MODELO SIR

Modelo “SIR” para epidemias: Persistencia en el tiempo y nuevos retos en la era de la Informática
y las pandemias. Autor: Karell R. Vázquez Argote.

Resumen

Los orígenes de la modelación moderna de epidemias datan desde 1927, con la propuesta
de Kendrick y McCormick del modelo SIR (Susceptible, Infectado y Removido). Este
enfoque ha impactado positivamente en el área de modelación y control de epidemias.
En este trabajo se estudia el modelo SIR, así como algunas de sus modificaciones y se
implementa un método para la solución numérica del sistema de ecuaciones diferenciales
asociadas al modelo.
No todo modelo logra impactar en la comunidad científica, y esclarecer las razones que
hace posible que algunos sí lo consigan, reviste cierta importancia.
Consideramos que la relevancia del modelo SIR se manifiesta desde diferentes ángulos,
entre los que se destacan su simplicidad, su valor didáctico, su aplicabilidad a datos reales,
su extensibilidad para el estudio de epidemias con mecanismos más complejos. Nuestro
trabajo enfatiza en cada uno de estos aspectos y aborda nuevas interrogantes que impone la
realidad de las epidemias de nuestro tiempo al ejercicio de su modelación. En particular,
proponemos un nuevo enfoque para la estimación de los parámetros del modelo a partir de
datos reales. Asimismo, se obtuvieron soluciones numéricas para un modelo de epidemias
asociadas a vectores y se discute la eficacia de diferentes estrategias para su erradicación.
En nuestra opinión, lograr romper las barreras que alejan la modelación matemática de los
proveedores de salud pudiera revertirse en tomas de decisiones más justas y en la
aprehensión de una cultura imprescindible en la era informática.

Abstract

The origins of modern research on epidemics date back to 1927, with Kendrick’s and
McCormick’s “SIR” (Susceptible, Infected and Removed) model, whose impact in both
modeling and epidemic’s control is outstanding. The present paper studied the dynamics of
the SIR model and some of its modifications. A numeric solution method is introduced for
solving differential equation system associated to the SIR model.
Not every model is capable of being accepted by the scientific community, and to clarify
the reasons why in certain cases it has been possible may be relevant.
SIR model’s relevance can be regarded from different viewpoints, such as its simplicity, its
applicability to the study of r real data, the possibility to extend it into epidemics with more
complex mechanisms, as well as its didactic value. Our work emphasizes each of them, and
approaches some of the challenges imposed to epidemics modelling in our time. In
particular we propose a new approach for parameter estimation from real epidemic data. In
this study we obtained numeric solutions for models of vector related epidemics and
discuss the efficacy of different eradication strategies.
In opinion, to break the barriers separating mathematic modelling from health providers
must be beneficial for decision making, as well as for acquiring a needed culture at the age
of informatics.

Introducción

A partir del año 1950 la modelación matemática ha sido utilizada en la promoción efectiva
de acciones de salud.
Los orígenes de la modelación de epidemias, sin embargo, cuenta con una historia más
larga. Hace 80 años Kendrick y McCormick propusieron el más importante de los modelos
matemáticos para epidemias 1. Aunque no se trate de un olvido total de ese trabajo durante
sus primeros 50 años (ver por ejemplo 2, 3), todo indica que su amplia difusión comenzó a
partir de 1979 con el desarrollo de nuevas herramientas computacionales 4-9. Muchas de las
barreras que impedían que modelos de este tipo fuesen del dominio de la comunidad
médica se están derrumbando. Este modelo, conocido en la literatura como “SIR” (por sus
siglas; Susceptible, Infectado y Removido) ha impactado positivamente en el área de
modelación y control de epidemias. En nuestra opinión, su relevancia se manifiesta desde
diferentes ángulos, entre los que se destaca:

1. Su simplicidad. La cual se hace palpable en la sencillez de su estructura pues solo cuenta

con tres eslabones en su cadena. Esto permite una relativamente fácil obtención de las
ecuaciones que definen el sistema.

2. Su valor didáctico. Diferentes aspectos comunes a toda epidemia, como su carácter

explosivo, su naturaleza del tipo todo o nada, etc., pueden ilustrarse a partir del tratamiento
de este modelo.

3. Su aplicabilidad a datos reales. En la medida que un modelo refleja la realidad, su

utilidad es mayor y mayor es la certeza de que lo que se obtiene en el terreno de la
modelación debe manifestarse en el curso de una epidemia.

