msantillan/Coronavirus-3-27-2020)
26 de marzo de 2020 (/msantillan/Coronavirus-3-26-2020)
24 de marzo de 2020 (/msantillan/Coronavirus-3-24-2020)
23 de marzo de 2020 (/msantillan/Coronavirus-3-23-2020)
22 de marzo de 2020 (/msantillan/Coronavirus-3-22-2020)
21 de marzo de 2020 (/msantillan/Coronavirus-3-21-2020)
20 de marzo de 2020 (/msantillan/Coronavirus-3-20-2020)
19 de marzo de 2020 (/msantillan/Coronavirus-3-19-2020)
18 de marzo de 2020 (/msantillan/Coronavirus-3-18-2020)
17 de marzo de 2020 (https://avanceyperspectiva.cinvestav.mx/evolucion-de-la-epidemiade-coronavirus-
en-mexico-en-tiempo-real/)

Copyright 2020 Cinvestav

Términos de Uso (https://www.monterrey.cinvestav.mx/msantillan/Terms) | Declaración de Privacidad
(https://www.monterrey.cinvestav.mx/msantillan/Privacy)