Академический Документы
Профессиональный Документы
Культура Документы
S I R
indica que los individuos evolucionan en las etapas SIR pero, ademas
se toman en cuenta efectos demogracos: nacimientos (todos los recien
nacidos son susceptibles) como entradas y mortalidad (en los tres com-
partimientos) como salidas.
Si S es el n umero total de individuos susceptibles e I es el n umero de
individuos infecciosos, entoces el n umero total de contactos infecciosos
i
i
LMN5 2012/5/17 13:26 page 38 #50
i
i
i
i
i
i
38 Jorge X. Velasco-Hernandez
es proporcional a SI. Sea una constante de proporcionalidad; esta
constante se puede descomponer en dos factores
= c,
con c el n umero de contactos por individuo por unidad de tiempo y
la probabilidad de que un contacto transmita exitosamente la infeccion.
Luego, el n umero de contactos infecciosos por unidad de tiempo es
SI.
Consideremos, para jar ideas, una enfermedad de tipo SIR. Las
tasas de cambio del n umero de individuos en la clase epidemiologica u
tiene la forma
d
dt
u(t) = entradas salidas,
donde las entradas representan nacimientos, inmigracion o entrada de
individuos de un estadio de salud previo a u. Las salidas representan
muerte, emigracion o salida de individuos del estado de salud u.
2.3.1. Primer modelo
Denicion de brote epidemico: la tasa de cambio del n umero de per-
sonas enfermas es positiva; es decir,
dI
dt
> 0.
Observaciones:
a) el n umero de infecciones inicial es generado por un n umero peque no
de gente enferma;
b) la poblacion susceptible nunca ha estado expuesta al patogeno;
c) la poblacion susceptible es homogenea con respecto a su vulnera-
bilidad respecto del patogeno (no hace diferencia el sexo, la edad,
precondiciones medicas, geneticas, etc).
i
i
LMN5 2012/5/17 13:26 page 39 #51
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 39
Pasemos ahora a describir nuestro primer modelo matematico de una
enfermedad infecciosa.
Concentrandonos puramente en procesos epidemicos (y no demogra-
cos) tenemos
d
dt
S = SI,
d
dt
I = SI I,
d
dt
R = I
donde es la tasa de curacion. Observemos que
d
dt
S +
d
dt
I +
d
dt
R = 0,
lo que implica que N = S +I +R, la poblacion total, es constante.
Siguiendo el enfoque de Thieme [7] podemos normalizar las pobla-
ciones deniendo
x =
S, y =
I, z =
R
para obtener el nuevo sistema normalizado
x
0
= xy,
y
0
= (xy y),
z
0
= y,
donde
0
=
d
dt
. Si ahora tomamos = t entonces obtenemos el sistema
x
0
= xy, y
0
= (x 1)y, z
0
= y,
donde ahora, abusando de la notacion,
0
=
d
d
.
Supongamos que se desata una epidemia en una poblacion cuyo mo-
delo son las ecuaciones anteriores. En t
0
aislamos a todos los individuos
infecciosos I(t
0
). La evolucion de la infeccion esta dada entonces por la
ecuacion
I
0
= I, I(t
0
) = I
0
i
i
LMN5 2012/5/17 13:26 page 40 #52
i
i
i
i
i
i
40 Jorge X. Velasco-Hernandez
cuya solucion es
I(t) = e
(tt
0
)
I
0
.
Reescribiendola
i(t)
i
0
= e
(tt
0
)
,
podemos interpretarla como la proporcion de individuos infecciosos que
permanecen infectados al tiempo t.
Tomemos t
0
= 0 El lado derecho de la igualdad es una funcion
de distribucion de tiempos de residencia en el estado infeccioso,
F(t) = 1 exp(t) entonces
Z
0
t exp(t)dt =
1
,
es el inverso del perodo promedio de infeccion de la enfermedad.
Por otro lado
x =
S
es el n umero reproductivo basico: n umero de infecciones secunda-
rias promedio por individuo infeccioso que ocurren durante el tiem-
po de infecciosidad.
2.3.2. El n umero reproductivo basico R
0
El n umero reproductivo es, posiblemente, el concepto central de la
epidemiologa matematica que representa el n umero reproductivo basico
es el n umero de infecciones secundarias promedio de un infeccioso en una
poblacion totalmente susceptible; por consiguiente si R
0
es mayor que
uno un brote epidemico puede ocurrir (cada caso da lugar a mas de un
caso). Esta propiedad convierte al n umero reproductivo en un indicador
de la invasibilidad de una poblacion hospedera y de la severidad de la
epidemia.