4. Su extensibilidad para el estudio de epidemias con mecanismos más complejos.

5. La posibilidad de estimar sus parámetros.

6. Nuevas aplicaciones prácticas basadas en el modelo.

El presente es un intento de valorar las virtudes del modelo SIR desde estos diferentes
ángulos. En nuestra opinión, lograr romper las barreras que alejan la modelación
matemática de los proveedores de salud pudiera revertirse en tomas de decisiones más
justas y en la aprehensión de una cultura imprescindible en la era informática.

1. Breve descripción del modelo.

Según el modelo SIR, un individuo susceptible (S) en contacto con un infestado (I), tiene
cierta probabilidad de transitar él mismo a la condición de infestado.
Por otra parte, la capacidad de infestar susceptibles no se mantiene siempre, sino que
desaparece al cabo de cierto tiempo. Ese fenómeno de "clarificación" (remoción
R=”removal”) puede ocurrir por diferentes mecanismos tales como curso natural de la
enfermedad con inmunidad adquirida, muerte (común en epidemias como Ebola, SARS), o
cuarentena. Este modelo toma su nombre (SIR) del esquema que lo representa:

Este esquema encuentra su representación matemática en el siguiente sistema dinámico:

S se asume que la población es constante, entonces:

Y bastará resolver las ecuaciones (2) y (3) para obtener la solución completa del sistema.
En este sentido, la sencillez de este modelo incluye no solamente la sencillez del esquema
matemático, sino también la sencillez y la plausibilidad de las ideas que lo sustentan. Hasta
una persona sin preparación especial sabe que las enfermedades contagiosas se “pegan” y
que al cabo de cierto tiempo la enfermedad “pasa” y casi nunca afectará de nuevo al mismo
individuo.
En modelación matemática, siempre habrá un compromiso entre hacer el modelo lo
suficientemente sencillo como para que sea tratable matemáticamente y, por otra parte,
hacerlo lo suficientemente abarcador como para que refleje los elementos esenciales de un
fenómeno.
Hasta las personas poco conocedoras saben que no todas las enfermedades contagiosas
siguen ese esquema, pero lo sorprendente de este modelo es la gran cantidad de
propiedades de una epidemia que pueden explicarse a partir del tratamiento matemático del
modelo SIR.

2. Interpretación de las epidemias a partir del modelo.

La solución del sistema (2-3) se obtiene al definir para cada momento de tiempo el valor de
las variables I (t) y S (t). Aun cuando se trata de un modelo “simple”, no es posible obtener
una solución analítica del mismo. Incluso para obtener soluciones analíticas bajo
condiciones donde el problema matemático se simplifica considerablemente, se requiere
”...some elementary but tedious algebra...” (4). Sin embargo, es posible también extraer
información importante acerca de una epidemia a partir de algunos cálculos bastante
simples.
Así, de la ecuación (3), se tiene que para que se desencadene una epidemia el número de
infectados debe aumentar en su etapa inicial, por lo que:

De donde:

(A la magnitud se le conoce como tasa de eliminación relativa “relative removal rate”).

Esto significa que la epidemia es un fenómeno umbral. Si en una comunidad dada, se
cumple que el número de susceptibles es mayor que S 0, en ese caso ocurra una epidemia.
Desde el punto de vista práctico, este resultado muestra que disminuyendo la población de
susceptibles (por ejemplo mediante la vacunación) es posible impedir el
desencadenamiento de una epidemia. Este resultado teórico nos muestra que la vacunación
selectiva cuando no es posible extenderla a toda la comunidad no es una opción inviable,
pues el número de susceptibles no tiene necesariamente que ser igual cero.
A diferencia de la solución analítica, obtener una solución numérica para un sistema de dos
ecuaciones es relativamente fácil (20 segundos de cálculo en una Pentium II) en la figura
#1 mostramos una simulación de una epidemia real obtenida a partir de una solución
numérica del sistema. En ese sentido, el modelo SIR es un excelente apoyo para la
comprensión de los mecanismos de una epidemia y las posibles vías para su control.

Figura #1. Ver texto.

3. Aplicación a datos reales.

Es evidente que ninguna epidemia real ocurre según un escenario tan simple.
La etiología de los posibles vectores, factores climáticos, la estructura etárea de la
población, diferentes fases del curso de la enfermedad, etc., pueden modular el desarrollo
de una epidemia. Lo que resulta sorprendente es que un modelo tan simple sea capaz de
4, 8
corresponderse con un gran número de situaciones reales .
Los propios autores del modelo SIR encontraron que bajo ciertas condiciones:

