MODELADO MATEMÁTICO DEL COMPORTAMIENTO DE LA

PROPAGACIÓN DE ENFERMEDADES RESPIRATORIAS EN ESPACIOS

URBANOS: UN ENFOQUE PREDICTIVO PARA TOMA DE DECISIONES
1
Saúl Beltozar Clemente, Carrera de Medicina Humana, Universidad Científica del Sur
2
Saúl Beltozar Clemente, Carrera de Medicina Veterinaria, Universidad Científica del Sur
3
Saúl Beltozar Clemente, Carrera d Derecho, Universidad Científica del Sur
4
Saúl Beltozar Clemente, Facultad de Ingeniería, Universidad Científica del Sur
5
Saúl Beltozar Clemente, Facultad de Ingeniería, Universidad Científica del Sur

I. INTRODUCCIÓN
Las enfermedades respiratorias agudas representan una de las principales causas de
morbilidad y mortalidad a nivel mundial, afectando especialmente a poblaciones
vulnerables en contextos urbanos con alta densidad demográfica. Según
Organización Mundial de La Salud (2024)
estas enfermedades son responsables de más de 4 millones
de muertes al año, siendo exacerbadas por factores como la contaminación ambiental, el
hacinamiento y el cambio climático. Por su parte, Murray y López (2020)señalan que la
carga global de enfermedades respiratorias como la neumonía, la bronquitis crónica y la
influenza continúa en aumento, exigiendo respuestas integradas que incluyan el análisis
cuantitativo y predictivo de su propagación. En este marco, la aplicación de modelos
matemáticos en salud pública ha ganado relevancia como una herramienta eficaz para
anticipar brotes, estimar impactos y optimizar estrategias de intervención
En el contexto peruano, las enfermedades respiratorias constituyen un serio problema de
salud pública, particularmente en zonas urbanas como Lima Metropolitana, donde
confluyen altos niveles de contaminación del aire, transporte masivo y urbanización no
planificada. Según datos del
(Ministerio de Salud - MINSA - Plataforma Del Estado Peruano, 2024)
las infecciones respiratorias agudas (IRA) ocupan el primer lugar en la
lista de enfermedades atendidas en los centros de salud del país. Estudios realizados por
Tapia et al. (2020) destacan que, en distritos como San Juan de Lurigancho, Villa El
Salvador y Comas, la prevalencia de enfermedades respiratorias se ve agravada por la
exposición prolongada a contaminantes como el material particulado fino (PM2.5) y la
falta de ventilación en hogares e instituciones educativas. Esta situación evidencia la
necesidad de desarrollar herramientas científicas que integren variables sociales,
ambientales y sanitarias para comprender y mitigar el problema desde una perspectiva
integral.
Frente a esta problemática, el presente estudio tiene como objetivo desarrollar un
modelo matemático que describa el comportamiento de la propagación de enfermedades
respiratorias en espacios urbanos de Lima Metropolitana. El modelo integrará variables
epidemiológicas, demográficas y ambientales con el fin de predecir escenarios de
contagio, evaluar la efectividad de posibles intervenciones y proporcionar insumos
cuantitativos que contribuyan a la toma de decisiones en salud pública. Asimismo, se
busca destacar la relevancia del pensamiento matemático en la formación médica,
promoviendo el uso de herramientas cuantitativas para enfrentar desafíos complejos en
la práctica clínica y comunitaria.
II. MARCO TEORICO
2.1 contaminación del aire (PM₂.₅)
La contaminación atmosférica es uno de los principales factores de riesgo ambiental
para la salud humana. Entre los contaminantes más peligrosos se encuentran las
partículas en suspensión de diámetro inferior a 2.5 micras (PM₂.₅), que pueden penetrar
profundamente en los pulmones y entrar al torrente sanguíneo, generando efectos
nocivos en el sistema respiratorio y cardiovascular. Según la Organización Mundial de
la Salud (2021), los niveles elevados de PM₂.₅ están asociados con un aumento de la
mortalidad y morbilidad por enfermedades respiratorias crónicas y agudas. Tapia et al.
(2020) indican que un incremento en la concentración de PM₂.₅ en Lima ha generado
aumentos significativos en la mortalidad respiratoria diaria. Este contaminante es
emitido principalmente por fuentes móviles (vehículos), industriales y procesos de
combustión doméstica.
2.2 Enfermedades respiratorias agudas y su relación con el ambiente
Las enfermedades respiratorias agudas (IRA) son procesos infecciosos que afectan el
tracto respiratorio superior e inferior, como la bronquitis, neumonía y faringitis. Estas
enfermedades son particularmente frecuentes en niños menores de cinco años y en
adultos mayores. El Ministerio de Salud del Perú (2021) señala que las IRA constituyen
una de las principales causas de atención médica en el país. En un estudio reciente,
Chuchón-Cisneros (2024) encontró una fuerte correlación entre los niveles de
exposición prolongada a PM₂.₅ y el aumento de las emergencias por neumonía infantil
en Lima Metropolitana. El contexto urbano de esta región, caracterizado por altos
niveles de polución y densidad poblacional, agrava esta problemática, haciendo
necesaria la construcción de modelos predictivos que faciliten la toma de decisiones en
salud pública.
2.3 Planteamiento del modelo matemático
Con el objetivo de establecer una relación cuantitativa entre la contaminación del aire
(medida en μg/m³ de PM₂.₅) y la incidencia de enfermedades respiratorias agudas, se
propone el uso de un modelo de regresión lineal simple, dado que esta herramienta
permite analizar el efecto de una variable continua sobre otra. El modelo propuesto es:
I =B0 + B1 C +ε