Estudiemos la generacion de un brote epidemico en el sistema (en esta
deduccion seguimos muy cercanamente a Thieme [7])
x
0
= xy, y
0
= (x 1)y, z
0
= y.
i
i
LMN5 2012/5/17 13:26 page 41 #53
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 41
Figura 2.3: Graca de I (ordenada) contra S (abcisa) para el caso de
S
0
> 1
bajo las condiciones
x
0
1, x
0
> 1
Tenemos ademas que
x
0
+y
0
= y
0
=
x
0
x
= (ln x)
0
,
de donde despues de integrar obtenemos
x +y ln x = x
0
+y
0
ln x
0
.
En el caso del caso superumbral (x
0
> 1) sabemos que en x = 1, y = y
max
i
i
LMN5 2012/5/17 13:26 page 42 #54
i
i
i
i
i
i
42 Jorge X. Velasco-Hernandez
y, por consiguiente, en este caso tenemos
x
ln x
= 1 +y
max
.
Mas a un, tenemos que x
= x
0
exp(
R
0
y(s)ds) y, dado que z
0
= y
entonces x
= x
0
exp(z
0
z
) y, por consiguiente,
z
= x
0
+y
0
+z
0
x
= y
0
+z
0
+x
0
(1 exp(z
0
z
)).
2.3.3. Teorema umbral
Para su demostracion seguiremos el mismo enfoque de Thieme [7]
referido ya anteriormente. Recordemos que x
ln x
= x
0
+y
0
ln x
0
.
La funcion
f(x) = x ln x, f
0
(x) = 1
1
x
, f
00
(x) =
1
x
2
,
es estrictamente convexa en 0 < x < , decreciente en 0 < x < 1 y
estrictamente creciente si x > 1. Ademas tiene un mnimo global en 1
con f(1) = 1 y f(x) si x 0, .
Lema 2.1
a) x
1;
b) x
x
0
, por lo tanto, si x
0
1 (caso
subumbral), el resultado es cierto.
En el caso superumbral x
0
> 1, tenemos que la ecuacion
f(x) = x ln x = x
0
+y
0
ln x
0
= f(x
0
) +y
0
debe tener dos soluciones (ver graca) que satisfacen x
< x
0
< x
+
.
i
i
LMN5 2012/5/17 13:26 page 43 #55
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 43
Figura 2.4: Graca de f(x) = x ln x
Dado que x
x
0
entonces x
= x
ln x
= x
0
+y
0
ln x
0
). Como f tiene un mnimo
global en x = 1 necesariamente x
= x
x
0
cuando y
0
0.
Si, por el contrario, x
0
> 1 entonces x
x
0
ln x
0
= x
0
ln x
0
.
Finalmente tambien se cumple que x
< x
0
cuando y
0
> 0.
i
i
LMN5 2012/5/17 13:26 page 44 #56
i
i
i
i
i
i
44 Jorge X. Velasco-Hernandez
Figura 2.5: Soluciones de f(x) = f(x
0
) +y
0
El modelo de Kermack-MacKendrick no incorpora procesos demo-
gracos como nacimientos y muertes. Consideremos que la poblacion de
suceptibles se renueva por nacimientos. Comparemos el comportamiento
de las soluciones de este nuevo modelo con el clasico.
S I R
Supondremos que la tasa de nacimiento es y que esta es igual a
la tasa de mortalidad. No hay, en este modelo, mortalidad asociada a la
enfermedad.
i
i
LMN5 2012/5/17 13:26 page 45 #57
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 45
Figura 2.6: Induccion de comportamiento oscilatorio
El modelo es el siguiente:
d
dt
S = N SI S,
d
dt
I = SI ( +)I,
d
dt
R = I R
donde es la tasa de curacion y N = S+I +R. El n umero reproductivo
basico es ahora
R
0
=
S
0
+
.
2.4. SIR con demografa: oscilaciones
Oscilaciones persistentes en los datos pero no en el modelo produci-
das por forzamiento estacional: las tasas de transmision se incrementan
i
i
LMN5 2012/5/17 13:26 page 46 #58
i
i
i
i
i
i
46 Jorge X. Velasco-Hernandez
Figura 2.7: Enfermedades SIR con comportamientos oscilatorios persisten-
tes
en meses fros.
Obviamente no hay gran coincidencia entre nuestro modelo y las
IRAs, pero hay cosas que pueden rescatarse: vacunacion.
Sea p la proporcion de individuos sometidos a vacunacion; por con-
siguiente Np es el n umero de bebes vacunados y N(1 p) el n umero de
bebes no vacunados. El n umero reproductivo se modica entonces a
R
v
= R
0
(1 p)
Si deseamos erradicar la enfermedad entonces
R
v
< 1
o, equivalentemente
p > 1
1
R
0
.
i
i
LMN5 2012/5/17 13:26 page 47 #59
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 47
p nos da la proporcion de vacunacion necesaria para lograr la inmunidad
grupal.