Donde el número (lo que se corresponde a una epidemia “pequeña”) es posible

obtener una solución analítica para la incidencia de “removidos” del sistema

Curiosamente, esta aproximación es buena incluso para el caso de epidemias que no pueden
considerarse como pequeñas. En particular, nuestro ajuste a una curva de un brote en una
escuela interna donde la mayoría de los individuos se infestó (5), obtuvimos que el 95% de
la varianza se explica si se aproximan los datos observados a una función del tipo (5). Lo
mismo parece ser válido para el caso de algunas epidemias que no siguen el modelo SIR,
como el caso del dengue, donde la infestación del vector y su interacción con el humano
hacen más complejo el modelo.
De esa manera, la aproximación con la secante hiperbólica parece ser buena para reproducir
el curso temporal de la epidemia y también para obtener estimados aproximados sobre los
parámetros del modelo.
Al aplicar este modelo para ajustar datos reales obtuvimos que en un gran número de
situaciones concretas los datos se describan satisfactoriamente en este modelo.
De esta forma el modelo SIR permite obtener buenas aproximaciones a datos reales de
epidemias.

4. Modelación de epidemias con mecanismos más complejos.

En la literatura es posible encontrar ejemplos de modelos de epidemias donde se trata de

caracterizar uno u otro tipo de mecanismo de infestación.
Así, por ejemplo, en el modelo SEIR se diferencian susceptibles y latentes, mientras que las
tasas de natalidad y mortalidad se incorporan al modelo. En ese caso el sistema dinámico
que corresponde a un modelo SEIR es:
En la literatura se abordan con frecuencia modelos de diferentes grados de complejidad, lo
que se resume en la figura #2.

Figura #2. Diferentes esquemas para modelos de epidemias.

Modelos específicos, como el del dengue 10, representado en la figura #3 se han elaborado
para diferentes enfermedades.
Figura #3. Esquema para la epidemia de dengue. Modificado a partir de [10]

Como se aprecia la gran diversidad de modelos tiene en común lo siguiente:

• Todos preservan en su “esqueleto” el modelo SIR.
• El planteo del modelo matemático se obtiene siguiendo la misma lógica utilizada en la
implementación del modelo SIR.

Cuando los modelos adquieren cierta complejidad, sin embargo, se hace difícil por una
parte, obtener los parámetros a partir de los datos y, por otra parte, el tratamiento
matemático se hace más difícil. Posiblemente esto permite explicar por qué los modelos
particularmente complejos se utilizan fundamentalmente para simular y no tanto para
estimar.
En el otro extremo de la modelación aparecen los modelos conducidos por datos (“data-
driven models”) donde la dinámica subyacente se obtiene partir de un modelo
8, 12
autorregresivo no lineal de toda la serie temporal .
Estos modelos son útiles para el caso cuando la enfermedad se hace endémica. La
combinación de un enfoque basado en datos con una modelación mecanicista potenciaría
notablemente los estadios de epidemias.
En particular, nuestro grupo, utilizando técnicas de identificación no lineal, ha encontrado
evidencias de bifurcaciones en la dinámica no lineal del sarampión en la época anterior a la
vacuna 11, lo que se corresponde con las predicciones planteadas por otros autores para un
modelo SEIR.

5. Estimación de parámetros.

En el marco de un modelo SIR es relativamente fácil obtener el comportamiento del

sistema dado un conjunto de parámetros. La tarea inversa, es decir, determinar los
parámetros del modelo a partir de datos observables requiere de una especial experticia.
Dadas las actuales posibilidades de los métodos de cómputo, es posible implementar un
método que ajuste la solución dados unos parámetros a un grupo de datos reales. Esa
opción no aparece implícita en ninguno de los paquetes estadístico conocidos ni en los
sistemas de solución de ecuaciones diferenciales. No obstante, su implementación es fácil
de lograrse. Mediante el ajuste de datos a la expresión de secante hiperbólica propuesta por
Kendrick y McCormick, es posible estimar algunos parámetros importantes de la epidemia.
La combinación de métodos numéricos con técnicas de optimización permitiría estimar el
conjunto de parámetros del sistema dinámico que mejor representan los datos. Una tarea de
ese tipo es alcanzable, dado el actual desarrollo de las técnicas numéricas 8, 13.

6. Nuevas aplicaciones prácticas basadas en el modelo.

En esta sección se describe una metodología propuesta por nuestro grupo para la predicción
del curso de una epidemia.

Uno de los resultados más interesantes del tratamiento matemático del modelo SIR es la
predicción de que bajo ciertas condiciones plausiblemente aceptables es posible predecir la
frecuencia de remoción (removal rate dR/dt) mediante la expresión:

dR /dt=A*sech2(B*t-C)

Donde A, B, C son constantes y t es el tiempo.

