186 Revista Argentina de Microbiologa (2011) 43:0325-7541

ISSN 186-190
ARTCULO ORIGINAL Revista Argentina de Microbiologa (2011) 43: 186-190

Predictibilidad de la propagacin espacial y temporal

de la epidemia de influenza A H1N1 en la Argentina por
el mtodo de percolacin
EDUARDO CUESTAS1*, MARIO VILAR2, PABLO SERRA3

rea de Epidemiologa Clnica y Bioestadstica, Hospital Privado Centro Mdico de Crdoba, Ctedra de Estadstica Mdica,
1

Facultad de Medicina, Universidad Catlica de Crdoba; 2Laboratorio de Microbiologa, Hospital Privado Centro Mdico de
Crdoba. Av. Naciones Unidas 346 (5016), Crdoba; 3Facultad de Matemtica, Astronoma y Fsica, Universidad Nacional de
Crdoba. Medina Allende s/n, Ciudad Universitaria, (5000) Crdoba, Argentina.
*
Correspondencia. E-mail: ecuestas@hospitalprivadosa.com.ar

RESUMEN
La epidemia de influenza A H1N1 se expandi rpidamente a nivel mundial dadas las actuales condiciones de alta
interconectividad y velocidad de los transportes, imperantes tanto entre las personas como entre los pases y las
regiones. La diseminacin espacial de la epidemia puede ser explicada mediante la teora de la percolacin, que
permite estimar un umbral ms all del cual se produce el traspaso de la epidemia entre distintas regiones geogrfi-
cas. El objetivo de este trabajo fue probar la capacidad predictiva del modelo de percolacin aplicado al anlisis de la
epidemia de influenza A H1N1 registrada en la Argentina en 2009, de acuerdo a los datos relevados por el Ministerio
de Salud Pblica de la Nacin. Para aplicar el mencionado modelo se consider al pas como un conjunto de figuras
geomtricas irregulares, contiguas y continuas, que pueden representarse en dos dimensiones en una carta geogrfica
plana. Se analiz la proporcin de provincias infectadas en el momento de la percolacin con respecto al tiempo y se
compararon los valores observados con los esperados mediante ecuaciones de estimacin curvilnea en un modelo
logstico. La percolacin ocurri en el da 45. El valor esperado que gener el modelo fue de 42,4 das, intervalo de
confianza de 95 % 28,5-56,3. La diferencia entre el valor observado y el esperado arroj un valor de p = 0,997. Se
concluye que el modelo posee un buen ajuste y una adecuada capacidad predictiva.
Palabras clave: propagacin; epidemia; influenza A H1N1, Argentina

ABSTRACT
Spatial and temporal spread predictability of influenza A H1N1 epidemic in Argentina by the percolation method.
The influenza A H1N1 epidemic has spread rapidly worldwide on account of the current conditions of high intercon-
nectivity and transport speed both among people and countries. The spatial spread of the epidemics can be explained
by the percolation theory which allows to estimate a threshold beyond which the transmission of the infection among
different geographic regions occurs. The aim of this study was to test the predictive ability of the percolation model
of influenza A H1N1 epidemic in Argentina according to data gathered by the National Department of Public Health.
In the model, the country was considered as a set of irregular, contiguous and continuous geometric figures, which
can be represented in two dimensions on a plane. We analyzed the proportion of infected provinces at the moment
of percolation in relation to time in days and compared observed and expected values by curvilinear equations in a
logistic model. Percolation occurred on day 45. The expected value generated by the model was 42.4 days, 95 % CI
28.5 to 56.3. The difference between observed and expected values was p = 0.997. We conclude that the model has
good fit and predictive capacity.
Key words: Spread; epidemic; influenza A H1N1, Argentina

INTRODUCCIN El virus de la influenza es altamente mutagnico y

El 29 de abril de 2009, la Organizacin Mundial de
la Salud (OMS) anunci la posibilidad de una rpida
diseminacin global de una cepa del virus de influenza
AH1N1 que haba sido detectada la semana anterior, por
lo que se estableci un nivel de alerta fase 5 (18). La fase
5 indica la transmisin continua de humano a humano de
una nueva cepa de influenza de origen animal en una de
las regiones de la OMS, tras haberse detectado casos
exportados a otra u otras regiones.
presenta un nmero reproductivo bsico (R0) cercano a
2, considerado moderado, aunque suficiente para propa-
gar rpidamente la infeccin y comprometer a una gran
cantidad de individuos de una poblacin (5).
En la Argentina, la epidemia desbord la capacidad del
sistema sanitario nacional y puso en evidencia la falta de
elementos objetivos que pudiesen estimar la capacidad
de propagacin epidmica en el espacio y en el tiempo.
Esta circunstancia limit la implementacin de medidas
tales como organizar y establecer, con la anticipacin
Propagacin de la epidemia de influenza
debida, las ubicaciones geogrficas de los centros de
referencia diagnstica y de procesamiento de muestras
virolgicas, entre muchas otras que hubieran permitido
dar una respuesta asistencial ms eficiente.
Analizar retrospectivamente el comportamiento de una
epidemia aporta informacin til ante posibles recurren-
cias y sirve para el ajuste de nuevas metodologas que
faciliten interpretaciones prospectivas. El estudio de la di-
nmica de la transmisin microbiana tratando de ajustarla
a modelos matemticos ha sido objeto de varios estudios
en los ltimos aos, y aunque los resultados obtenidos
son prometedores, la asociacin entre la matemtica y
la microbiologa contina siendo un tema controvertido y
complejo. No obstante, la interpretacin de los fenme-
nos epidemiolgicos usando patrones matemticos es
un campo en permanente desarrollo (7). En los ltimos
aos se han incorporado a la epidemiologa conceptos
tericos provenientes de la fsica y la matemtica para
el anlisis de las dinmicas asociadas con fenmenos
complejos, entre ellos los de caos dinmico, fractales,
sistemas disipativos y autoorganizacin (14).
Un proceso estocstico es un concepto estadstico que
sirve para caracterizar una sucesin de variables alea-
torias que evolucionan en funcin de otra variable, que
generalmente es el tiempo. Para explicar la propagacin
de una enfermedad en el espacio y en el tiempo, se ha
propuesto modelar la transmisin de las enfermedades
infecciosas mediante la dinmica de redes estocsticas
utilizando el concepto de conectividad espacial, de acuer-
do a la teora de la percolacin aplicada a la epidemiologa
o geometra del contagio (6).
La percolacin es una teora con la cual es posible
estudiar los patrones que exhibe la dinmica de un sis-
tema interconectado al azar (12). Si consideramos una
malla de geometra rectangular, cada retcula puede
estar ocupada o desocupada respecto de un factor
determinado (en nuestro caso, la presencia o ausen-
cia de infeccin), y este suceso se puede representar
con una probabilidad p. Entonces, considerando a una
retcula de ubicacin cualquiera en la malla, ocupada
con una probabilidad p, y a sus vecinas, desocupadas
aleatoria e independientemente con una probabilidad
1-p, sera posible modelar el comportamiento aleatorio
de ocupacin de las retculas mediante un algoritmo de
recorrido (o propagacin de la infeccin). Dependiendo
del tipo de geometra de la malla, el sistema evoluciona
en el tiempo hasta que en un momento dado es posible
pasar de agregaciones aisladas de retculas ocupadas a
conglomerados que atraviesan la malla de un extremo
a otro, tanto en sentido horizontal como vertical, evento
que se define como umbral de percolacin. El valor de p
en el que se llega al umbral de percolacin se denomina
probabilidad crtica (pc) (9).
Si suponemos entonces que una provincia infectada
puede contagiar a las vecinas que establecen continuidad
con ella, se establece un sistema de propagacin de la
187
infeccin. La percolacin es un fenmeno de umbral, y
para el caso particular de retculas finitas, el valor del um-
bral de percolacin es pc = 0,5927, tal como lo demuestra
Turner en un modelo estocstico (16). Esto significa que
el 59 % de las provincias deberan estar infectadas para
que pueda producirse la transmisin de la infeccin de
norte a sur y de este a oeste.
Se ha propuesto que la percolacin puede describir
adecuadamente el avance geogrfico de la epidemia de
influenza A H1N1. Luego de analizar la propagacin de
la epidemia en los Estados Unidos de Amrica sobre la
base de este modelo y considerando a los estados de
ese pas como celdas, Canals (1) propuso que el modelo
de percolacin es til para describir adecuadamente el
progreso que tuvo la epidemia, tras demostrar que el um-
bral de percolacin observado coincide con el esperado
cuando se ajusta una regresin entre la proporcin de
estados infectados y el tiempo con el mtodo de probito.
Asimismo y basndose en la utilizacin de pases como
unidades geogrficas, Canals y Canals (3) calcularon, al
inicio de la epidemia, el tiempo estimado de percolacin
mundial, con mucho mejor ajuste que el obtenido median-
te el modelo de celdas.
El objetivo de este trabajo fue probar la capacidad
predictiva del modelo de percolacin aplicado al anlisis
de la epidemia de influenza A H1N1 registrada en la
Argentina en 2009.
MATERIALES Y MTODOS
Durante el curso de la epidemia, se registraron las provincias
con casos confirmados por el Instituto Nacional de Microbiologa
en funcin del tiempo; en dicha situacin, la provincia poda
cambiar del estado de no infectada al de infectada. Se cata-
log a una provincia como infectada desde el momento en que
apareca el primer caso de influenza confirmado. Las provincias
que fueron cambiando de estado, ante la aparicin de casos
confirmados, se registraron en orden sucesivo sobre el mapa
poltico de la Repblica Argentina.
Los datos fueron obtenidos de los partes peridicos emitidos
por el Ministerio de Salud de la Repblica Argentina (13) durante
el transcurso de la epidemia, desde el 29 de abril hasta el 30
de diciembre de 2009. La proporcin de provincias infectadas
en funcin del tiempo se calcul sobre un mapa del Sistema
de Informacin Geogrfica diseado por el Instituto Geogrfico
Nacional (8), vigente a la fecha de la epidemia. Para realizar
dicho clculo, a los 24 distritos se les debe sustraer la provincia
de Tierra del Fuego, Antrtida e Islas del Atlntico Sur, ya que
por su condicin insular no contigua no cumple con uno de los
postulados bsicos de la percolacin (24 distritos = 23 provincias
+ Ciudad Autnoma de Buenos Aires Tierra del Fuego, Antrtida
e Islas del Atlntico Sur = 23).
Como definicin operativa, se consider como percolacin un
estado en el cual se tiene continuidad geogrfica de las provincias
infectadas; es decir, se puede atravesar el mapa del territorio
nacional de un extremo a otro, en los dos sentidos (horizontal
y vertical, sea cual fuere el recorrido). El umbral de percolacin
es, en cambio, la proporcin media de provincias infectadas en
el lmite mnimo en que el fenmeno de percolacin comienza
(cambia el estado del sistema de no percolante a percolante).
Es dable notar que por percolacin denominamos a un estado
arbitrario de provincias infectadas, mientras que el umbral de
188
percolacin es una media estadstica, la cual calculamos por
el mtodo de Montecarlo (ver ms adelante), y esta cantidad
tiene un error estadstico (excepto cuando el sistema es infinito).
Finalmente, el tiempo de percolacin es el momento temporal
en el cual se alcanza la percolacin (estado en el que es posible
realizar recorridos percolantes de un extremo a otro del sistema).
Se realizaron regresiones lineales entre estas proporciones
desde el inicio de la epidemia mediante estimaciones curvil-
neas bajo un modelo logstico: [p = a . t + b], donde p es la
proporcin de provincias infectadas, t es el tiempo en das de
la progresin de la epidemia, a es la pendiente de la regre-
sin y b es la intercepcin en el origen. Cabe aclarar que los
modelos de regresin lineal se utilizan para predecir el valor
de una caracterstica a partir de otra; en el caso particular que
analizamos, la proporcin de provincias afectadas sirve para
predecir el tiempo de propagacin de la infeccin. Para ello se
realiza un clculo mediante una ecuacin lineal, en la cual la
pendiente de la lnea y su intercepcin con los ejes cartesianos
ortogonales permiten, al realizar la grfica de la funcin, deter-
minar el valor esperado del tiempo de propagacin en relacin
con la proporcin de provincias infectadas. A partir de estos se
calculan los estadsticos, que son el coeficiente de regresin
(R), el coeficiente de determinacin (R2) y la prueba F, que da
la significacin estadstica del modelo.
Figura 1. Provincias infectadas (en negro) al da 45 de la epide-
mia. En este momento es posible establecer una continuidad de
recorrido, atravesando el mapa de norte a sur y de este a oeste.
Revista Argentina de Microbiologa (2011) 43: 186-190
El umbral de percolacin para la Repblica Argentina se
calcul realizando sorteos aleatorios, utilizando un modelo de
simulacin tipo Montecarlo para percolaciones verticales (norte-
sur) y horizontales (este-oeste), y observando que las provincias
no se superpusieran, hasta obtener un valor constante en tres
dgitos. Luego de aproximadamente 20 corridas, la proporcin de
stas sobre el total se estabiliz en la cifra pc = 0,5927 (3, 8, 10,
13). Reemplazando este valor en las regresiones, se determin
el tiempo predicho para alcanzar ese umbral como tiempo de
percolacin (tp). Para esta prediccin se estim el intervalo de
confianza del 95 % segn la siguiente frmula: IC95 % = tiem-
po de percolacin 1,96 multiplicado por la raz cuadrada del
tiempo (tp 1,96 x t). Este procedimiento se realiz usando la
informacin correspondiente a los das 10, 15, 20, 25, 30 y 50
desde el inicio de la epidemia, con el fin de estudiar la capacidad
predictiva del modelo. Los valores esperados se compararon
con los observados mediante la prueba de bondad de ajuste
de Hosmer-Lameshow. Se estableci un valor de significacin
de p < 0,05. Para realizar los clculos, se utiliz el programa de
estadstica SPSS (SPSS Inc., Chicago, IL, EE.UU.).
RESULTADOS
La percolacin nacional ocurri el da 45 despus del
primer caso confirmado (7 de mayo) y a los 51 das se
produjo la extensin de la epidemia a todo el territorio
argentino. En el da de percolacin haban cambiado de
estado el 45 % de las provincias, con una diferencia por-
centual de 14 % respecto del valor esperado (59 %). La
proporcin de provincias infectadas en esa fecha arroj
entonces un valor observado muy cercano al umbral de
percolacin esperado, de modo que no hubo una dife-
rencia estadsticamente significativa entre estos valores
(p = 0,997) (Figura 1).
En el modelo general, la proporcin de provincias tuvo
un ajuste adecuado, aunque present una distorsin en
los primeros das, cuando los valores observados cayeron
por debajo de los valores predichos, y en los ltimos das,
cuando los valores observados se encontraron por encima
de los esperados (Figura 2).
Los valores predichos para la percolacin, calculados
con el modelo, fueron razonablemente adecuados cuando
se realizaron las predicciones a los 10, 15, 20, 25, 30 y
50 das (Tabla 1). Para estos tiempos, los valores predi-
Figura 2. Regresin logstica del porcentaje de provincias
infectadas en funcin del tiempo, en das.
Propagacin de la epidemia de influenza 189

chos se ajustaron a los valores observados, por lo que la
capacidad predictiva de la proporcin de provincias fue
estable desde el inicio.
DISCUSIN
En este estudio se aplic por primera vez el mtodo
de percolacin para determinar el tiempo umbral de la
difusin geogrfica de la epidemia de influenza AH1N1
que tuvo lugar en la Argentina durante el ao 2009.
Con este mismo enfoque, otros autores han realizado
adecuadas predicciones del tiempo de percolacin, tanto
para los EE.UU. (1) como a nivel internacional (3), de
forma precisa y estable desde el inicio de la epidemia,
especialmente cuando se consider a los pases como
unidades geogrficas, ya que el modelo basado en celdas
de forma regular y simtrica usado en matemtica dista
de la geometra variable, asimtrica e irregular de los
pases. En estos trabajos, el cociente entre el tiempo de
percolacin calculado y el observado estuvo ligeramente
por debajo de la unidad a los 10 das, cercano a sta a
los 25 das y algo por encima a los 30 das. El mtodo
logartmico dio previsiones ms precisas que las pro-
porcionadas por los modelos basados en los nmeros
crudos (sin trasformacin logartmica) en el anlisis de
las variables.
Estos hallazgos coinciden con nuestros resultados. Por
esto, debe observarse que las predicciones del tiempo
de percolacin fueron siempre muy estables y cercanas
a la unidad. Este hecho permite deducir que el modelo
propuesto por Canals y Canals (3) puede ser mejorado
para evitar las distorsiones encontradas durante los prime-
ros das, lo que evidentemente optimizara la capacidad
predictiva del modelo previamente planteado (2).
Una debilidad de nuestro trabajo, al igual que lo ob-
servado en otras investigaciones (3), es que se calcul
el umbral de percolacin para retculas cuadradas (pc =
0,5927), y este fue aplicado de manera indistinta en la
estimacin del tiempo de percolacin, tanto por celdas
como por pases o provincias. Esta forma de clculo po-
dra condicionar el resultado de la variable dependiente
(tiempo) y distorsionar la capacidad predictiva del modelo.
Para evitar este inconveniente, tericamente cabra esti-
mar el umbral de percolacin sobre modelos geogrficos
de redes libres de escala (17), con un umbral de perco-
lacin de 0,3913. Tales modelos parecen representar en
forma ms realista los sistemas territoriales concretos
(15), aunque lamentablemente, por el momento son muy
difciles de llevar a la prctica dada la gran variabilidad
de las formas geogrficas, mucho ms complejas que el
simple modelo reticular de cuadrculas (4).
La utilizacin de este modelo incluye una serie de
elementos que aumentan su fortaleza, como la ausencia
de suposiciones sobre la distribucin de parmetros, so-
bre las distancias y recorridos y, particularmente, sobre
las interrelaciones espacio-temporales. Estos factores
podran claramente explicar el mejor ajuste que presenta
el modelo estocstico de percolacin con respecto a los
modelos epidemiolgicos clsicos, que usan ecuaciones
diferenciales (modelos SIER: susceptibles, infectados,
enfermos, recuperados) para estimar el nmero de casos
en un tiempo determinado, como lo demuestra Canals en
un trabajo reciente (2).
Este trabajo presenta una serie de limitaciones que, sin
duda, influyen sobre los resultados obtenidos y deben ser
mencionadas, como las variables externas concomitantes
de tipo meteorolgico y demogrfico, las distintas prc-
ticas de atencin y las diferentes condiciones socioeco-
nmicas, de accesibilidad, de vas de comunicacin y de
barreras geogrficas, cuya complejidad de anlisis hace
que sean imposibles de incluir en el modelo estudiado.
Adems, los datos se basan nicamente en casos confir-
mados, por lo que seguramente se subestiman los casos
reales que pueden haberse presentado en las distintas