Los puntos de equilibrio del modelo SIR se obtienen igualando a
cero las derivadas. Obtenemos entonces dos puntos de equilibrio: el libre
de la enfermedad con S = N, I = R = 0, y otro punto de equilibrio
denominado endemico con
I
e
=
N
+
.
y valores para los susceptibles e inmunes S
e
, R
e
que no escribiremos por
el momento. Supongamos que la epidemia ha llegado al estado endemico,
es decir
S = S
e
, I = I
e
, R = R
e
.
El tiempo promedio que un individuo dura sano (sin considerar mor-
talidad ni nacimientos) podemos obtenerlo de la ecuacion para S:
d
dt
S = SI
e
cuya solucion es
S(t) = S
0
exp(I
e
t),
o, equivalentemente, la proporcion de susceptibles al tiempo t es
S(t)
S
0
= exp(I
e
t).
Por consiguiente
1 exp(I
e
t)
es la propocion de susceptibles que se enfermaron al tiempo t. Podemos
calcular el tiempo promedio que un recien nacido dura sano antes de
enfermarse como (edad de primera infeccion)
A =
Z
0
tI
e
exp(I
e
t)dt =
1
I
e
.
Despejando de la formula para I
e
obtenemos que
i
i
LMN5 2012/5/17 13:26 page 48 #60
i
i
i
i
i
i
48 Jorge X. Velasco-Hernandez
I
e
= R
0
1.
Si denotamos por L = 1/ a la esperanza de vida de un individuo,
y por A = 1/I
e
a la edad de primera infeccion, entonces tenemos que
R
0
= 1 +
L
A
.
Las epidemias de inuenza son procesos sostenidos en el tiempo.
Las siguientes gracas corresponden a los predictores de Google Flu
data. Aunque estas epidemias, y otras enfermedades respiratorias, son
recurrentes con ciclos de diverso periodo, no son todas iguales desde una
perspectiva dinamica
Las guras representan las epidemias en 3 pases europeos y 3 ameri-
canos de la zona tropical. El reto es describir las regularidades dinamicas
de estas series de tiempo y establecer los mecanismos que las generan.
Al construir modelos buscamos, entre otras cosas, identicar y ex-
plicar patrones, regularidades, excepciones en los fenomenos naturales.
Veamos uno de los patrones que surgen del analisis de las series de Goo-
gle Flu. Hemos gracado la serie de tiempo original contra s misma,
retrasada un mes y seis meses. La justicacion, analisis y comentarios
de esto sera comentado mas adelante.
2.4.1. Tasas de contacto
En los modelos revisados un termino fundamental es la tasa de con-
tacto C(S, I) que describe el n umero promedio de contactos entre in-
dividuos infecciosos y sanos por unidad de tiempo. La ley de accion de
masas establece que
C(S, I) = SI,
es decir, la tasa de contactos es proporcional al producto del n umero de
infecciosos y sanos ( es la constante de proporcionalidad). La tasa de
mezclado proporcional
C(S, I) =
SI
N
,
i
i
LMN5 2012/5/17 13:26 page 49 #61
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 49
Figura 2.8: Fuente: Google Flu Data
dice que la tasa de contactos es proporcional al producto del n umero de
susceptibles y la proporcion de la poblacion infectada (N es la poblacion
total).
Las tasas de contacto indudablemente tienen impacto en la dinamica
de una enfermedad. Consideremos el siguiente modelo SIR con dinamica
demograca
d
dt
S = N C(S, I) S,
d
dt
I = C(S, I) ( +)I,
d
dt
R = I R,
i
i
LMN5 2012/5/17 13:26 page 50 #62
i
i
i
i
i
i
50 Jorge X. Velasco-Hernandez
F
i
g
u
r
a
2
.
9
:
F
u
e
n
t
e
:
G
o
o
g
l
e
F
l
u
D
a
t
a
i
i
LMN5 2012/5/17 13:26 page 51 #63
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 51
donde C(S, I) = SI con n umero reproductivo basico R
0a
=
S
0
+
, para
la ley de accion de masas y C(S, I) = SI/N para mezclado proporcio-
nal con R
0b
=
+
.
Los puntos o estados de equilibrio del sistema anterior son aquellos
en los que la tasa de cambio de cada variable de estado es cero, es decir
0 = N C(S, I) S,
0 = C(S, I) ( +)I,
0 = I R.
Para la ley de accion de masas tenemos dos soluciones. Si I=0, entonces
S = N y R = 0. El punto de equilibrio
E
0
(S
0
, I
0
, R
0
) = (N, 0, 0)
se denomina punto de equilibrio libre de la enfermedad.
El otro punto de equilibrio es
E
1
(S
1
, I
1
, R
1
) =
,
+
(N S
1
),
I
1
( +)
, N(1
+
),
I
1
.
