ISSN: 0443-511
e-ISSN: 2448-5667
Usuario/a
Idioma
Herramientas del artículo
Envíe este artículo por correo electrónico (Inicie sesión)
Enviar un correo electrónico al autor/a (Inicie sesión)
Tamaño de fuente

Open Journal Systems

Alerta temprana de brotes COVID-19 para planear la respuesta en el IMSS / Early alert of COVID-19 outbreaks to plan the response in the IMSS

José Esteban Fernández-Gárate, Aide Jazmín González-Cruz, Jorge Zenil-Pérez, Ismael Seth Medina-Reyes, Humberto Frances-Salgado, Xóchitl Refugio Romero-Guerrero

Resumen


Resumen

El Instituto Mexicano del Seguro Social (IMSS) desarrolló e implementó herramientas de monitoreo y modelación de la epidemia para apoyar la organización y planeación de la respuesta adecuada y oportuna a la emergencia sanitaria por COVID-19. El objetivo de este trabajo es describir la metodología y los resultados de la herramienta de detección temprana de brotes denominada Alerta COVID-19. Se desarrolló un semáforo de alertamiento temprano que utiliza análisis de series temporales, así como un método bayesiano de detección temprana de brotes a partir de los registros electrónicos sobre COVID-19 para casos sospechosos, confirmados, incapacidades, hospitalizaciones y defunciones. A través de la Alerta COVID-19 se detectó oportunamente, con tres semanas de anticipación a la declaratoria oficial, el inicio de la quinta ola de COVID-19 en el IMSS. El método propuesto está orientado a generar alertas tempranas ante el inicio de una nueva ola de COVID-19, monitorear la fase grave de la epidemia y apoyar la toma de decisiones al interior de la institución; a diferencia de otras herramientas que tienen un enfoque dirigido a la comunicación de riesgos a la comunidad. Podemos concluir que la Alerta COVID-19 es una herramienta ágil que incorpora métodos robustos para la detección temprana de brotes.

 

Abstract

The Instituto Mexicano del Seguro Social (IMSS) developed and implemented epidemic monitoring and modeling tools to support the organization and planning of an adequate and timely response to the COVID-19 health emergency. The aim of this article is to describe the methodology and results of the early outbreak detection tool called COVID-19 Alert. An early warning traffic light was developed that uses time series analysis and a Bayesian method of early detection of outbreaks from electronic records on COVID-19 for suspected cases, confirmed cases, disabilities, hospitalizations, and deaths. Through Alerta COVID-19, the beginning of the fifth wave of COVID-19 in the IMSS was detected in a timely manner, three weeks before the official declaration. The proposed method is aimed at generating early warnings before the start of a new wave of COVID-19, monitoring the serious phase of the epidemic, and supporting decision-making within the institution; unlike other tools that have an approach aimed at communicating risks to the community. We can conclude that the Alerta COVID-19 is an agile tool that incorporates robust methods for the early detection of outbreaks.

 

 


Palabras clave


Infecciones por Coronavirus; Estudios de Series Temporales; Vigilancia Sanitaria / Coronavirus Infections; Time Series Studies; Health Surveillance

Texto completo:

PDF

Referencias


Guía de Continuidad de Operaciones para el Acceso con Oportunidad a los Servicios de Salud en las Unidades Médicas de la Administración Pública Federal. Versión 2.0, 29 de marzo 2021.

 

Kogan, N. E., Clemente, L., Liautaud, P., Kaashoek, J., Link, N. B., Nguyen, A. T., Lu, F. S., Huybers, P., Resch, B., Havas, C., Petutschnig, A., Davis, J., Chinazzi, M., Mustafa, B., Hanage, W. P., Vespignani, A., & Santillana, M. (2021). An early warning approach to monitor COVID-19 activity with multiple digital traces in near real time. Science advances, 7(10), eabd6989. https://doi.org/10.1126/sciadv.abd6989.

 

M. Lipsitch, M. Santillana, Enhancing situational awareness to prevent infectious disease outbreaks from becoming catastrophic. Curr. Top. Microbiol. Immunol. 424, 59–74 (2019).

 

J. Kaashoek, M. Santillana, COVID-19 positive cases, evidence on the time evolution of the epidemic or an indicator of local testing capabilities? A case study in the United States. arXiv:2004.3128874 (2020).

 

Indicators for Monitoring COVID-19 Community Levels and COVID-19 and Implementing COVID-19 Prevention Strategies. (2022, 25 febrero). CDC. Recuperado 2 de agosto de 2022, de https://www.cdc.gov/coronavirus/2019-ncov/downloads/science/Scientific-Rationale-summary-COVID-19-Community-Levels.pdf.

 

Índice de Alerta Temprana. (2020, 4 diciembre). Ministerio de Salud Bolivia. Recuperado 3 de febrero de 2022, de https://www.minsalud.gob.bo/es/component/jdownloads/?task=download.send&id=570&catid=29&m=0&Itemid=646.

 

Secretaria de Salud (2021) Lineamiento para la estimación de riesgos del semáforo por regiones Covid-19 [pdf]. Disponible en: <Disponible en: https://coronavirus.gob.mx/wp-content/uploads/2020/10/SemaforoCOVID_Metodo.pdf > [Consultado el 18 de agosto de 2021].

 

Capistrán, M.A., Capella, A.A., & Christen, J.A. (2020). Forecasting hospital demand during COVID-19 pandemic outbreaks. arXiv: Populations and Evolution.

 

García, Y. E., Christen, J. A., & Capistrán, M. A. (2015). A Bayesian Outbreak Detection Method for Influenza-Like Illness. BioMed research international, 2015, 751738. https://doi.org/10.1155/2015/751738.

 

Institute for Health Metrics and Evaluation (IHME). COVID-19 Mortality, Infection, Testing, Hospital Resource Use, and Social Distancing Projections. Seattle, United States of America: Institute for Health Metrics and Evaluation (IHME), University of Washington, 2022.

 

Lineamiento Estandarizado Para La Vigilancia Epidemiológica Y Por Laboratorio De La Enfermedad Respiratoria Viral. (2022, abril). Secretaria de Salud. Recuperado 06 de abril de 2022, de https://www.gob.mx/cms/uploads/attachment/file/715444/Lineamiento_VE_y_Lab_Enf_Viral_05042022.pdf.

 

Datos Abiertos Covid 19. (2022, 6 abril). Secretaria de Salud México. Recuperado 7 de abril de 2022, de https://www.gob.mx/salud/documentos/datos-abiertos-152127.

 

Taylor SJ, Letham B. 2017. Forecasting at scale. PeerJ Preprints 5:e3190v2 https://doi.org/10.7287/peerj.preprints.3190v2.

 

A Unified Approach to Interpreting Model Predictions. (2017). Recuperado 30 de junio de 2022, de https://papers.nips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html.


Enlaces refback

  • No hay ningún enlace refback.