Análisis espaciotemporal de la incidencia de Covid-19 en México para la identificación de oleadas de contagios

Main Article Content

Juan Manuel Núñez Hernández http://orcid.org/0000-0002-9835-0599
Abraham Moisés Reyes Luna http://orcid.org/0000-0003-2211-1556
Gabriela Quiroz Cazares http://orcid.org/0000-0001-7221-7987
Mauricio Galena Pizaña http://orcid.org/0000-0003-3623-6851

Resumen

El objetivo principal de este estudio es el análisis de los patrones espacio-temporales del COVID-19 en México para la identificación de oleadas de contagios y para ampliar la investigación acerca de las consecuencias de la pandemia. Mediante el uso de Sistemas de Información Geográfica (SIG), se realizó un análisis de agrupamiento espaciotemporal durante año y medio desde el inicio de los contagios hasta la vacunación de dosis completa a la población mayor de 40 años. El modelo implementado recoge características sociales a nivel municipal, datos de contagios semanales, y considera la accesibilidad y capacidad de gestión local. Los resultados confirman cambios en los regímenes espaciales entre las tres olas de propagación identificadas. La evidencia podría ser de ayuda para que los interesados realicen evaluaciones adecuadas de las estrategias de salud seguidas por las autoridades durante el periodo de mayor emergencia sanitaria en México.

Article Details

Como citar
NÚÑEZ HERNÁNDEZ, Juan Manuel et al. Análisis espaciotemporal de la incidencia de Covid-19 en México para la identificación de oleadas de contagios. Quivera Revista de Estudios Territoriales, [S.l.], v. 26, n. 1, p. 89-108, ene. 2024. ISSN 2594-102X. Disponible en: <https://quivera.uaemex.mx/article/view/18454>. Fecha de acceso: 28 mayo 2024 doi: https://doi.org/10.36677/qrvet.v26i1.18454.
Sección
Artículos de investigación

Citas

Abdalla, R. y Esmail, M. (2019). Artificial Intelligence and WebGIS for Disaster and Emergency Management. En: R. Abdalla y M. Esmail (Eds.) WebGIS for Disaster Management and Emergency Response (pp. 57-62). Springer Cham. doi: https://10.1007/978-3-030-03828-1_6

Armitage, P. y Berry G. (1997). Estadística para la investigación biomédica. Madrid: Harcourt Brace.

Ballesteros, P., Salazar, E., Sánchez, D. y Bolanos, C. (2021). Spatial and spatiotemporal clustering of the COVID-19 pandemic in Ecuador. Revista de la Facultad de Medicina, 69(1), e86476.
https://doi.org/10.15446/revfacmed.v69n1.86476

Bennett, L. y Pobuda, M. (2017). Machine learning in ArcGIS. Recuperado de: https://www. esri. com/arcgis-blog/products/arcgis-pro/analytics

Brezzi, M., Dijkstra, L. y Ruiz, V. (2011). The Economic Performance of Remote Rural Regions OECD Extended Regional Typology. OECD Publishing. Recuperado de: https://doi.org/10.1787/5KG6Z83TW7F4-EN

Brugués Rodríguez, A., Fuentes Flores, N. A. y Ramírez Cervantes, A. (2021). Análisis del patrón espacio-temporal de transmisión del COVID-19 por municipios de Baja California. Estudios fronterizos, 22, e071. https://doi.org/10.21670/ref.2108071

Coneval. (2020). Los mapas de Pobreza en México: Anexo técnico metodológico. Índice de rezago social municipal. Ciudad de México: Consejo Nacional de Evaluación de la Política de Desarrollo Social.

De la Peña, R. (2021). Los Datos Sobre COVID-19 en México: Un Modelo Para Armar. Denarius, (40), 34-34. https://doi.org/10.24275/uam/izt/dcsh/denarius/v2021n40/delaPeña

Esteinou, F. J. (2021). Las contradicciones de la política de comunicación covid-19: El fin de las conferencias vespertinas. Guadalajara, México: Instituto Tecnológico y de Estudios Superiores de Occidente.

