quanticpony / analysis-of-effectiveness-of-lockdown-policies-for-desease-containment

Trabajo de Fin de Grado de Física 2022

Trabajo Fin de Grado de Física

---

Análisis de efectividad de la contención epidémica por confinamiento

Analysis of effectiveness of lockdown policies for desease containment

---

Autor

Unai Lería Fortea

Directores

Jesús Gómez Gardeñes

David Soriano Paños

DEPARTAMENTO DE FÍSICA DE LA MATERIA CONDENSADA

2022

Resumen

Nuestro objetivo en este trabajo es ofrecer un modelo epidemiológico simple que tenga en cuenta las políticas de restricción de movilidad, que permita emular las evoluciones de epidemias reales y que ofrezca información sobre la importancia de estas medidas. Mostraremos la relevancia de la determinación del número de reproducción básico al comienzo de epidemias para obtener información de la expansión de la enfermedad y lo evaluaremos en nuestro modelo. Simularemos epidemias para estudiar los efectos de implementaciones precoces/tardías de las restricciones y el efecto de la permeabilidad de estas medidas. Para crear el modelo epidemiológico aprovecharemos las herramientas de modelos compartimentales en su aproximaci ón de campo medio.

Finalmente, haremos uso de un m ́etodo de inferencia bayesiana relatívamente nuevo, Approximate Bayesian Computation (ABC), para ajustar los parámetros del modelo a datos reales de múltiples países. Con este análisis perseguimos el objetivo de observar si existe una correlación entre la permeabilidad de las medidas restrictivas con algún parámetro socio-económico que refleje la riqueza de la población de cada país.

Memoria

El archivo memoria.pdf o en el depósito de UNIZAR: https://deposita.unizar.es/record/69350?ln=es

Core

The core of this project was refined and moved into a Python module: compartmental. Check it out! https://quanticpony.github.io/compartmental/examples/SIR/

Requisitos

• numpy
• cupy así como una tarjeta gráfica compatible
• pandas
• geopandas
• matplotlib
• scipy
• SciencePlots es el estilo principal usado en los gráficos. No es imprescindible

Archivos

launcher.py

Archivo principal para ejecutar el código.

configuration_managment.ipynb

Archivo encargado de generar las configuraciones y preparar las simulaciones.

model/

Carpeta dedicada a los archivos con nuestro modelo.

model_seir/

Carpeta dedicada a los archivos con el modelo SEIR. Durante el trabajo solo es usada para las demostraciones del método Approximate Bayesian Computation ABC.

Agradecimientos

El estilo de las figuras ha sido fuertemente influenciado e inspirado por el libro "Scientific Visualization: Python & Matplotlib".