SciELO - Scientific Electronic Library Online

 
vol.62 número5La diabetes e hipertensión arterial como factores asociados con la letalidad por Covid-19 en Sonora, México, 2020Exposición laboral a Covid-19 en personal de salud índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Salud Pública de México

versión impresa ISSN 0036-3634

Salud pública Méx vol.62 no.5 Cuernavaca sep./oct. 2020  Epub 06-Jun-2022

https://doi.org/10.21149/11724 

Cartas al editor

Evidencias y tendencias para tomar decisiones sobre medidas de contención y mitigación de Covid-19 en Jalisco, México

Evidence and trends to make decisions about containment and mitigation measures for Covid-19 in Jalisco, Mexico

Tizoc Vejar-Aguirre1 

Edtna Jáuregui-Ulloa2 

Karen Gallo-Sánchez3 

José Alberto Mejía-García4 

Ricardo Zavala-Hernández5 

Armando Arredondo6 

(1) Coordinación de Servicios de Salud, Servicios de Salud Jalisco, Región Sanitaria X Zapopan. Jalisco, México.

(2) Coordinación del posgrado de maestría, Centro Universitario de Ciencias de la Salud, Universidad de Guadalajara. Jalisco, México.

(3) Coordinación de Epidemiología, Servicios de Salud Jalisco, Región Sanitaria X Zapopan. Jalisco, México.

(4) Coordinación de Salud Pública, Servicios de Salud Jalisco, Región Sanitaria X Zapopan. Jalisco, México.

(5) Dirección Jurisdiccional, Servicios de Salud Jalisco, Región Sanitaria X Zapopan. Jalisco, México.

(6) Instituto Nacional de Salud Pública. Morelos, México.


Señor editor: Desde el inicio de la pandemia de Covid-19 se han publicado diferentes modelos epidemiológicos predictivos en diferentes países,1,2,3,4 sin embargo, consideramos necesario identificar modelos epidemiológicos aplicables a México, particularmente al estado de Jalisco. Actualmente, en Jalisco se han implementado varias estrategias con el objetivo de reducir el índice reproductivo como medida de mitigación comunitaria, pero poco sabemos del efecto real de tales medidas. Por lo tanto, debido a la necesidad de generar evidencia para apoyar la toma de decisiones, el objetivo de este reporte es mostrar la influencia de las medidas de contención (cancelación de eventos privados y públicos, cierre de escuelas, distanciamiento social, cuarentena, lavado de manos, uso de cubreboca, etc.) en el desarrollo de la pandemia en Jalisco.

Se trató de una investigación evaluativa basada en análisis cuantitativo, mediante el desarrollo de modelos de pronóstico de cambios epidemiológicos esperados en la población a nivel estatal. Los datos poblacionales se obtuvieron del departamento de planeación de Servicios de Salud Jalisco y se complementaron con datos de proyección del Consejo Nacional de Población, con una población total de 8 368 311 habitantes. Utilizamos el modelo S.E.I.R. con un enfoque determinístico para pronosticar el desarrollo de la pandemia de Covid-19 en Jalisco. Los casos considerados fueron susceptibles (S), expuestos (E), infectados (I) y recuperados/fallecidos (R).

El modelo se elaboró con cinco posibles escenarios, asumiendo que el valor inicial R0= 3 fue al inicio de la pandemia. Se realizó un modelo S.E.I.R. con cinco diferentes R0 (3, 2.5, 2.2, 2 y 1.5) como factores de mitigación respectivas de 0, 25, 37.5, 50 y 75%; estas últimas se calcularon en presencia de las medidas de contención antes mencionadas. Los cálculos se realizaron con el Programa de Excel 365 ProPlus. En relación con el análisis de sensibilidad, los modelos de este tipo tienen que alimentarse diariamente; una vez ajustados dan una confiabilidad de 95% a 30 días. Posteriormente, va disminuyendo su confiabilidad, por lo que pueden presentar dos tipos de errores: el epistémico, que se da por las variables latentes y, el error aleatorio, que es inherente a las observaciones. Ambos tipos de error se podrán evitar con el ajuste diario de los datos.

