El impacto del rechazo a la vacuna COVID-19 en el ingreso hospitalario y la propagación de variantes en todo el mundo: implicaciones para la política de salud
DOI:
https://doi.org/10.33448/rsd-v11i11.33435Palabras clave:
Coronavirus; Vacuna; Modelo ARIMA; Rechazo; Hospitalización.Resumen
Objetivo. Predecir cuándo los diferentes países alcanzarán el 70 % de la población completamente vacunada contra el COVID-19 y evaluar los efectos del rechazo de la vacuna en el número de pacientes ingresados en la UCI y en las tasas de infecciones por omicron y otras variantes del SARS-Cov-2. Métodos. Datos sobre el 'número de pacientes con COVID-19 ingresados en UCI', 'proporción de personas que recibieron al menos una dosis de la vacuna COVID-19' y 'porcentaje de población no vacunada (EE. UU., Brasil, Europa, África, Asia) que se niega a recibir la primera dosis de la vacuna COVID-19' se recopilaron de una base de datos pública desde diciembre de 2020 hasta enero de 2022. Se utilizaron modelos basados en series temporales para predecir cuándo alcanzarán los países una tasa del 70 % de población completamente vacunada. Resultados. El modelo ARIMA fue sólido para predecir la vacunación contra la COVID-19 en diferentes países. En EE. UU., Brasil, la Unión Europea y Asia, el 70% de la población se vacunó contra el COVID-19 entre septiembre de 2021 y abril de 2022. En África, la previsión es solo a principios de 2024. El porcentaje de la población no vacunada había un efecto significativo en el aumento de las admisiones en la UCI y en el aumento de los casos variantes omicron, alfa, delta y gamma. Conclusión. Aunque el modelo ARIMA mostró el mejor rendimiento para predecir los patrones de vacunación, su precisión puede disminuir con el tiempo, especialmente debido a la tasa de rechazo a la vacunación. En este escenario, se deben implementar estrategias para mejorar la vacunación.
Citas
Aguado, M. T., Barratt, J., Beard, J. R., Blomberg, B. B., Chen, W. H., Hickling, J., ... & Ortiz, J. R. (2018). Report on WHO meeting on immunization in older adults: Geneva, Switzerland, 22–23 March 2017. Vaccine, 36(7), 921-931.
Arnold, T. W. (2010). Uninformative parameters and model selection using Akaike's Information Criterion. The Journal of Wildlife Management, 74(6), 1175-1178.
Aw, J., Seng, J. J. B., Seah, S. S. Y., & Low, L. L. (2021). COVID-19 vaccine hesitancy—A scoping review of literature in high-income countries. Vaccines, 9(8), 900.
Bertozzi, A. L., Franco, E., Mohler, G., Short, M. B., & Sledge, D. (2020). The challenges of modeling and forecasting the spread of COVID-19. Proceedings of the National Academy of Sciences, 117(29), 16732-16738.
Bhatta, M., Nandi, S., Dutta, S., & Saha, M. K. (2022). Coronavirus (SARS-CoV-2): a systematic review for potential vaccines. Human vaccines & immunotherapeutics, 18(1), 1865774.
Billah, B., King, M. L., Snyder, R. D., & Koehler, A. B. (2006). Exponential smoothing model selection for forecasting. International journal of forecasting, 22(2), 239-247.
Bozdogan, H. (1987). Model selection and Akaike's information criterion (AIC): The general theory and its analytical extensions. Psychometrika, 52(3), 345-370.
Brown, R. G., & Meyer, R. F. (1961). The fundamental theorem of exponential smoothing. Operations Research, 9(5), 673-685.
Burki, T. (2022). COVID-19 vaccine mandates in Europe. The Lancet Infectious Diseases, 22(1), 27-28.
Ceylan, Z. (2020). Estimation of COVID-19 prevalence in Italy, Spain, and France. Science of The Total Environment, 729, 138817.
Dong, Y., Dai, T., Wei, Y., Zhang, L., Zheng, M., & Zhou, F. (2020). A systematic review of SARS-CoV-2 vaccine candidates. Signal transduction and targeted therapy, 5(1), 1-14.
Faruk, D. Ö. (2010). A hybrid neural network and ARIMA model for water quality time series prediction. Engineering applications of artificial intelligence, 23(4), 586-594.
Fattah, J., Ezzine, L., Aman, Z., El Moussami, H., & Lachhab, A. (2018). Forecasting of demand using ARIMA model. International Journal of Engineering Business Management, 10, 1847979018808673.
Forni, G., & Mantovani, A. (2021). COVID-19 vaccines: where we stand and challenges ahead. Cell Death & Differentiation, 28(2), 626-639.
Gardner Jr, E. S. (1985). Exponential smoothing: The state of the art. Journal of forecasting, 4(1), 1-28.
Graeber, D., Schmidt-Petri, C., & Schröder, C. (2021). Attitudes on voluntary and mandatory vaccination against COVID-19: Evidence from Germany. PloS one, 16(5), e0248372.
Hansun, S. (2016). A new approach of brown’s double exponential smoothing method in time series analysis. Balkan Journal of Electrical and Computer Engineering, 4(2), 75-78.
Ho, S. L., & Xie, M. (1998). The use of ARIMA models for reliability forecasting and analysis. Computers & industrial engineering, 35(1-2), 213-216.
Hodgson, S. H., Mansatta, K., Mallett, G., Harris, V., Emary, K. R., & Pollard, A. J. (2021). What defines an efficacious COVID-19 vaccine? A review of the challenges assessing the clinical efficacy of vaccines against SARS-CoV-2. The lancet infectious diseases, 21(2), e26-e35.
Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International journal of forecasting, 20(1), 5-10.
Kaur, S. P., & Gupta, V. (2020). COVID-19 Vaccine: A comprehensive status report. Virus research, 288, 198114.
Khubchandani, J., Sharma, S., Price, J. H., Wiblishauser, M. J., Sharma, M., & Webb, F. J. (2021). COVID-19 vaccination hesitancy in the United States: a rapid national assessment. Journal of community health, 46(2), 270-277.
Konarasinghe, K. M. U. B. (2020). Modeling COVID-19 epidemic of USA, UK and Russia. Journal of New Frontiers in Healthcare and Biological Sciences, 1(1), 1-14.
Leask, J., Seale, H., Williams, J. H., Kaufman, J., Wiley, K., Mahimbo, A., ... & Attwell, K. (2021). Policy considerations for mandatory COVID‐19 vaccination from the Collaboration on Social Science and Immunisation. Medical Journal of Australia, 215(11), 499-503.
Loembé, M. M., & Nkengasong, J. N. (2021). COVID-19 vaccine access in Africa: Global distribution, vaccine platforms, and challenges ahead. Immunity, 54(7), 1353-1362.
Mattos, A. M. D., Costa, I. Z. K., Neto, M., Rafael, R. D. M. R., Carvalho, E. C., & Porto, F. (2021). Fake News in times of COVID-19 and its legal treatment in Brazilian law. Escola Anna Nery, 25.
Mendelson, M., Venter, F., Moshabela, M., Gray, G., Blumberg, L., de Oliveira, T., & Madhi, S. A. (2021). The political theatre of the UK's travel ban on South Africa. The Lancet, 398(10318), 2211-2213.
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series analysis and forecasting. John Wiley & Sons.
Ortega, F., & Orsini, M. (2020). Governing COVID-19 without government in Brazil: Ignorance, neoliberal authoritarianism, and the collapse of public health leadership. Global public health, 15(9), 1257-1277.
Pan, W. (2001). Akaike's information criterion in generalized estimating equations. Biometrics, 57(1), 120-125.
Phillips, G. B. (1978). Sex hormones, risk factors and cardiovascular disease. The American journal of medicine, 65(1), 7-11.
Ritchie, H., Mathieu, E., Rodés-Guirao, L., Appel, C., Giattino, C., Ortiz-Ospina, E., ... & Roser, M. (2020). Coronavirus pandemic (COVID-19). Our world in data.
Ritchie, H., Mathieu, E., Rodés-Guirao, L., Appel, C., Giattino, C., Ortiz-Ospina, E., ... & Roser, M. (2020). Coronavirus pandemic (COVID-19). Our world in data.
Rubin, R. (2021). COVID-19 vaccines vs variants—determining how much immunity is enough. Jama, 325(13), 1241-1243.
Sahai, A. K., Rath, N., Sood, V., & Singh, M. P. (2020). ARIMA modelling & forecasting of COVID-19 in top five affected countries. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 14(5), 1419-1427.
Sampford, M. R. (1978). Sampling Techniques.
Singh, S., Parmar, K. S., Kumar, J., & Makkhan, S. J. S. (2020). Development of new hybrid model of discrete wavelet decomposition and autoregressive integrated moving average (ARIMA) models in application to one month forecast the casualties cases of COVID-19. Chaos, Solitons & Fractals, 135, 109866.
Soares, P., Rocha, J. V., Moniz, M., Gama, A., Laires, P. A., Pedro, A. R., ... & Nunes, C. (2021). Factors associated with COVID-19 vaccine hesitancy. Vaccines, 9(3), 300.
Spector, P. E., Fox, S., Penney, L. M., Bruursema, K., Goh, A., & Kessler, S. (2006). The dimensionality of counterproductivity: Are all counterproductive behaviors created equal?. Journal of vocational behavior, 68(3), 446-460.
Taylor, J. W. (2003). Exponential smoothing with a damped multiplicative trend. International journal of Forecasting, 19(4), 715-725.
Uddin, M. N., & Roni, M. A. (2021). Challenges of storage and stability of mRNA-based COVID-19 vaccines. Vaccines, 9(9), 1033.
Wang, D., Hu, B., Hu, C., Zhu, F., Liu, X., Zhang, J., ... & Peng, Z. (2020). Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus–infected pneumonia in Wuhan, China. Jama, 323(11), 1061-1069.
Wang, M., Wu, Q., Xu, W., Qiao, B., Wang, J., Zheng, H., ... & Li, Y. (2020). Clinical diagnosis of 8274 samples with 2019-novel coronavirus in Wuhan. MedRxiv.
WHO, Immunisation coverage. July 15, 2020. https://www.who.int/ news-room/fact-sheets/detail/immunization-coverage, (2021).
Yonar, H., Yonar, A., Tekindal, M. A., & Tekindal, M. (2020). Modeling and Forecasting for the number of cases of the COVID-19 pandemic with the Curve Estimation Models, the Box-Jenkins and Exponential Smoothing Methods. EJMO, 4(2), 160-165.
Zhang, J. J., Dong, X., Cao, Y. Y., Yuan, Y. D., Yang, Y. B., Yan, Y. Q., ... & Gao, Y. D. (2020). Clinical characteristics of 140 patients infected with SARS‐CoV‐2 in Wuhan, China. Allergy, 75(7), 1730-1741.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Alexandre de Fátima Cobre; Dile Pontarolo Stremel; Beatriz Böger; Mariana Millan Fachi; Helena Hiemisch Lobo Borba ; Fernanda Stumpf Tonin; Roberto Pontarolo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