donde:
 I representa la incidencia de IRA por cada 100 000 habitantes,

 C es la concentración promedio diaria de PM₂.₅,

  B0 es la ordenada al origen (valor base sin contaminación),

 B1 es el coeficiente de impacto del contaminante sobre la salud,

 ε es el término de error aleatorio.

Este modelo permitirá determinar si existe una relación estadísticamente significativa

entre el nivel de contaminación y los casos reportados de IRA, además de predecir
valores futuros. Para su validación, se utilizarán datos históricos proporcionados por
SENAMHI, DIGESA y establecimientos de salud del MINSA

III. DATOS
Tabla 1
Concentración anual de PM₂.₅ en Lima Metropolitana (2014–2023) e incidencias IRA

Incidencia IRA (casos por

Año PM₂.₅ (µg/m³) Días >25 µg/m³
100 000 hab.)
2014 29.5 158 419
2015 24.1 145 626
2016 27.8 152 774
2017 26.3 150 725
2018 25.6 147 551
2019 28.7 155 323
2020 19.5 135 172
2021 29.3 159 354
2022 35.8 170 1262
2023 23.7 142 474

Basado en datos de monitoreo de 5 estaciones de

(SENAMHI - Calidad Del Aire Estadistica, 2024)
Donde se observa que los valores están por encima del límite
recomendado por la UE (25 µg/m³) y casi siempre superan el estándar de la OMS
(10 µg/m³).
Tabla 2
Promedio de PM₂.₅ por zona (2010–2016)

Zona Promedio (µg/m³) Desviación estándar

Norte 22.7 ±4.2

Centro 17.7 ±2.3
Sur 20.5 ±3.5
Este 29.3 ±4.5
 Oeste 18.6 ±1.6

Valores ponderados por población según zonas de Lima,

(Monitoreo de Los Contaminantes Del Aire En L
Se
observa que todas las zonas superan el umbral WHO de 10 µg/m³
IV. DESARROLLO DEL MODELO MATEMÁTICO

IV.1 Cálculo del coeficiente de impacto del contaminante sobre la salud B1

De la tabla 1 podemos identificar:

promedio de la concentración de PM₂.₅: C=23.07
promedio de la Incidencia IRA: I =151.3
Cov(C , I )
de esto hallamos B1de la formula: B1=
Var (C)

Asimismo, Cov ( C , I )=∑ ( Ci−C ) ¿ ¿

También, Var ( C ) =∑ ( C i−C ) =170.50

2

384.01
Por lo tanto B1= =2.25
170.50

IV.2 Cálculo de B0 valor base de incidencia IRA en ausencia de contaminación

(PM₂=0)

Para ellos usamos la Formula: B0=I −B1 .C

B0=151.3−2.25 x 27.03=90.42

Por lo tanto, el modelo matemático sería:

I =90.42+2.25 C +ε

Donde:

𝛽₀ = 90.42: Valor base de incidencia de IRA en ausencia de contaminación (PM₂.₅ ≈

0).

