Published July 21, 2021
| Version v1
Publication
Open
Transmission dynamics and forecasts of the COVID-19 pandemic in Mexico, March-December 2020
Creators
- 1. Georgia State University
- 2. Eastern Washington University
- 3. University of Virginia
- 4. Biocom
- 5. Scripps Institution of Oceanography
- 6. University of California, San Diego
- 7. University of Colima
- 8. Florida State University
- 9. University of Guadalajara
- 10. Indiana University Bloomington
Description
Mexico has experienced one of the highest COVID-19 mortality rates in the world. A delayed implementation of social distancing interventions in late March 2020 and a phased reopening of the country in June 2020 has facilitated sustained disease transmission in the region. In this study we systematically generate and compare 30-day ahead forecasts using previously validated growth models based on mortality trends from the Institute for Health Metrics and Evaluation for Mexico and Mexico City in near real-time. Moreover, we estimate reproduction numbers for SARS-CoV-2 based on the methods that rely on genomic data as well as case incidence data. Subsequently, functional data analysis techniques are utilized to analyze the shapes of COVID-19 growth rate curves at the state level to characterize the spatiotemporal transmission patterns of SARS-CoV-2. The early estimates of the reproduction number for Mexico were estimated between R t ~1.1–1.3 from the genomic and case incidence data. Moreover, the mean estimate of R t has fluctuated around ~1.0 from late July till end of September 2020. The spatial analysis characterizes the state-level dynamics of COVID-19 into four groups with distinct epidemic trajectories based on epidemic growth rates. Our results show that the sequential mortality forecasts from the GLM and Richards model predict a downward trend in the number of deaths for all thirteen forecast periods for Mexico and Mexico City. However, the sub-epidemic and IHME models perform better predicting a more realistic stable trajectory of COVID-19 mortality trends for the last three forecast periods (09/21-10/21, 09/28-10/27, 09/28-10/27) for Mexico and Mexico City. Our findings indicate that phenomenological models are useful tools for short-term epidemic forecasting albeit forecasts need to be interpreted with caution given the dynamic implementation and lifting of social distancing measures.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
شهدت المكسيك واحدة من أعلى معدلات الوفيات بسبب كوفيد-19 في العالم. أدى التنفيذ المتأخر لتدخلات التباعد الاجتماعي في أواخر مارس 2020 وإعادة فتح البلاد على مراحل في يونيو 2020 إلى تسهيل انتقال الأمراض بشكل مستدام في المنطقة. في هذه الدراسة، نقوم بشكل منهجي بتوليد ومقارنة التوقعات المستقبلية لمدة 30 يومًا باستخدام نماذج النمو التي تم التحقق منها مسبقًا بناءً على اتجاهات الوفيات من معهد القياسات والتقييم الصحي للمكسيك ومكسيكو سيتي في الوقت الفعلي تقريبًا. علاوة على ذلك، فإننا نقدر أعداد التكاثر لفيروس كورونا 2 المرتبط بمتلازمة الجهاز التنفسي الحادة الوخيمة بناءً على الطرق التي تعتمد على البيانات الجينية بالإضافة إلى بيانات حدوث الحالات. بعد ذلك، يتم استخدام تقنيات تحليل البيانات الوظيفية لتحليل أشكال منحنيات معدل نمو COVID -19 على مستوى الولاية لتوصيف أنماط انتقال فيروس كورونا 2 المرتبط بمتلازمة الجهاز التنفسي الحادة الوخيمة (SARS - CoV -2). تم تقدير التقديرات المبكرة لعدد التكاثر في المكسيك بين Rt ~ 1.1-1.3 من البيانات الجينومية وبيانات حدوث الحالة. علاوة على ذلك، تذبذب متوسط تقدير Rt حول ~ 1.0 من أواخر يوليو حتى نهاية سبتمبر 2020. يميز التحليل المكاني ديناميكيات كوفيد-19 على مستوى الولاية إلى أربع مجموعات ذات مسارات وبائية متميزة بناءً على معدلات نمو الوباء. تظهر نتائجنا أن توقعات الوفيات المتسلسلة من نموذج GLM وريتشاردز تتنبأ باتجاه هبوطي في عدد الوفيات لجميع فترات التنبؤ الثلاثة عشر للمكسيك ومكسيكو سيتي. ومع ذلك، فإن نماذج الوباء الفرعي و IHME تحقق أداءً أفضل في التنبؤ بمسار مستقر أكثر واقعية لاتجاهات وفيات COVID -19 خلال فترات التنبؤ الثلاث الأخيرة (09/21-10/21، 09/28-10/27، 09/28-10/27) للمكسيك ومكسيكو سيتي. تشير النتائج التي توصلنا إليها إلى أن النماذج الظاهرية هي أدوات مفيدة للتنبؤ بالأوبئة على المدى القصير، وإن كانت التوقعات تحتاج إلى تفسير بحذر بالنظر إلى التنفيذ الديناميكي ورفع تدابير التباعد الاجتماعي.Translated Description (French)
