Predicción de casos de COVID-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidad

RESUMEN En este trabajo se aborda el problema de localización estratégica de bases y ambulancias, considerando la cantidad de habitantes y un ponderador de vulnerabilidad, confirmado por elementos socioeconómicos y epidemiológicos. A tal fin, se utiliza un modelo lineal generalizado (GLM) para la pr...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Reid Calderón,Samantha, Nicolis,Orietta, Peralta,Billy, Menares,Franco
Lenguaje:Spanish / Castilian
Publicado: Universidad de Tarapacá. 2021
Materias:
Acceso en línea:http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052021000300564
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
id oai:scielo:S0718-33052021000300564
record_format dspace
spelling oai:scielo:S0718-330520210003005642021-11-19Predicción de casos de COVID-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidadReid Calderón,SamanthaNicolis,OriettaPeralta,BillyMenares,Franco Modelo GLM Modelo de localización-asignación COVID-19 RESUMEN En este trabajo se aborda el problema de localización estratégica de bases y ambulancias, considerando la cantidad de habitantes y un ponderador de vulnerabilidad, confirmado por elementos socioeconómicos y epidemiológicos. A tal fin, se utiliza un modelo lineal generalizado (GLM) para la predicción de casos de COVID-19 a nivel comunal y un modelo de optimización matemático de localización y asignación que maximiza la cobertura de atención a la población. La metodología se aplica en la región Metropolitana en Chile, analizando la situación actual de la institución del Servicio de Atención Médico de Urgencias (SAMU), encargada de la gestión de ambulancias en la región. Asimismo, se ocupará el Índice de Prioridad Social (IPS) como factor socioeconómico y la cantidad de pacientes confirmados por COVID-19 desde el 30 de Marzo hasta el 12 de Junio del 2020. En los resultados, para el modelo de predicción, se obtuvo una proyección coherente para una semana de estudio, con errores residuales aceptables. En cuanto al modelo de optimización, se comprueba la acción del ponderador de vulnerabilidad, tanto para una reasignación de ambulancias en el sistema como para una incorporación de bases y/o ambulancias, dando resultados en tiempos de cómputo aceptables.info:eu-repo/semantics/openAccessUniversidad de Tarapacá.Ingeniare. Revista chilena de ingeniería v.29 n.3 20212021-09-01text/htmlhttp://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052021000300564es10.4067/S0718-33052021000300564
institution Scielo Chile
collection Scielo Chile
language Spanish / Castilian
topic Modelo GLM
Modelo de localización-asignación
COVID-19
spellingShingle Modelo GLM
Modelo de localización-asignación
COVID-19
Reid Calderón,Samantha
Nicolis,Orietta
Peralta,Billy
Menares,Franco
Predicción de casos de COVID-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidad
description RESUMEN En este trabajo se aborda el problema de localización estratégica de bases y ambulancias, considerando la cantidad de habitantes y un ponderador de vulnerabilidad, confirmado por elementos socioeconómicos y epidemiológicos. A tal fin, se utiliza un modelo lineal generalizado (GLM) para la predicción de casos de COVID-19 a nivel comunal y un modelo de optimización matemático de localización y asignación que maximiza la cobertura de atención a la población. La metodología se aplica en la región Metropolitana en Chile, analizando la situación actual de la institución del Servicio de Atención Médico de Urgencias (SAMU), encargada de la gestión de ambulancias en la región. Asimismo, se ocupará el Índice de Prioridad Social (IPS) como factor socioeconómico y la cantidad de pacientes confirmados por COVID-19 desde el 30 de Marzo hasta el 12 de Junio del 2020. En los resultados, para el modelo de predicción, se obtuvo una proyección coherente para una semana de estudio, con errores residuales aceptables. En cuanto al modelo de optimización, se comprueba la acción del ponderador de vulnerabilidad, tanto para una reasignación de ambulancias en el sistema como para una incorporación de bases y/o ambulancias, dando resultados en tiempos de cómputo aceptables.
author Reid Calderón,Samantha
Nicolis,Orietta
Peralta,Billy
Menares,Franco
author_facet Reid Calderón,Samantha
Nicolis,Orietta
Peralta,Billy
Menares,Franco
author_sort Reid Calderón,Samantha
title Predicción de casos de COVID-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidad
title_short Predicción de casos de COVID-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidad
title_full Predicción de casos de COVID-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidad
title_fullStr Predicción de casos de COVID-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidad
title_full_unstemmed Predicción de casos de COVID-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidad
title_sort predicción de casos de covid-19 y modelo de localización asignación de bases y ambulancias considerando factores de vulnerabilidad
publisher Universidad de Tarapacá.
publishDate 2021
url http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052021000300564
work_keys_str_mv AT reidcalderonsamantha predicciondecasosdecovid19ymodelodelocalizacionasignaciondebasesyambulanciasconsiderandofactoresdevulnerabilidad
AT nicolisorietta predicciondecasosdecovid19ymodelodelocalizacionasignaciondebasesyambulanciasconsiderandofactoresdevulnerabilidad
AT peraltabilly predicciondecasosdecovid19ymodelodelocalizacionasignaciondebasesyambulanciasconsiderandofactoresdevulnerabilidad
AT menaresfranco predicciondecasosdecovid19ymodelodelocalizacionasignaciondebasesyambulanciasconsiderandofactoresdevulnerabilidad
_version_ 1718324297288646656