𝛽₁ = 2.25: Por cada aumento de 1 µg/m³ en la concentración de PM₂.₅, la incidencia de

IRA aumenta en 2.25 casos por cada 100 000 habitantes
ε(épsilon): representa el error aleatorio o residuo
V. ANÁLISIS GRÁFICOS Y TABLAS
La tabla 3 nos muestra medida que aumenta la concentración de partículas
contaminantes PM₂.₅, también aumenta la incidencia de enfermedades respiratorias
agudas (IRA). Asimismo, La diferencia entre los valores estimados y observados,

modelo predice 155.06 casos y se observaron 155 lo cual origina un error de solo
llamados residuos (ε), es mínima en casi todos los años, por ejemplo, en 2019: el

0.06. Asimismo, en 2022: el modelo predice 171.05 casos y se observaron 170 origina
un error de 1.05. Estos errores tan pequeños respaldan la alta confiabilidad del modelo
matemático presentado por el grupo.
Tabla 3
Incidencia IRA como consecuencia del aumento en la concentración de PM₂.₅

IRA Observada IRA Estimada

Año PM₂.₅ (C) Residuo (ε)
(I) (Î)
2020 19.5 135 134.34 0.66
2023 23.7 142 143.8 −1.80
2015 24.1 145 144.7 0.3
2018 25.6 147 148.08 −1.08
2017 26.3 150 149.66 0.34
2016 27.8 152 153.03 −1.03
2019 28.7 155 155.06 −0.06
2021 29.3 159 156.41 2.59
2014 29.5 158 156.86 1.14
2022 35.8 170 171.05 −1.05

Figura 1
Relación entre PM₂.₅ e IRA
 La figura 01 muestra el comportamiento de la regresión lineal y su ajuste con los datos
observados, donde se identifica la línea roja discontinua son los valores estimados por el
modelo y los puntos azules datos reales observados. Se observa que las desviaciones son
pequeñas, esto respaldan la alta confiabilidad del modelo matemático presentado en el
trabajo académico.
VI. RECOMENDACIONES
Se recomienda incorporar modelos predictivos como el desarrollado en esta
investigación dentro de los sistemas de vigilancia en salud pública. Esto permitiría
anticipar escenarios de riesgo por contaminación y activar protocolos de atención
oportuna, especialmente en centros de salud de zonas urbanas densamente pobladas.
Es necesario promover campañas de educación ambiental y sanitaria que informen a la
población sobre los riesgos de la exposición al aire contaminado. Estas acciones deben
incluir recomendaciones preventivas, como evitar actividades al aire libre en días
críticos o usar mascarillas, fomentando así una mayor participación ciudadana en el
cuidado de la salud colectiva.
VII. CONCLUSIONES
Los resultados del modelo matemático confirman una relación directa entre la
concentración de PM₂.₅ y la incidencia de enfermedades respiratorias agudas en Lima
Metropolitana. La alta capacidad explicativa del modelo permite estimar con precisión
el impacto de la contaminación del aire sobre la salud. Este hallazgo refuerza la
necesidad de implementar políticas ambientales y sanitarias preventivas, así como el uso
de herramientas predictivas para la gestión del riesgo en salud pública. El estudio
demuestra que las matemáticas aplicadas pueden ser una valiosa herramienta para
enfrentar problemas reales que afectan directamente a la calidad de vida de la población

VIII. REFERENCIAS

Ministerio de Salud - MINSA - Plataforma del Estado Peruano. (2024).

[Link]

Monitoreo de los contaminantes del aire en Lima Metropolitana - [Servicio

Nacional de Meteorología e Hidrología del Perú - SENAMHI] |
Plataforma Nacional de Datos Abiertos. (2024).
[Link]
contaminantes-del-aire-en-lima-metropolitana-servicio-nacional-de

Murray, C. J. L. ., & Lopez, A. D. . (2020). The global burden of disease : a

comprehensive assessment of mortality and disability from diseases,
injuries, and risk factors in 1990 and projected to 2020 ; summary.
Published by the Harvard School of Public Health on behalf of the
World Health Organization and the World Bank : Distributed by
Harvard University Press.
Organización Mundial de la Salud. (2024). [Link]

SENAMHI - Calidad del Aire Estadistica. (2024).

[Link]

Tapia, V., Steenland, K., Vu, B., Liu, Y., Vásquez, V., & Gonzales, G. F.
(2020). PM2.5exposure on daily cardio-respiratory mortality in Lima,
Peru, from 2010 to 2016. Environmental Health: A Global Access
Science Source, 19(1). [Link]

Organización Mundial de la Salud. (2021). Air pollution.

[Link]

Tapia, V., Steenland, K., Vu, B., Liu, Y., Vásquez, V., & Gonzales, G. F.
(2020). PM₂.₅ exposure on daily cardio-respiratory mortality in Lima,
Peru, from 2010 to 2016. Environmental Health, 19(1), 63.
[Link]

Chuchón-Cisneros, R. M. (2024). Asociación entre la exposición a

PM₂.₅ y visitas de emergencia por neumonía en menores de 5 años –
Lima Metropolitana 2019 [Tesis de licenciatura, Universidad Peruana
Cayetano Heredia]. [Link]

Ministerio de Salud del Perú. (2021). Análisis de situación de salud del

Perú, 2021. [Link]