Entre las características más notables de esta función se destacan su simetría, y el hecho de
que el valor máximo se obtiene cuando el argumento de la cotangente hiperbólica se iguala
a cero. Eso ocurre cuando T pico=C/B.
En condiciones de adecuado monitoreo de la epidemia dR/dt equivale a la incidencia de
casos, pues en esas condiciones el paciente se hospitaliza o se somete a cuarentena.
En particular, Murray trata el ejemplo de la epidemia de peste en Bombay en 1905-1906.
La figura #4 reproduce los datos registrados semanalmente de la figura 19.2 del texto de
Murray 4.

4
Fig. 6. Datos de una epidemia de peste en Bombay .

Según Murray, los siguientes parámetros se ajustan adecuadamente a los datos:

A=890
B=0.2
C=3.4

Como se aprecia, el valor máximo se corresponde a C/B=3.4/0.2=18, lo que parece ser una
aproximación plausible.
Al estimar los parámetros mediante un algoritmo de optimización, por el método de Gauss
Newton (Grave et al, 1991), obtuvimos los siguientes valores para el caso cuando se
incluyeron los datos de las 30 semanas:
A=865 (3%)
B=0.2 (0%)
C=3.2 (6%)

Como se observa, existe una gran concordancia entre las dos estimaciones.
Los resultados, como es de esperar, dependen fuertemente del número de puntos que se
usen para la estimación. Esos resultados se han reflejado en la Tabla I.

Tabla I. Dependencia de los parámetros del modelo respecto al número de puntos que se
incluyan para la estimación.

Como se aprecia de la tabla I con la mitad de los puntos de la onda es posible obtener
buenos estimados de los parámetros. Cuando se toma el 25% de los puntos iniciales de la
onda, se aprecia que el valor del pico de incidencia está muy distorsionado, cayendo hasta
menos del 4 por ciento de su valor real.
No obstante, en esas condiciones se obtienen buenos estimados de los componentes que
caracterizan el curso temporal de la epidemia.
Utilizando solamente 6 puntos la correspondencia con la realidad se distorsiona
notablemente.
Más adelante proponemos un método que permite obtener estimados plausibles de los
parámetros de la epidemia utilizando un número pequeño de puntos de la fase inicial.
Por definición, la cosecante hiperbólica es el inverso del coseno hiperbólico, por lo que la
expresión (1) puede representarse como:

dR/dt=A/(cosh2(B*t-C)) (2)

Para comodidad del análisis ulterior, representamos dR/dT=Y, representando con Y la

incidencia de la enfermedad.

Y(t)=A/(cosh2(B*t-C)) (3)

La aproximación del coseno hiperbólico con serie de Taylor indica que Cosh(x)=1+x2/2! +
X4/4! +…

La expresión recíproca de (3) nos sugiere

(1/Y(t))= (cosh (B*t-C))2 / A

(1/Y(t))1/2= (cosh (B*t-C)) / A1/2 =~ A-1/2 * (1+(1/2)* (B*t-C)2+(1/24)*(B*t-C)4) (4)

A partir de (4) se hacen las siguientes aproximaciones.

Por cuanto C>1, B<0, se justifica, para valores pequeños de t, eliminar el 1 en el polinomio
de la expresión (4), por lo que

(1/Y(t))1/2 =~ A-1/2 *(B*t-C)2 *((1/2) +(1/24)*(B*t-C)2) (5)

Para valores pequeños de t debe cumplirse t<0.5C/B, mientras que C<24, para la mayoría
de las situaciones reales. Por lo que la expresión entre paréntesis debe ser mayor de 0.5,
pero no mayor de 1, por lo que ese miembro puede tomarse como próximo a la unidad, de
modo que ((1/Y (t))1/4)=~ K*(B*t-C) (6).
De esta manera, para valores iniciales de la epidemia debe existir una relación
aproximadamente lineal entre la raíz cuarta del recíproco de los datos de incidencia y el
tiempo. Debe cumplirse además que la relación entre los dos coeficientes de la ecuación
deba ofrecer un estimado del momento pico de la epidemia.
Esta relación lineal no debe extenderse hasta el momento del pico, pero la función lineal
evaluada en algún punto anterior al máximo debe brindar un buen estimado del valor
máximo de incidencia.

Comportamiento de datos reales.

Figura 7. Ilustración del método. Datos de la figura 6.

Como se aprecia de la figura 7, donde se transformaron los datos de la figura 6, los

primeros puntos se aproximan a una función lineal, con pendiente aproximadamente igual a
0.038 e intercepto igual a 0.65. La relación de los parámetros predice un valor máximo de
0.65/0.038=17 semanas, cercano al valor obtenido con todos los datos, mediante el método
clásico (16 semanas). El valor máximo (mínimo en esta gráfica de recíprocos se obtiene al
extrapolar la recta a un valor de 12 semanas). Lo que significa el 75% del momento pico
estimado.
Aplicando este método se obtiene un valor para el máximo de la epidemia de 625 casos por
semana, lo que se acerca al 72% del estimado original. Como se aprecia de la gráfica,
usando los primeros días de la epidemia es posible obtener la recta a partir de la cual se
predicen las características de la misma.
14
Datos de dengue. Epidemia de Santiago de Cuba (1997) .

Como se observa en la figura 8, el método fue capaz de predecir el momento del pico de
esta epidemia. Se obtuvo asimismo una predicción satisfactoria para el número de casos en
el pico.
 14
Figura 8. Datos de dengue en Santiago de Cuba

Como se aprecia, el método puede ser útil para evaluar la severidad de una epidemia que
está en marcha.

Conclusiones

 El modelo SIR es plausible y simple tanto en las ideas de su mecanismo básico

como en su formulación matemática.

 Propiedades importantes de las epidemias, como su carácter umbral, la manera

explosiva en que ascienden, etc. pueden ser explicadas a partir del modelo SIR.

 El modelo es capaz de reproducir datos de disímiles epidemias, en particular, la

solución simplificada con una función secante hiperbólica se ajusta a conjuntos de
datos reales.

 Mediante las adaptaciones correspondientes, el modelo puede extenderse al caso de

epidemias con mecanismos más complejos, como ocurre con epidemias inducidas
por vectores.

 Mediante técnicas de aproximación de funciones es posible estimar los parámetros

que caracterizan una epidemia.

 La metodología propuesta, que se basa en una extensión del modelo SIR, permite
predecir el curso de una epidemia a partir de los datos iniciales.
Bibliografía

1. Kermack, W. O., McKendrick, A. G. Contributions to the mathematical theory of

epidemics. Proc. Royal Soc. A, 115, 700-721 (1927).
2. Defares J G, Sneddon I N. The mathematics of Biology and Medicine. Editora
Revolucionaria. La Habana, 1970.
3. Bailey NTJ: The Mathematical Theory of Infectious Diseases and its Applications.
2nd Edition. Griffin, London. 1975.
4. Murray J D. Mathemativcal Biology. Springer Verlag. Berlin Heidelberg. 1990.

5. Ellner S P, Bailey B A, Bobashev G V, Gallant A R, Grenfell B T, Nychka D W.

Noise and Nonlinearity in Measles Epidemics: Combining Mechanistic and
Statistical Approaches to Population Modeling. American Naturalist, Vol. 151, No.
5 (May, 1998), pp. 425-440.

6. O. Diekmann and J. A. P. Heesterbeek. Mathematical Epidemiology of Infectious

Diseases: Model Building, Analysis and Interpretation. Wiley, 2000.

7. H. W. Hethcote. The mathematics of infectious diseases. SIAM Review, 42(4):599–

653, 2000.

8. Bjørnstad ON, Finkenstäd, B, and Grenfell BT. (2002) Dynamics of Measles

Epidemics: Estimating Scaling of Transmission Rates using a Time Series SIR
Model. Ecological Monographs 72 169-184.

9. Wai-Yuan Tan, Hulin Wu DETERMINISTIC AND STOCHASTIC MODELS OF

AIDS EPIDEMICS AND HIV INFECTIONS WITH INTERVENTION. World
Scientific. 2005.

10. Derouich M, Boutayeband A, Twizell EH. A model of dengue fever. BioMedical

Engineering OnLine 2003, 2:4.

11. Hernández Cáceres JL, Hernández Martínez L, Pérez Monzón M, and García
Domínguez L. Nonlinear properties of measles epidemic data assessed with a
Kernel Nonparametric Identification approach. Elect J. Biomedicine, No1, 2006.

12. Stark J and Hardy K. Chaos. Useful at last? Science 301, 1192-1193, 2003.

13. John J. Potterat, Helen Zimmerman-Rogers, Stephen Q. Muth, Richard B.

Rothenberg, David L. Green, Jerry E. Taylor, Mandy S. Bonney and Helen A.
White. Chiamydia Transmission: Concurrency, Reproduction Number, and the
Epidemic Trajectory American Journal of Epidemiology Vol. 150, 1999, No. 12:
1331-1339.

14. Kouri G, Guzmán MG, Valdés L, Carbonell I, Rosario D, Vázquez S, S, Laferte, J,

Delgado J, Cabrera MV . Reemergence of dengue in Cuba: a 1997 epidemic in
Santiago de Cuba. Emerg Infect Dis 1998;4:89–92.