COVID-19 : Adaptation of a model to predict healthcare resource needs in Valle del Cauca, Colombia

Abstract

Antecedentes: el Valle del Cauca es la región con el cuarto mayor número de casos de COVID-19 en Colombia (> 50,000 al 7 de septiembre de 2020). Debido a la falta de terapias anti-COVID-19, los tomadores de decisiones requieren datos precisos y oportunos para estimar la incidencia de la enfermedad y la disponibilidad de recursos hospitalarios para contener la pandemia. Métodos: Adaptamos un modelo existente al contexto local para pronosticar la incidencia de COVID-19 y el uso de recursos hospitalarios asumiendo diferentes escenarios: (1) la implementación de cuarentena del 1 de septiembre al 15 de octubre (tasa de crecimiento promedio diario de 2%); (2-3) restricciones parciales (a tasas de crecimiento del 4% y 8%); y (4) sin restricciones, asumiendo una tasa de crecimiento del 10%. También se presentaron escenarios previos con predicciones de junio a agosto. Estimamos el número de casos nuevos, las pruebas diagnósticas necesarias y el número de camas hospitalarias y de unidades de cuidados intensivos (UCI) disponibles (con y sin ventiladores) para cada escenario. Resultados: Estimamos 67,700 casos al 15 de octubre al asumir la implementación de una cuarentena, 80,400 y 101,500 casos al asumir restricciones parciales a tasas de infección del 4% y 8%, respectivamente, y 208,500 sin restricciones. Según diferentes escenarios, la demanda estimada de pruebas de reacción en cadena de la polimerasa con transcripción inversa osciló entre 202,000 y 1,610,600 entre el 1 de septiembre y el 15 de octubre. El modelo predijo el agotamiento de las camas de hospitales y UCI para el 20 de septiembre si se levantaran todas las restricciones y la tasa de crecimiento de la infección aumentara al 10%. Conclusión: No se espera que el levantamiento lento de las restricciones de distanciamiento social y la reapertura de la economía provoquen un agotamiento total de los recursos en octubre si la tasa de crecimiento diario se mantiene por debajo del 8%. Aumentar el número de camas disponibles proporciona una protección contra tasas de infección ligeramente más altas. Los modelos predictivos se pueden utilizar de forma iterativa para obtener predicciones matizadas que ayuden a la toma de decisiones.