Igual que en el caso anterior, I
1
tiene sentido biologico si
R
0b
=
1
S
1
=
+
> 1.
i
i
LMN5 2012/5/17 13:26 page 52 #64
i
i
i
i
i
i
52 Jorge X. Velasco-Hernandez
2.5. El modelo SEIR
La inuenza y otras enfermedades tipo SIR son mas complicadas que
eso. Una de las primeras complicaciones manejables desde la perspectiva
matematica es el periodo de latencia de la enfermedad que denimos de
manera operativa como el tiempo que tarda la enfermedad en ser trans-
misible en un individuo dado. Si denotamos por E al compartimiento de
los individuos en este estado latente y por a la tasa de paso a la etapa
infecciosa, el modelo es el siguiente
d
dt
S = N S
I
N
S,
d
dt
E = S
I
N
E,
d
dt
I = E ( +)I,
d
dt
R = I R,
Los puntos de equilibrio son, el libre de la enfermedad E
0
= (N, 0, 0, 0)
y E
1
= (S
1
, E
1
, I
1
, R
1
) donde
S
1
= N
1
R
0
,
E
1
=
N
+
1
1
R
0
,
I
1
=
N
( +)( +)
1
1
R
0
,
R
1
=
N
( +)( +)
1
1
R
0
,
donde
R
0
=
( +)( +)
.
En esta ultima parte de esta seccion seguiremos los resultados re-
cientemente publicados de Ponciano y Capistran ([6]). La dispersion de
la enfermedad se produce por el contacto entre un individuo infeccioso
i
i
LMN5 2012/5/17 13:26 page 53 #65
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 53
y uno o varios susceptibles. A mas susceptibles contactados, mas alta la
probabilidad de transmision. Habra, entonces una expectativa de reali-
zacion del potencial de infeccion. Llamemos a a esta expectativa por un
individuo. El n umero de contactos de transmision exitosos es X(a).
Supondremos que la probabilidad de encontrar un susceptible y trans-
mitir exitosamente la infeccion dado un cambio a es proporcional al
n umero de infecciones exitosas previas por una funcion h(I) de la densi-
dad de infecciosos en la poblacion. Con esto la probabilidad de un nuevo
evento infeccioso es
P[X(a +a) = x|X(a) = x 1] = (x 1)ah(I),
donde 0 es una funcion que satisface (0) = b.
Observacion. La esperanza de X(a) es R
0
si X(a) es el n umero de
trasmisiones exitosas de un individuo enfermo en una poblacion comple-
tamente susceptible. De hecho R
0
= /( +)E(X(a)).
Sea p
x
(a) = P(X(a) = x), para x = 0, 1, 2, . De la denicion de
P tenemos que
p
x
(a +a) = (x 1)ah(I) (x)ah(I)p
x
(a)
y entonces obtenemos
p
x
(a +a) p
x
(a)
a
= (x 1)h(I) + [1 (x)h(I)]p
x
(a)
y tomando el lmite cuando a tiende a cero obtenemos
d
da
p
x
(a) = (x 1)h(I) (x)h(I)p
x
(a).
La solucion del sistema de ecuaciones anterior es conocida y esta dada
por
p
0
(a) = exp[a(0)h(I)],
y
p
x
(a) = exp[a(x)h(I)](x 1)h(I)
Z
x
0
exp[(x)h(I)s]p
x1
(s)ds.
i
i
LMN5 2012/5/17 13:26 page 54 #66
i
i
i
i
i
i
54 Jorge X. Velasco-Hernandez
La probabilidad de que un individuo infeccioso pase exitosamente la
enfemedad a otro es
1 p
0
(a) = 1 exp[abh(I)].
Hay estocasticidad demograca afectando a y podemos asociarle una
variable aleatoria cuya funcion de distribucion tenga soporte en (0, ).
Sea = ab. La probabilidad de que un individuo enfermo elegido al
azar logra mas de una infeccion secundaria exitosa se puede encontrar
promediando 1 exp[h(I)] sobre todas las realizaciones posibles de
, es decir
P(X(a) 1) =
Z
0
(1 exp[h(I)])f
()d.
Una posible eleccion de es
f
() = exp[]
para 0 < < . Con esta se obtiene que
P(X(a) 1) =
h(I)
h(I) +
.
2.6. Modelos de enfermedades transmitidas por
vectores
Enfermedades transmitidas por insectos vectores implican que el ci-
clo de transmision es el producto de los contactos entre los dos hospe-
deros del agente infeccioso.
En el caso del paludismo, las nuevas infecciones en el mosquito se pro-
ducen cuando entran en contacto un mosquito susceptible y un humano
infectado (tasa .) Las nuevas infecciones en el humano se producen
cuando un ser humano susceptible es picado por un mosquito infectado
(tasa .) Las ecuaciones entonces puden escribirse como
i
i
LMN5 2012/5/17 13:26 page 55 #67
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 55
Figura 2.10: Fuente: http://www.monograas.com/
v
0
= g(v, i) = (1 v)i v, (2.1)
i
0
= h(v, i) = (1 i)v i,
donde y son las tasas de curacion de mosquitos y humanos respecti-
vamente, con las condiciones iniciales v(0) = v
0
, i(0) = i
0
.
