Modelo de simulación del COVID-19 basado en agentes: Aplicación al caso argentino

Abstract

El modelo presentado es una simulación de múltiples agentes que visualiza la dinámica emergente de la interacción e influencia de un subconjunto de factores biológicos y sociales en el desarrollo de la pandemia COVID-19. El modelo se implementa en NetLogo (lenguaje de programación y entorno de simulación adaptado para simular fenómenos en donde intervienen múltiples agentes interactuando). El objetivo es simular mediante un enfoque didáctico, diferentes escenarioshipotéticos ajustando parámetros demográficos, médicos, sociales e Institucionales asociados a laevolución y dispersión del virus. Se analizaron cuatro escenarios de evolución del COVID19 enArgentina, con diferentes niveles de restricción en la movilidad de la población. Expresados en cantidad de días con cuarentena parcial, fueron: E1 90 días, E2 0 días, E3 63 días y E4 48 días,durante una simulación de 90 días corridos. El modelo permitió operacionalizar la manera en que distintas variables interactúan entre sí. Esto posibilita simular en un contexto multidimensional el efecto no lineal de variables explicativas sobre la evolución del COVID-19. El aislamiento social es,en todos los casos, la medida que más incide en el comportamiento de la difusión del virus, por lo tanto, la que más ayuda a la prevención y la ralentización del contagio.

The model presented is a multi-agent simulation that visualizes the emerging dynamics of the interaction and influence of a subset of biological and social factors in the development of the COVID-19 pandemic. The model is implemented in NetLogo (programming language and simulation environment, adapted to simulate phenomena involving multiple agents interacting). The objective is to simulate, through a didactic approach, different hypothetical scenarios adjusting demographic, medical, social and institutional parameters associated with the evolution and spread of the virus. Four evolution scenarios of COVID19 in Argentina were analyzed, with different levels of restriction in population mobility. Expressed in number of days with partial quarantine, they were: E1 90 days, E2 0 days, E3 63 days and E4 48 days, during a simulation of 90 consecutive days. The model made it possible to operationalize the way in which different variables interact with each other. This makes it possible to simulate in a multidimensional context the non-linear effect of explanatory variables on the evolution of COVID-19. Social isolation is, in all cases, the measure that most affects the behavior of the spread of the virus, therefore, the one that most helps to prevent and slow down the spread.