Le Mexique a connu l'un des taux de mortalité liés à la COVID-19 les plus élevés au monde. La mise en œuvre tardive des interventions de distanciation sociale à la fin du mois de mars 2020 et la réouverture progressive du pays en juin 2020 ont facilité la transmission durable de la maladie dans la région. Dans cette étude, nous générons et comparons systématiquement les prévisions à 30 jours en utilisant des modèles de croissance précédemment validés basés sur les tendances de la mortalité de l'Institute for Health Metrics and Evaluation pour le Mexique et Mexico en temps quasi réel. De plus, nous estimons le nombre de reproductions pour le SRAS-CoV-2 en fonction des méthodes qui s'appuient sur les données génomiques ainsi que sur les données d'incidence des cas. Par la suite, des techniques d'analyse de données fonctionnelles sont utilisées pour analyser les formes des courbes de taux de croissance de la COVID-19 au niveau de l'État afin de caractériser les modèles de transmission spatio-temporelle du SRAS-CoV-2. Les premières estimations du nombre de reproduction pour le Mexique ont été estimées entre R t ~ 1,1-1,3 à partir des données génomiques et de l'incidence des cas. De plus, l'estimation moyenne de R t a fluctué autour de ~ 1,0 de fin juillet à fin septembre 2020. L'analyse spatiale caractérise la dynamique au niveau de l'État de la COVID-19 en quatre groupes avec des trajectoires épidémiques distinctes basées sur les taux de croissance épidémique. Nos résultats montrent que les prévisions séquentielles de mortalité du modèle GLM et Richards prédisent une tendance à la baisse du nombre de décès pour les treize périodes de prévision pour le Mexique et la ville de Mexico. Cependant, les modèles sous-épidémique et IHME prédisent mieux une trajectoire stable plus réaliste des tendances de la mortalité liée à la COVID-19 pour les trois dernières périodes de prévision (09/21-10/21, 09/28-10/27, 09/28-10/27) pour le Mexique et la ville de Mexico. Nos résultats indiquent que les modèles phénoménologiques sont des outils utiles pour la prévision des épidémies à court terme, bien que les prévisions doivent être interprétées avec prudence compte tenu de la mise en œuvre dynamique et de la levée des mesures de distanciation sociale.Translated Description (Spanish)
México ha experimentado una de las tasas de mortalidad por COVID-19 más altas del mundo. Una implementación retrasada de las intervenciones de distanciamiento social a fines de marzo de 2020 y una reapertura gradual del país en junio de 2020 han facilitado la transmisión sostenida de enfermedades en la región. En este estudio generamos y comparamos sistemáticamente pronósticos a 30 días utilizando modelos de crecimiento previamente validados basados en tendencias de mortalidad del Instituto de Métricas y Evaluación de la Salud para México y la Ciudad de México casi en tiempo real. Además, estimamos los números de reproducción para el SARS-CoV-2 en función de los métodos que se basan en datos genómicos, así como en datos de incidencia de casos. Posteriormente, se utilizan técnicas de análisis de datos funcionales para analizar las formas de las curvas de tasa de crecimiento de COVID-19 a nivel estatal para caracterizar los patrones de transmisión espaciotemporal del SARS-CoV-2. Las primeras estimaciones del número de reproducción para México se estimaron entre R t ~ 1.1-1.3 a partir de los datos genómicos y de incidencia de casos. Además, la estimación media de R t ha fluctuado alrededor de ~ 1,0 desde finales de julio hasta finales de septiembre de 2020. El