Los puntos de equilibrio son las intersecciones de las curvas g y h.
Obtenemos
v
1
=
i
i +
, v
2
=
i
(1 i)
.
Buscamos soluciones del sistema en = {(v, i) : 0 v 1, 0 i 1}.
Ambas curvas son hiperbolas que se intersecan en el origen. Existe
i
i
LMN5 2012/5/17 13:26 page 56 #68
i
i
i
i
i
i
56 Jorge X. Velasco-Hernandez
otro punto de interseccion que denotaremos por E
1
siempre y cuando
d
di
v
1
(0) >
d
di
v
2
(0),
o, equivalentemente, si
R
0
=
> 1.
Si denimos x = v v
y y = i i
tenemos que
x
0
= (v v
)
0
= g(x +v
, y +i
),
y
0
= (i i
)
0
= h(x +v
, y +i
),
donde (v
, i
, i
) +x
v
g(v
, i
) +y
i
g(v
, i
) + ,
y
0
= h(v
, i
) +x
v
h(v
, i
) +y
i
h(v
, i
) + ,
y aproximando a primer orden
x
0
y
0
= J
x
y
.
con
J =
(1 v
)
(1 i
) v
.
Criterio de Routh-Hurwitz:
Si
p() =
2
+a
1
+a
0
es el polinomio caracterstico de J, entonces todos los eigenvalores tienen
parte real negativa si y solamente si
a
1
> 0, a
0
> 0.
i
i
LMN5 2012/5/17 13:26 page 57 #69
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 57
Figura 2.11: Sistema Ross-Macdonald para R
0
< 1 y R
0
> 1 respectiva-
mente
i
i
LMN5 2012/5/17 13:26 page 58 #70
i
i
i
i
i
i
58 Jorge X. Velasco-Hernandez
Evaluando J en E
0
tenemos
J
E
0
=
con trJ
E
0
= + y detJ
E
0
= .
Si R
0
< 1, conlcumos que E
0
es (localmente asintoticamente) esta-
ble; en caso contrario, E
0
es inestable.
Si R
0
> 1, E
1
existe y tiene coordenadas
v
=
( + )
( + )
, i
=
( + )
.
De J, podemos ver que su traza siempre es negativa y
det J
E
1
= ( + ) > 0.
Conclumos entonces que el punto de equilibrio es localmente asintoti-
camente estable.
2.6.1. Sistemas cooperativos
Existen sistemas de ecuaciones diferenciales en R
n
que tienen la pro-
piedad de que su ujo preserva un orden parcial en R
n
, generado
por uno de los ortantes K de R
n
. Precisando, si tenemos la ecuacion
diferencial
x
0
= f(x), x U R
n
donde f es una funcion continuamente diferenciable denida en un con-
junto U abierto de R
n
. Sea
t
(x) la solucion x(t) de la EDO con x(0) = x
y sea K = {x R
n
: (1)
m
i
x
i
0, 1 i n}, m
i
{0, 1}.
K entonces es un cono en R
n
y genera un orden parcial de la
siguiente forma: x y si y solamente si y x K.
Decimos entonces que el ujo del sistema de ecuaciones diferenciales
anterior preserva el orden parcial siempre que si x y y estan en U y
x y entonces
t
(x)
t
(y) para toda t 0 en donde las soluciones
esten denidas.
i
i
LMN5 2012/5/17 13:26 page 59 #71
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 59
Las ecuaciones diferenciales con esta propiedad se denominan K-
monotonas.
Un resultado interesante es el siguiente. El sistema de ecuaciones
diferenciales x
0
= f(x) se denomina cooperativo si
f
i
x
j
(x) 0, i 6= j, x U.
Un sistema cooperativo genera un sistema monotono con la siguiente
propiedad:
Un sistema de ecuaciones diferenciales monotono cooperativo no pue-
de tener orbitas periodicas no triviales.
Regresemos ahora a la matriz jacobiana del modelo de Ross-Mac-
donald. Sabemos que el sistema es localmente asintoticamente estable
cuando R
0
> 1.
J =
i (1 v)
(1 i) v
.
Observese que J implica que el modelo de Ross-Macdonald es coopera-
tivo: J es estable en signo, pues los signos de sus elemento no cambian
para cualquier valor de (i, v) positivos ; la matriz es tambien simetrica
en signo y, en particular, los valores de fuera de la diagonal son positivos.
Aplicando el resultado de la pagina anterior tenemos que el modelo
de Ross Macdonald no puede tener orbitas periodicas.