Tabla 1. Capacidad predictiva del tiempo de percolacin (tp) y su respectivo IC 95 %

para las regresiones entre el porcentaje umbral estimado de provincias infectadas y el
tiempo, considerando diferentes nmeros de das desde el comienzo de la epidemia
hasta su propagacin a todo el territorio nacional.

Das Pendiente Intercepcin tp IC 95 % R2 F p

10 0,9766 0,2436 40,7 34,5-46,9 1,000 - -

15 0,9633 0,2633 41,3 33,7-48,8 0,800 04,22 0,288
20 0,9474 0,3200 41,9 33,1-50,6 0,787 07,40 0,113
25 0,9406 0,3504 42,2 32,4-52,0 0,810 12,80 0,037
30 0,9365 0,3728 42,3 31,6-53,0 0,825 18,88 0,012
50 0,9344 0,3883 42,4 28,5-56,3 0,848 27,92 0,003

tp: Tiempo de percolacin, IC 95 %: Intervalo de confianza de 95 %, R2: Coeficiente de determinacin,

F: Valor de la distribucin de probabilidad F para la prueba de Hosmer-Lameshow, p: Probabilidad
de significacin estadstica (o probabilidad de cometer un error tipo I en el modelo predictivo), valor
observado/valor esperado.
190
regiones geogrficas, con lo cual la onda de propagacin
registrada podra no ajustarse necesariamente a la pro-
pagacin real de la epidemia en el tiempo y el espacio.
CONCLUSIONES
En conclusin, el mtodo aqu descrito, que hace uso
extensivo de los datos de la epidemia observada para
estimar la dinmica temporal y geogrfica del proceso de
difusin, constituye un nuevo enfoque para la previsin
de la difusin de las epidemias de gripe. El clculo de la
percolacin sera probablemente aplicable a la prediccin
de otras enfermedades transmisibles. Al igual que cual-
quier otro mtodo de prediccin, la percolacin requiere
de una recoleccin en tiempo real de datos para hacer
las predicciones a futuro. Por ltimo, el mtodo propuesto
debe ser contrastado con futuras investigaciones que
evalen las interacciones espacio-temporales con el
menor sesgo posible (11).
BIBLIOGRAFA
1. Canals M. Inicio de la pandemia AH1N1: lgebra, clculo y
geometra del contagio. Rev Med Chile 2009; 137: 852-6.
2. Canals M. Predictibilidad a corto plazo de casos de influen-
za AH1N1 basado en modelos determinsticos. Rev Chil
Infectol 2010; 27: 114-20.
3. Canals M, Canals A. Percolacin de la epidemia de influen-
za AH1N en el mundo: Utilidad de los modelos predictivos
basados en conectividad espacial. Rev Med Chile 2010;
138: 573-80.
4. Eguluz V, Klemm K. Epidemic threshold in structured scale-
free networks Phys Rev Lett 2002; 89: 108701. [http://prl.
aps.org/pdf/PRL/v89/i10/e108701.
Recibido: 15/02/11 Aceptado: 18/07/11
Revista Argentina de Microbiologa (2011) 43: 186-190
5. Fraser C, Donnelly CA, Cauchemez S, Hanage WP, Van
Kerkhove MD, Hollingsworth TD, Griffin J, Baggaley RF,
Jenkins HE, Lyons EJ, Jombart T, Hinsley WR, Grassly NC,
Balloux F, Ghani AC, Ferguson NM, Rambaut A, Pybus OG,
Lopez-Gatell H, Alpuche-Aranda CM, Chapela IB, Zavala
EP, Guevara DM, Checchi F, Garcia E, Hugonnet S, Roth C.
WHO Rapid pandemic assessment collaboration. Pandemic
potential of a strain of Influenza A (H1N1): early findings.
Science 2009; 324: 1557-61.
6. Grassberger P. On the critical behavior of the general epi-
demic process and dimensional percolation. Math Biosci
1983; 63: 157-72.
7. Grassly N, Fraser C. Mathematical models of infectious
disease transmission. Nat Rev Microbiol 2008; 6: 477-87.
8. Instituto Geogrfico Nacional. Repblica Argentina. http://
www.ign.gov.ar . Consultado el 11 de noviembre de 2010.
9. Kenah E, Robins JM. Second look at spread of epidemics
on networks. Phys Rev E Stat Nonlin Soft Matter Phys
2007; 76:036113. [Online] http://pre.aps.org/pdf/PRE/v76/
i3/e036113.
10. Kesten H. Percolation theory for mathematicians. 1st edition.
Boston, Birkhauser, 1982, p. 113-28.
11. Kuldorf M, Hjalmars U. The Knox model and other test for
space-time interaction. Biometrics 1999; 55: 544-52.
12. Meyers LA. Contact network epidemiology: bond percolation
applied to infectious disease prediction and control. Bull Am
Math Soc 2007; 44: 63-86.
13. Ministerio de Salud de la Nacin. Repblica Argentina. http://
www.msal.gov.ar. Consultado el 11 de noviembre de 2010.
14. Morin E. Introduccin al pensamiento complejo. 6ta edicin.
Barcelona, Ghedisa Ed, 2008, p. 25-50.
15. Serrano A, Bogu M. Percolation and epidemic thresholds
in clustered networks. Phys Rev Lett 2006; 97:088701-1-4.
[Online] http://prl.aps.org/pdf/PRL/v97/i8/e088701.
16. Turner MG. Spatial and temporal analysis of landscape
patterns. Landsc Ecol 1990; 4: 21-30.
17. Warren CP, Sander LM, Sokolov IM. Geography in scale-
free networks model. Phys. Rev. 2002; E 66, 056105.
18. World Health Organization. 2009, en http://www.who.int/esr/
disease/swineflu/. Consultado el 11 de noviembre de 2010.