Sobre la previsibilidad de los brotes de enfermedades infecciosas
Samuel V. Scarpino, Giovanni Petri(Presentado el 21 de marzo de 2017 (v1), última revisión 10 de octubre de 2018 (esta versión, v6))
Citar como: | arXiv:1703.07317 [physics.soc-ph] |
(o arXiv:1703.07317v6 [physics.soc-ph] para esta versión) |
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEhTdAQYIzFl9caOsWCQuz31SXV6tYCc8UoHljO-oz7vhKIAfb_E9xjxjj12metvDekPE3xvjO_QBjtGYjotiIHHaxUJ1cc4U7MDzjPy9RlcMqkcGXN4Ff2a0FD88RmuVFcTf9sFXnNqfU-R/s640/b10-3d2.jpg)
Los brotes de enfermedades infecciosas recapitulan la biología: emergen de la interacción de múltiples niveles de los hospedadores, patógenos y su entorno compartido. Como resultado, predecir cuándo, dónde y hasta dónde se propagarán las enfermedades requiere un enfoque de sistemas complejos para el modelado. Estudios recientes han demostrado que es posible predecir diferentes componentes de los brotes, por ejemplo, el número esperado de casos, el ritmo y el ritmo de los casos que requieren tratamiento, la demanda de equipo profiláctico, la probabilidad de importación, etc. Por lo tanto, avanzar tanto en la ciencia como en la práctica del pronóstico de enfermedades ahora requiere pruebas para detectar la presencia de límites fundamentales para la predicción de brotes. Para investigar la cuestión de la predicción de brotes, estudiamos los límites teóricos de la información para pronosticar un amplio conjunto de enfermedades infecciosas utilizando la entropía de permutación como un modelo de medida independiente de la previsibilidad. Al estudiar la previsibilidad de una colección diversa de brotes históricos, entre ellos, clamidia, dengue, gonorrea, hepatitis A, influenza, sarampión, paperas, polio y tos ferina, identificamos una barrera de entropía fundamental para el pronóstico de series de tiempo de enfermedades infecciosas. Sin embargo, encontramos que para la mayoría de las enfermedades, esta barrera para la predicción a menudo está más allá de la escala de tiempo de los brotes únicos. También encontramos que el horizonte de pronóstico varía según la enfermedad y demostramos que tanto las estructuras del modelo cambiante como la heterogeneidad de las redes sociales son los mecanismos más probables para las diferencias observadas entre los contagios. Nuestros resultados resaltan la importancia de ir más allá del pronóstico de series de tiempo, al adoptar enfoques de modelado dinámico y sugieren desafíos para realizar la selección de modelos en series de tiempo largas. Además, anticipamos que nuestros hallazgos contribuirán al campo en rápido crecimiento de los pronósticos epidemiológicos y pueden relacionarse más ampliamente con la previsibilidad de los sistemas adaptativos complejos.