2.7. El n umero reproductivo basico R
0
El n umero reproductivo basico es el n umero de infecciones secunda-
rias que un individuo infeccioso tpico produce, durante el tiempo que
puede transmitir la enfermedad, en una poblacion susceptible.
El n umero reproductivo es adimensional y expresa la cadena de
contagios surgida de un individuo infeccioso; si R
0
= 2, tendramos
una evolucion que ira como 2
k
donde k no es tiempo calendario,
sino generacional:
k = 0 k = 1 k = 2 k = 3
I
0
= 1 I
1
= 2 I
2
= 4 I
3
= 8
i
i
LMN5 2012/5/17 13:26 page 60 #72
i
i
i
i
i
i
60 Jorge X. Velasco-Hernandez
I(t), n umero de individuos infectados al tiempo t es independiente
de la generacion a la que pertenecen: la k-esima generacion prove-
niente de A puede ocurrir en un tiempo diferente que la k-esima
generacion del individuo B.
Las dos variables mencionadas en la pagina anterior estan, sin em-
bargo, relacionadas pues
d
dt
I(0) > 0 si y solamente si R
0
> 1.
En las paginas que siguen, estudiaremos al n umero reproductivo
basico. Para ello es importante observar que las ecuaciones de la epi-
demiologa pueden escribirse en forma economica como sigue (usaremos
el modelo SIR como ejemplo)
d
dt
x = F(x) Mx (2.2)
donde x
T
= (S, I, R).
Se han denido
F(x) =
N S
I
N
S
I
N
I
(2.3)
y
M =
S 0 0
0 + 0
0 0
. (2.4)
Los puntos de equilibrio son soluciones de
F(x) Mx = 0
o, equivalentemente, soluciones de
x = M
1
F(x) = (x).
Podemos entonces denir un mapeo : R
3
R
3
donde x
k+1
= (x
k
)
que contiene informacion sobre la evolucion de generaciones de infecta-
dos en particular.
Todo modelo epidemiologico de una enfemedad infecciosa tiene la
estructura dada por (2.2), (2.3) y (2.4).
i
i
LMN5 2012/5/17 13:26 page 61 #73
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 61
F contiene las interacciones debidas a la infeccion y las tasas de
transicion (entrada) a cada compartimiento;
por su parte M contiene a todas las tasas de salida de cada com-
partimiento, de hecho, contiene todas las tasas cuyos inversos son
tiempos de residencia en cada compartimiento.
Para determinar la existencia de un brote epidemico nos interesa el com-
portamiento generacional del vector x
T
0
= (N, 0, 0) = E
0
, el punto de
equilibrio libre de la enfermedad; nos interesa el comportamiento dinami-
co pero solo en una vecindad de ese punto de equilibrio.
Tomando S constante como parametro, podemos linealizar en una
vecindad de E
0
obteniendo el mapeo lineal
T(S) = M
1
DF(E
0
)
donde DF es parte del jacobiano de (2.2) dado por J
E
0
= DF(E
0
) M,
evaluado todo, por supuesto, en E
0
. De aqu podemos deducir que la
sucesion
T(S)I
0
, T(S)
2
I
0
, T(S)
3
I
0
, T(S)
4
I
0
, . . .
describe las generaciones de gente infectada a partir de I
0
, el inoculo
inicial de infecciosos introducido cuando la publacion se encontraba en
el punto de equilibrio E
0
. A T(S) se le conoce como la matriz de siguiente
generacion.
Note el lector que como S se toma constante, es posible prescindir de
la ecuacion para S y tomando S = N I R trabajar con lo siguiente
F(x) =
(N I R)
I
N
I
, M =
+ 0
0
, x =
I
R
,
con el operador de siguiente generacion redenido en sus nuevas dimen-
siones.
La matriz T(S) es una matriz cuadrada que tiene valores propios
= R
0
y = 0. Sean
L =
R
0
, W =
0
1
i
i
LMN5 2012/5/17 13:26 page 62 #74
i
i
i
i
i
i
62 Jorge X. Velasco-Hernandez
los vectores propios correspondientes. Como los vectores propios son
linealmente independientes, entonces un vector arbitrario E =
I
R
en
R
2
+
se pude escribir como la combinacion lineal E = a
1
L +a
2
W.
Aplicando T(S) tenemos
T(S)E = a
1
T(S)L +a
2
T(S)W = a
1
L +a
2
W.
Iterando n veces lo anterior obtenemos
T(S)
n
E = a
1
n
L +a
2
n
W =
n
a
1
L +a
2
n
W
(2.5)
El comportamiento de (2.5) esta denido entonces por el eigenvalor pro-
pio dominante, es decir, el de mayor magnitud que en este caso es = R
0
.
Asintoticamente entonces
T(S)
n
E k
1
n
L.