Con respecto a los resultados, al tener en cuenta que el primer caso se presentó el día 14 de marzo, en el cuadro I se reportan los principales hallazgos para cada escenario. Para el primer escenario, el valor R0=3, el cual es el primero de evolución “espontánea”, supone que no hay ninguna atención sanitaria ni intervención externa. Después de 13 semanas de crecimiento, el índice reproductivo resultó muy lento, hasta alcanzar un pico con 73.2% de la población infectada. En el segundo escenario, si el índice reproductivo es R0=2.5, se alcanzó a 65.8% de la población afectada (5 505 757 jaliscienses). El tercer escenario, con el índice R0=2.2 hay efecto en 58.9% de la población (4 925 866). En el cuarto escenario, con un índice reproductivo de R0=2, afecta a 53.6% de la población (4 481 430). Finalmente, con el quinto escenario, con índice reproductivo de R0=1.5, el pico máximo en la semana 73 resulta con 35% de la población afectada en su punto máximo (2 925 082).

Estos hallazgos muestran que la principal variable a vigilar es la fracción de la población que sigue siendo susceptible de ser infectada. Por lo tanto, reducir el índice reproductivo (R0) podría contener y mitigar el incremento de casos con mayor efectividad. Además, como muestran los resultados del estudio, mientras esta fracción de población susceptible se encuentre vigente, muy posiblemente habrá más de dos o tres oleadas. Ante ello, hay que estar preparados para entrar y salir de cuarentenas que dependerán del comportamiento de tasa de reproducción básico o R0.

Por último, queremos resaltar que, sin duda, los modelos predictivos de epidemias permiten apoyar las decisiones para planificar y preparar acciones concretas de manera más efectiva y anticipada en la contención de cualquier pandemia. En tal sentido, recomendamos ampliamente su promoción entre los tomadores de decisiones de los sistemas estatales de salud. Por otra parte, tanto el método de modelaje como los diferentes posibles escenarios utilizados son replicables en cualquier otro sistema estatal de salud. Para tal efecto, sólo habría que ajustar los principales parámetros y el tamaño de la población según el estado del que se trate.

Cuadro I: Características principales del modelo con diferentes R0. Guadalajara, Jalisco, 11 de junio de 2020 

R0=3 R0=2.5 R0=2.2 R0=2 R=1.5
Inicio del brote (semana) 13 (15/06/2020) 16 (07/07/2020) 19 (28/07/2020) 22 (16/08/2020) 40 (23/12/2020)
Pico máximo (semana) 27 (19/09/2020) 33 (31/10/2020) 38 (09/12/2020) 44 (16/01/2020) 73 (13/08/2021)
Población afectada en pico máximo (n) 6 128 217 5 505 757 4 925 866 4 481 430 2 925 082
Población afectada en pico máximo (%) 73.2 65.8 58.9 53.6 35
Fin del brote (semana) 43 (15/01/2020) 52 (14/03/2021) 60 (09/05/2021) 67 (02/07/2021) 108 (14/04/2022)
Duración total brote (# semana) 30 35 40 45 68
Población total afectada (%) 95 90 85 80 58.2

Referencias

Peng L, Yang W, Zhang D, Zhuge C, Hong L. Epidemic analysis of COVID-19 in China by dynamical modeling. arXiv preprint arXiv. 2002 [citado marzo 25, 2020]. Disponible en:Disponible en:https://arxiv.org/abs/2002.06563Links ]

Giuliani D, Dickson MM, Espa G, Santi F. Modelling and predicting the spread of Coronavirus (COVID-19) infection in NUTS-3 Italian regions. arXiv preprint arXi. 2020 [citado marzo 25, 2020]. Disponible en:Disponible en:https://arxiv.org/abs/2003.06664Links ]

Jia W, Han K, Song Y, Cao W, Wan S, Yang S, et al. Extended SIR prediction of the epidemics trend of COVID-19 in Italy and compared with Hunan, China. MedRxiv. 2020 [citado marzo 25, 2020]. Disponible en:Disponible en:https://bit.ly/2ycRHeWLinks ]

The Novel Coronavirus Pneumonia Emergency Response Epidemiology Team. The epidemiological characteristics of an outbreak of 2019 novel coronavirus diseases (COVID-19)- China. China CDC Weekly. 2020; 2(8):113-22 [citado marzo 25, 2020]. Disponible:Disponible:https://bit.ly/2WV3JUALinks ]

Declaración de conflicto de intereses. Los autores declararon no tener conflicto de intereses.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons