ANÁLISIS DEL COMPORTAMIENTO ESTOCÁSTICO DE UN MODELO MATEMÁTICO PARA INFECCIONES HOSPITALARIAS
DOI:
https://doi.org/10.56238/rcsv16n3-008Palabras clave:
Análisis de Sensibilidad, Beta, Distribución, Epidemiología, Simulaciones EstocásticasResumen
Este estudio tiene como objetivo proponer una metodología para obtener valores para un conjunto de parámetros en modelos matemáticos epidemiológicos según una distribución de probabilidad específica mediante simulaciones estocásticas. Utilizando el modelo epidemiológico previamente seleccionado, se identifican los parámetros con mayor influencia en los resultados del modelo. Posteriormente, se emplean funciones predefinidas para generar números aleatorios basados en distribuciones de probabilidad específicas. Este enfoque permite explorar las incertidumbres asociadas a los parámetros de interés, evaluando su impacto en la estabilidad y dinámica de las variables del modelo. La metodología propuesta se aplicó a un modelo matemático que describe la dinámica de transmisión de Acinetobacter baumannii en unidades de cuidados intensivos, centrándose en la selección de parámetros relacionados con la prevención y el control de la propagación del patógeno. Utilizando información conocida sobre estos parámetros, se estimaron valores para ilustrar su impacto en las variables de estado del modelo. Las simulaciones generaron varios escenarios, con condiciones iniciales desfavorables para el control de la transmisión del patógeno, lo que proporcionó información sobre la sensibilidad del modelo a diferentes condiciones epidemiológicas. La metodología basada en simulación estocástica proporciona una herramienta robusta para apoyar la toma de decisiones en el desarrollo de estrategias de control de infecciones, enfatizar la importancia de las medidas preventivas para el control de infecciones en UCI y mejorar la comprensión de la transmisión de Acinetobacter baumannii en entornos hospitalarios.
Descargas
Referencias
Boyce WE, DiPrima RC. Elementary differential equations. John Wiley & Sons 2012.
Butcher JC. Numerical methods for ordinary differential equations. John Wiley & Sons, 2016.
Diekmann O, Heesterbeek JAP, Metz JAJ. On the definition and the computation of the basic reproduction ratio R0 in models for infectious diseases in heterogeneous populations. Journal of mathematical biology 1990; 28: 365-382. https://doi.org/10.1080/21505594.2015.1076615
Doan TN, Kong DC, Marshall C, Kirkpatrick CM, McBryde ES. Modeling the impact of interventions against Acinetobacter baumannii transmission in intensive care units. Virulence 2016; 7: 141-152. https://doi.org/10.1080/21505594.2015.1076615
Hattaf K, Dutta H. Mathematical modelling and analysis of infectious diseases, vol. 302. Berlin: Springer; 2020.
Hidron AI, Edwards JR, Patel J, Horan TC, Sievert DM, Pollock DA, et al. Antimicrobial-resistant pathogens associated with healthcare-associated infections: annual summary of data reported to the National Healthcare Safety Network at the Centers for Disease Control and Prevention, 2006–2007. Infection Control & Hospital Epidemiology 2008, 29: 996-1011. https://doi.org/10.1086/591861
Mersmann O, Trautmann H, Steuer D, Bornkamp B. Truncnorm: Truncated normal distribution. R package version, 1-0, 2018. [accessed on: 3 Jul. 2024]. Available at: <https://CRAN.R-project.org/package=truncnorm>.
Pendleton JN, Gorman SP, Gilmore BF. Clinical relevance of the ESKAPE pathogens. Expert review of anti-infective therapy 2013, 11: 297-308. https://doi.org/10.1586/eri.13.12
RECIO-SAUCEDO, A. et al. What impact does nursing care left undone have on patient outcomes? Review of the literature. Journal of Clinical Nursing, v. 27, n. 11-12, p. 2248–2259, 16 out. 2017.
Rice LB. Federal funding for the study of antimicrobial resistance in nosocomial pathogens: no ESKAPE. The Journal of infectious diseases 2008; 197: 1079-1081. https://doi.org/10.1086/533452
Rubinstein RY, Kroese DP. Simulation and the Monte Carlo method. John Wiley & Sons, 2016.
Soetaert KE, Petzoldt T, Setzer RW. Solving differential equations in R: package deSolve. Journal of statistical software 2010, 33.
Wang X, Xiao Y, Wang J, Lu X. A mathematical model of effects of environmental contamination and presence of volunteers on hospital infections in China. Journal of theoretical biology 2012, 293: 161-173. https://doi.org/10.1016/j.jtbi.2011.10.009
Weber DJ, Anderson D, Rutala WA. The role of the surface environment in healthcare-associated infections. Current opinion in infectious diseases 2013, 26: 338-344. https://doi.org/10.1097/QCO.0b013e3283630f04
Descargas
Publicado
Número
Sección
Licencia

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.