Frakes, B. T., Flowe, T. y Sherrill, K. R. (2015). National park service travel time cost surface model (TTCSM). Natural Resource Report NPS/NRSS/NRR—2015/933. National Park Service, Fort Collins, CO.

Garay Villegas, S. y Calderón Chelius, M. (2021). Carencias sociales y COVID-19 en México: algunas diferencias en términos regionales. Iberoforum. Revista De Ciencias Sociales, 1(2), 1–32. https://doi.org/10.48102/if.2021.v1.n2.156

Greene, S. K., Peterson, E. R., Balan, D., Jones, L., Culp, G. M., Fine, A. D. y Kulldorff, M. (2021). Detecting COVID-19 Clusters at High Spatiotemporal Resolution, New York City, New York, USA, June–July 2020. Emerging Infectious Diseases, 27(5), 1500–1504. doi: 10.3201/eid2705.203583.

Grupo Técnico Asesor de Vacunación Covid-19. (2020). Priorización inicial y consecutiva para la vacunación contra SARS-CoV-2 en la población mexicana. Recomendaciones preliminares. Salud Pública de México, 63(2), 288-309. https://doi.org/10.21149/12399

Hernández Bringas, H. (2021). COVID-19 en México: un perfil sociodemográfico. Notas de Población. (111), 105-132. Recuperado de: https://hdl.handle.net/11362/46557

Huerta Cuervo, R. y Vanegas López, M. (2020). Metodología para la construcción del Índice de Capacidades Institucionales Municipales (ICIM). Sobre México Temas De Economía, 1(2), 101–133. Recuperado de: https://sobremexico-revista.ibero.mx/index.php/Revista_Sobre_Mexico/article/view/80

Johns Hopkins Coronavirus Resource Center. (2021). COVID-19 Map. Johns Hopkins Coronavirus Resource Center.

INEGI (2012). Conjunto de datos vectoriales de información topográfica digital. Escala 1:250,000. Serie IV. México: Instituto Nacional de Estadística y Geografía.

INEGI (2015). Conjunto de datos vectoriales de información topográfica digital, por condensado estatal. Escala 1:250 000. Serie IV. (Capa Unión), escala: 1:250,000. México: Instituto Nacional de Estadística y Geografía.

INEGI (2016). Conjunto de datos vectoriales de uso de suelo y vegetación. Escala 1:250 000. Serie VI (Capa Unión), escala: 1:250,000. México: Instituto Nacional de Estadística y Geografía.

INEGI, Instituto Mexicano del Transporte, Secretaría de Comunicaciones y Transportes. (2017). Red Nacional de Caminos, versión 2016. México: Instituto Mexicano del Transporte.

Institute for Global Health Sciences. (2021). La respuesta de México al covid-19: estudio de caso. Institute for Global Health Sciences. Recuperado de: https://globalhealthsciences.ucsf.edu/sites/globalhealthsciences.ucsf.edu/files/la_respuesta_de_mexico_al_covid_esp.pdf

Kaundinya, D. P., Balachandra, P., Ravindranath, N. H. y Ashok, V. (2013). A GIS (geographical information system)-based spatial data mining approach for optimal location and capacity planning of distributed biomass power generation facilities: A case study of Tumkur district, India. Energy, (52), 77-88

Leveau, C. M. (2021). Difusión espacio-temporal de muertes por COVID-19 en Argentina. Revista Panamericana de Salud Pública, 45(3). doi: https://doi.org/10.26633/RPSP.2021.3

López Mora, D. E., Espinoza, D. J., Dabanch, D. J., y Cruz, D. R. (2021). Emergencia de variante Delta- B.1.617.2. Su impacto potencial en la evolución de la pandemia por SARS-CoV-2. Boletín Micológico, 36(1). https://doi.org/10.22370/bolmicol.2021.36.1.2883

Madhulatha, T. (2011). Comparison between k-means and k-medoids clustering algorithms. En: International Conference on Advances in Computing and Information Technology (pp. 472-481). Berlin, Heidelberg: Springer Berlin Heidelberg.

Mas, J. F. (2021). Spatio-temporal dataset of COVID-19 outbreak in Mexico. Data in brief, 35. https://doi.org/10.1016/j.dib.2021.106843

Mas, J. F. y Pérez-Vega, A. (2021). Spatiotemporal patterns of the COVID-19 epidemic in Mexico at the municipality level. PeerJ, 9, e12685. https://doi.org/10.7717/peerj.12685

Mendoza-González, M. F. (2020). Rezago social y letalidad en México en el contexto de la pandemia de enfermedad por coronavirus (COVID-19): una aproximación desde la perspectiva de la salud colectiva en los ámbitos nacional, estatal y municipal. Notas de Población, 111, 133-154.

Mo Y. y Zhao D. (2022). Spatial analysis on routine occupant behavior patterns and associated factors in residential buildings. Construction Research Congress 2022, 325–334. Recuperado de: https://par.nsf.gov/servlets/purl/10325247

Moore, T. W. y Dixon, R. W. (2015). A Spatiotemporal Analysis and Description of Hurricane Ivan's (2004) Tornado Clusters. Papers in Applied Geography, 1(2), 192-196.

Núñez, J., Galena-Pizaña, M., Jiménez-Ortega, A., Quiroz-Cazares, G., Balderas-Cruz, I., Seemann-Carús, S., Ordorica-Collado, M., y Lara-Pulido, J. (2021). Análisis de agrupamiento espacial de la letalidad por COVID-19 en México. CIENCIA Ergo-Sum, 28(4). doi: https://doi.org/10.30878/ces.v28n4a2

Patiño Fierro, M. P. y Cruz Reyes, G. (2020). Las medidas adoptadas por las entidades federativas ante la emergencia del Covid-19. Cuaderno de Investigación No. 7, Ciudad de México: Dirección General de Difusión y Publicaciones, Instituto Belisario Domínguez. Recuperado de: http://bibliodigitalibd.senado.gob.mx/handle/123456789/4856

PNUD. (2019). Informe de Desarrollo Humano Municipal 2010-2015. Transformando México desde lo local. Programa de las Naciones Unidas para el Desarrollo

Rokach, L. y Maimon, O. (Eds.) (2005). Data Mining and Knowledge Discovery Handbook. New York: Springer. doi: https://doi.org/10.1007/b107408

Ruda, A. (2016). Exploring tourism possibilities using GIS-based spatial association methods. Geographia Technica, 11(2).

Secretaría de Salud. (2020). COVID-19 Tablero México, información general. Gobierno de México. Recuperado de: https://coronavirus.gob.mx/datos/#DOView

Suárez Lastra, M., Valdés González, C., Galindo Pérez, M. C., Salvador Guzmán, L. E., Ruiz Rivera, N., Alcántara-Ayala, I., López Cervantes, M., Rosales Tapia, A. R., Lee Alardin, W., Benítez Pérez, H., Juárez Gutiérrez, M. del C., Bringas López, O. A., Oropeza Orozco, O., Peralta Higuera, A., & Garnica-Peña, R. J. (2020). Índice de vulnerabilidad ante el COVID-19 en México. Investigaciones Geográficas, (104). https://doi.org/10.14350/rig.60140

Weerasinghe, O. y Bandara, S. (2019). A GIS Based Methodology to Demarcate Modified Traffic Analysis Zones in Urban Areas. Moratuwa Engineering Research Conference (MERCon) (pp. 498-503). IEEE.

Wilkinson A., Dundon T., Marchington M. y Ackers P. (2004) Changing patterns of employee voice: Case studies from the UK and Republic of Ireland. Journal of Industrial Relations, 46, 298-322.

Xu, D. y Tian, Y.A. (2015) Comprehensive Survey of Clustering Algorithms. Annals of Data Science, 2, 165-193. http://dx.doi.org/10.1007/s40745-015-0040-1

Yan, Y., Wang, D., Yue, S. y Qu, J. (2019). Trends in summer air temperature and vapor pressure and their impacts on thermal comfort in China. Theoretical and Applied Climatology, 138(3-4), 1445-1456.