Ahora bien, despues de n generaciones de infectados, el crecimiento
promedio por generacion esta dado por
||T(S)
n
||
1
n
la media geometrica de los incrementos por generacion (es un proceso
multiplicativo). Tomado el lmite cuando n va a innito obtenemos
(T(S)) = lm
n+
||T(S)
n
||
1
n
el radio espectral de T(S). El radio espectral de una matriz A de n n
se dene como
R
0
= (A) = max{|||| : valor propio de A}.
2.8. Una aplicaci on: Toxoplasmosis
En esta seccion seguiremos los resultados recientes de Feng y Velasco-
Hernandez ([4]). La toxoplasmosis es, quizas, la enfermedad de mayor
i
i
LMN5 2012/5/17 13:26 page 63 #75
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 63
prevalencia en el mundo. Esta presente en todos los continentes. El
parasito es un protozoario denominado Toxoplasma gondii.
Consta de tres estadios infecciosos denominados taquizoitos (gru-
pos motiles del parasito), bradizoitos (quistes en tejidos) y esporozoitos
(quistes libres). Los gatos son esenciales para el mantenimiento del ci-
clo de vida del parasito. Hay millones de gatos domesticos o ferales que
estan infectados. Los oocitos son muy resistentes y pueden sobrevivir
hasta 18 meses en el suelo o ambientes h umedos.
Figura 2.12: Transmisi on de Toxoplasma gondii en el gato. Fuente: Dr. J.P.
Dubey
Las estadsticas en Estados Unidos son impresionantes
El 32 % de las casas tienen gatos domesticos
Se estima que existen 78 millones de gatos domesticos
i
i
LMN5 2012/5/17 13:26 page 64 #76
i
i
i
i
i
i
64 Jorge X. Velasco-Hernandez
Se estima que hay 73 millones de gatos ferales (silvestres)
La popularidad de la mascota se incrementa a no con a no
Existen asociaciones civiles dedicadas a proteger a los gatos
La toxoplasmosis es un buen modelo para estudiar la interaccion
entre la dinamica inter-hospederos y la dinamica intra-hospedero. En
una enfermedad infecciosa existen dos procesos fundamentales
El proceso epidemico
El proceso inmunologico
En esta interaccion, podemos intentar responder las siguientes pregun-
tas:
Efecto de la dinamica intrahospedero en la transmision entre indi-
viduos
Efectos de la dinamica poblacional en los procesos inmunologicos
dentro del hospedero
Determinar los parametros basicos y predicciones (n umero repro-
ductivo, virulencia, prevalencia, etc) a partir de la liga entre las
dos dinamicas
Modelaremos la interaccion entre la dinamica intra e inter introdu-
ciendo tres escalas de tiempo
Escala temporal epidemiologica
Escala temporal inmunologica
Escala temporal ambiental
La introduccion de la variable y escala ambiental permite la asocia-
cion entre densidad poblacional y la carga viral que infecta a un indivi-
duo.
i
i
LMN5 2012/5/17 13:26 page 65 #77
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 65
Antecedentes:
Modelo de Gilchrist et al. [5]
dS
dt
= b(S, I) (V )SI S
dI
dt
= (V )SI I.
La carga viral promedio de individuos infectados afecta la tasa de infec-
cion (nivel poblacional)
La dinamica intra-hospedero esta dada por
dT
dt
= kV T mT
dT
dt
= kV T (m+d)T
dV
dt
= pT
cV.
La tasa de infeccion celular debe depender, en alguna forma, de la densi-
dad poblacional. El problema es determinar como, cuando y justicarlo
adecuadamente (muy dicil)
Aqu es donde la toxoplasmosis al rescate.
Dinamica inter-hospederos
dS
dt
= S ES S
dI
dt
= ES ( + )I.
(2.6)
Las variables S(t) e I(t) representan individuos susceptibles e infecciosos
al tiempo t. E(t) es el nivel de contaminacion del ambiente al tiempo t,
determinado por el n umero de hospederos infectados (I) y la carga viral
(V ) del hospedero:
dE
dt
= IV (1 E) E, (2.7)
i
i
LMN5 2012/5/17 13:26 page 66 #78
i
i
i
i
i
i
66 Jorge X. Velasco-Hernandez
donde es la tasa de contaminacion.
La dinamica intra-hospedero esta dada por
dT
dt
= kV T mT
dT
dt
= kV T (m+d)T
dV
dt
= g(E) +pT
cV.
(2.8)
T, T
0
, V
0
) = (
m
, 0, 0).
En el caso g(E) 6= 0, sea
U(g(E)) = (
T(g(E)),
T
(g(E)),
V (g(E)))
i
i
LMN5 2012/5/17 13:26 page 67 #79
i
i
i
i
i
i
Epidemiologa Matematica: Ejemplos, Datos y Modelos Asociados 67
el equilibrio no trivial.
