Dinámica epidémica con procesos de infección no markovianos en redes de metapoblaciones

Área de la Ciencia:

• Epidemiología
• Biología Matemática
• Ciencia de Redes

Sus antecedentes:

• Los modelos epidémicos tradicionales a menudo asumen procesos markovianos, descuidando la infectividad dependiente del tiempo.
• Las redes de metapoblaciones y los patrones de movilidad recurrente son cruciales para comprender la propagación de enfermedades.
• Los procesos no markovianos, que reflejan la dinámica de infección del mundo real, requieren enfoques de modelado avanzados.

Objetivo del estudio:

• Desarrollar un modelo SIRS de reacción-difusión que incorpore procesos de infección no markovianos en redes de metapoblaciones.
• Investigar el impacto de la infectividad dependiente del tiempo y la movilidad recurrente en la propagación de epidemias.
• Derivar teóricamente las condiciones de brote epidémico y analizar su dependencia de los parámetros del modelo.

Principales métodos:

• Construcción de un modelo SIRS de reacción-difusión con infección no markoviana.
• Derivación de la función de tasa de infección utilizando la distribución del tiempo de generación.
• Incorporación de patrones de movilidad recurrente dentro de un marco de metapoblación.
• Aplicación de análisis de estabilidad de Lyapunov para determinar las condiciones de brote epidémico.

Principales resultados:

• Las características de la infección no markoviana alteran significativamente la propagación epidémica transitoria, incluso con números básicos de reproducción idénticos.
• El aumento del tiempo promedio para la generación de casos secundarios en procesos no markovianos reduce el impacto de la movilidad en la dinámica transitoria.
• La movilidad puede suprimir la propagación epidémica cuando la distribución de la población es altamente asimétrica.

Conclusiones:

• Los procesos de infección no markovianos del mundo real desempeñan un papel crítico en la configuración de la dinámica de los brotes epidémicos.
• Comprender estos efectos no markovianos es esencial para la predicción y el control precisos de epidemias.
• El modelo proporciona información sobre la interacción entre la duración de la infección, la movilidad y la propagación de enfermedades en redes complejas.