análisis espacial caracteriza la dinámica a nivel estatal de COVID-19 en cuatro grupos con trayectorias epidémicas distintas basadas en las tasas de crecimiento epidémico. Nuestros resultados muestran que los pronósticos secuenciales de mortalidad del modelo GLM y Richards predicen una tendencia a la baja en el número de muertes para los trece períodos de pronóstico para México y la Ciudad de México. Sin embargo, los modelos de subepidemia y IHME tienen un mejor desempeño al predecir una trayectoria estable más realista de las tendencias de mortalidad por COVID-19 para los últimos tres períodos de pronóstico (21-09-21, 28-09-27, 28-09-27) para México y la Ciudad de México. Nuestros hallazgos indican que los modelos fenomenológicos son herramientas útiles para el pronóstico de epidemias a corto plazo, aunque los pronósticos deben interpretarse con cautela dada la implementación dinámica y el levantamiento de las medidas de distanciamiento social.Files
journal.pone.0254826&type=printable.pdf
Files
(3.8 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:70358602de142091e0f746ddf114cefe
|
3.8 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- ديناميكيات الانتقال وتوقعات جائحة كوفيد-19 في المكسيك، مارس - ديسمبر 2020
- Translated title (French)
- Dynamique de transmission et prévisions de la pandémie de COVID-19 au Mexique, mars-décembre 2020
- Translated title (Spanish)
- Dinámica de transmisión y pronósticos de la pandemia de COVID-19 en México, marzo-diciembre 2020
Identifiers
- Other
- https://openalex.org/W3184856083
- DOI
- 10.1371/journal.pone.0254826
References
- https://openalex.org/W1496857014
- https://openalex.org/W1815575713
- https://openalex.org/W1981894478
- https://openalex.org/W1999223777
- https://openalex.org/W2000692687
- https://openalex.org/W2002822413
- https://openalex.org/W2025720061
- https://openalex.org/W203306178
- https://openalex.org/W2097446414
- https://openalex.org/W2102187991
- https://openalex.org/W2114123573
- https://openalex.org/W2119611042
- https://openalex.org/W2132926880
- https://openalex.org/W2141052558
- https://openalex.org/W2198854280
- https://openalex.org/W2410602045
- https://openalex.org/W2529762274
- https://openalex.org/W2551299342
- https://openalex.org/W2605343262
- https://openalex.org/W2750398991
- https://openalex.org/W2772258443
- https://openalex.org/W2797526552
- https://openalex.org/W2807308836
- https://openalex.org/W2924136820
- https://openalex.org/W2944910877
- https://openalex.org/W2964299980
- https://openalex.org/W2969976360
- https://openalex.org/W3003217347
- https://openalex.org/W3003668884
- https://openalex.org/W3006028741
- https://openalex.org/W3008629533
- https://openalex.org/W3015571324
- https://openalex.org/W3021195606
- https://openalex.org/W3022825990
- https://openalex.org/W3023063175
- https://openalex.org/W3023228748
- https://openalex.org/W3024182221
- https://openalex.org/W3026268078
- https://openalex.org/W3029463817
- https://openalex.org/W3029487086
- https://openalex.org/W3030464172
- https://openalex.org/W3033469780
- https://openalex.org/W3035431650
- https://openalex.org/W3041505086
- https://openalex.org/W3043191837
- https://openalex.org/W3045826437
- https://openalex.org/W3047148285
- https://openalex.org/W3048616876
- https://openalex.org/W3084465714
- https://openalex.org/W3085403035
- https://openalex.org/W3086979214
- https://openalex.org/W3093610264
- https://openalex.org/W3111774194
- https://openalex.org/W3115156169
- https://openalex.org/W3118302606
- https://openalex.org/W3120614785
- https://openalex.org/W3121991284
- https://openalex.org/W3123978388
- https://openalex.org/W3125060705
- https://openalex.org/W3127589090
- https://openalex.org/W3163778624
- https://openalex.org/W3192600070
- https://openalex.org/W4205534117
- https://openalex.org/W429766147
- https://openalex.org/W4302778915
- https://openalex.org/W4388299012