Entonces
V (g(E)) =
1
c
g(E) +p
,
T
(g(E)) =
m
T(g(E))
m+d
, (2.11)
y
T(g(E)) es una raiz de la ecuacion caracterstica
T
2
+a
1
T +a
2
T = 0 (2.12)
donde
a
1
=
g(E)[m+d]
pm
m
c(m+d)
kp
< 0,
a
2
=
c(m+d)
mkp
> 0.
(2.13)
Dado que a
1
< 0 y a
2
> 0, y viendo que el discriminante de (2.12)
es
a
2
1
4a
2
=
g(E)[m+d]
pm
+
m
+
c(m+d)
kp
2
4
c(m+d)
mkp
m
+
c(m+d)
kp
2
4
c(m+d)
mkp
=
m
c(m+d)
kp
2
0,
sabemos que la ecuacion(2.12) siempre tiene dos raices reales dadas por
(g(E)) =
1
2
a
1
q
a
2
1
4a
2
, (2.14)
donde a
1
y a
2
estan dadas en (2.13).
Deseamos determinar la condicion umbral para la existencia de un
brote epidemico. Para ello tomemos g(E) = 0 (no existe contaminacion
i
i
LMN5 2012/5/17 13:26 page 68 #80
i
i
i
i
i
i
68 Jorge X. Velasco-Hernandez
en el ambiente). Despues de algo de a
(g(E))
> 1, (2.16)
donde
(g(E)) =
1
2
"
g(E)[m+d]
pm
+
m
+
c(m+d)
kp
g(E)[m+d]
pm
+
m
+
c(m+d)
kp
2
4
c(m+d)
mkp
#
.
(2.17)
Observese que en la expresion de T
= (
,
T
,
V
) donde
(g(E)) =
1
c
h
g(E) +
p( m
)
m+d
i
,
T
(g(E)) =
m
m+d
,
y
T
=
T
)
m+d
i
, G(E) =
E
N
+
( + )
N
. (2.19)
entonces,
E es una solucion de F(E) = G(E) with 0 < E < 1, es decir,
existe un punto de equilibrio endemico no trivial.
2.8.3. Toxoplasmosis: conclusion
Podemos concluir que las condiciones para la existencia de un estado
estable endemico son las siguientes
Es una condicion necesaria que el n umero reproductivo intra sea
mayor que uno
El n umero reproductivo inter puede ser menor a uno y a un presen-
tarse un brote epidemico siempre y cuando el n umero reproductivo
intra sea sucientemente grande.
i
i
LMN5 2012/5/17 13:26 page 70 #82
i
i
i
i
i
i
70 Jorge X. Velasco-Hernandez
Figura 2.13: Existencia de un punto de equilibrio interno
Si la tasa de infeccion celular es mucho mas grande que la tasa de
muerte celular natural (k >> m), podra no haber estado endemico
a un con los n umeros reproductivos intra e inter mayores a uno.
i
i
LMN5 2012/5/17 13:26 page 71 #83
i
i
i
i
i
i
Bibliografa
[1] E. Carrillo-Valenzo, R. Dans-Lozano, J.X. Velasco-Hernandez, and
et al. Evolution of dengue virus in Mexico is characterized by fre-
quent lineage replacements.Archives of Virology, x(x):x, 2010.
[2] G. Chowell, C.A. Torre, C. Munayco-Escate, and et al. Spatial
and temporal dynamics of dengue fever in Peru. Epidemiological
Infections, 136(16671677), 2008.
[3] Secretaria de Salud, Subsecretaria de Promocion y Prevencion de
Salud, Centro Nacional de Vigilancia Epidemiologica y Control de
Enfermedades, Direccion General de Programas Preventivos, Di-
reccion General de Epidemiologia, and Instituto Nacional de Diag-
nostico y Referencia Epidemiologicas. Panorama epidemiologico de
ebre y ebre hemorragica por dengue en entidades federativas.
Marzo 2011.
[4] Zhilan Feng and Jorge X. Velasco-Hernandez. Coupling bwtween-
and within-host disease dynamics: the case of toxoplasma. In pre-
paration, 2011.
[5] M. A. Gilchrist and D. Coombs. Evolution of virulence: interdepen-
dence, constrains, and selection using nested models. Theoretical
Population Biology, 69:145153, 2006.
[6] Jose M. Ponciano and Marcos A. Capistran. First principles mo-
deling of nonlinear incidence rates in seasonal epidemics. PLoS
Computational Biology, 7(2):e1001079, 02 2011.
71
i
i
LMN5 2012/5/17 13:26 page 72 #84
i
i
i
i
i
i
72 Jorge X. Velasco-Hernandez
[7] Horst R. Thieme. Mathematics in Population Biology. Princeton
University Press, 2003.