Lunes 14 de septiembre 2020 (9:30 \u2013 11:30)<\/b><\/p>\n
Modera: Eduardo Undurraga, Pontificia Universidad Cat\u00f3lica de Chile<\/p>\n
[divider top=\u00bbno\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n
Expositor: H\u00e9ctor Ram\u00edrez, Universidad de Chile<\/strong><\/p>\n Co-autores: Carla Castillo (Universidad del Desarrollo), Taco de Wolff (Universidad de Chile), Pedro Gajardo (Universidad T\u00e9cnica Federico Santa Mar\u00eda), Rodrigo Lecaros (Universidad T\u00e9cnica Federico Santa Mar\u00eda), Gerard Olivar (Universidad de Ays\u00e9n)<\/strong><\/p>\n Resumen:<\/strong> Non-pharmaceutical interventions, such as banning public events or lockdowns, have been widely applied around the world to control the current COVID-19 pandemic. Typically, this type of intervention is imposed when an epidemiological indicator, in a given population, exceeds a certain threshold. Then, the non-pharmaceutical intervention is lifted when the levels of the indicator used have decreased sufficiently. What is the best indicator to use? In this paper, we propose a mathematical framework to try to answer this question. More specifically, the proposed framework permits to assess and compare different event-triggered controls based on epidemiological indicators. Our methodology consists of considering some observations, consequences of the non-pharmaceutical interventions, that a decision maker aims to make as low as possible. For instance, the peak of ICU beds and the total number of days of lock-down. If an epidemiological indicator is used to trigger the interventions, there is naturally a trade-off between the observations that can be seen as a curve parameterized by the trigger threshold to be used. The computation of these curves for a group of indicators allows then to choose the best indicator, the one whose curve dominates the others. The methodology is illustrated with two indicators in the context of COVID-19 using deterministic compartmental models (SEIR-type), although the framework can be easily adapted for a larger class of models.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n Expositor: Jos\u00e9 Zubizarreta, Harvard University<\/strong><\/p>\n Co-autores: Yige Li (Harvard University), Eduardo Undurraga (Pontificia Universidad Cat\u00f3lica de Chile)<\/strong><\/p>\n Resumen:<\/strong> Six months into the pandemic, non-pharmaceutical interventions (e.g., social distancing, lockdowns) are the only available measure to control severe acute respiratory syndrome-coronavirus 2 (SARS-CoV-2) transmission. Around the world, policymakers have implemented localized lockdowns in small geographic areas to prevent the spread of the disease. As governments ease restrictions, localized lockdowns are becoming a relevant policy option in cases of resurgence, as they can, in principle, reduce social and economic costs compared to larger-scale SARS-CoV-2 suppression strategies. The effects of non-pharmaceutical interventions have been typically described using mathematical models; however, there is a lack of empirical evidence of their causal effects to inform health policy. Using an integrated dataset from Chile, we estimated the direct and indirect (spillover) causal effects of localized lockdowns on SARS-CoV-2 transmission. Our results show that the effectiveness of localized lockdowns is strongly modulated by duration and is affected by spillover effects from neighbouring geographic areas. Our projections suggest that extending localized lockdowns will slow down the epidemic. However, by themselves, localized lockdowns will be unable to control epidemic growth due to spillovers from neighbouring areas with high interdependencies, unless those contiguous areas also implement lockdowns.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n Expositor: Fernando C\u00f3rdova, Universidad Cat\u00f3lica del Maule<\/strong><\/p>\n Resumen:<\/strong> Al alero de un modelo por compartimentos SIR simple, se estudian las consecuencias epidemiol\u00f3gicas del estancamiento de n\u00famero de caso activos diario. Un resultado te\u00f3rico, es que la tasa de contagio en forma PREOCUPANTE debe estar aumentando. Se observan correlaciones con los datos.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb3″ margin=\u00bb15″]<\/p>\n Expositor: Tom\u00e1s Veloz, Fundaci\u00f3n Ciencia y Vida<\/strong><\/p>\n Co-autores: Bassi (Fundaci\u00f3n Ciencia y Vida), Maldonado (Fundaci\u00f3n Ciencia y Vida), Ropert (Fundaci\u00f3n Ciencia y Vida), Ravelo (Fundaci\u00f3n Ciencia y Vida), Barrios (Fundaci\u00f3n Ciencia y Vida), Bernardin (Fundaci\u00f3n Ciencia y Vida), Villaseca (Fundaci\u00f3n Ciencia y Vida), Valdenegro (Fundaci\u00f3n Ciencia y Vida), Perez-Acle (Fundaci\u00f3n Ciencia y Vida)<\/strong><\/p>\n Resumen:<\/strong> Presentaremos un modelo de ecuaciones diferenciales en que distintas poblaciones (representando comunas) tienen la posibilidad de desplazarse diariamente y volver a su comuna origen. Mostraremos algunos resultados te\u00f3ricos sobre la emergencia de brotes y la importancia de atajar tempranamente los contagios, algunos ajustes iniciales de los datos entregados por el Minsal, y luego discutiremos el concepto de din\u00e1mica multimodal como una posibilidad de mejorar los modelos de ecuaciones diferenciales para el ajuste y predicci\u00f3n en el largo plazo.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb3″ margin=\u00bb15″]<\/p>\n Lunes 14 de septiembre 2020 (11:30 \u2013 13:00) <\/strong><\/p>\n Modera: Mauricio Lima, Pontificia Universidad Cat\u00f3lica de Chile<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n Expositora: Magdalena Bennett, The University of Texas at Austin<\/strong><\/p>\n Resumen:<\/strong> A number of variables affect the evolution and geographic spread of COVID-19. Some of these variables pertain to policy measures such as social distancing, quarantines for specific areas, and testing availability. In this paper, I analyze the effect that lockdowns and testing policies had on new contagions in Chile, especially focusing on potential heterogeneity given by population characteristics. Using an Augmented Synthetic Control Method, I find substantial differences in the impact that quarantine policies had for different populations: While lockdowns were highly effective in containing and reducing new cases of COVID-19 in higher-income municipalities, I find no significant effect of this measure for lower-income areas. These differences could be partially attributed to heterogeneity in quarantine compliance, as well as differential testing availability for higher- and lower-income areas.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n Expositor: Juan Carlos Maureira, Universidad de Chile<\/strong><\/p>\n Co-autores: Mar\u00eda Paz Cort\u00e9s (Universidad de Chile), Sebasti\u00e1n L\u00f3pez (Universidad de Chile)<\/strong><\/p>\n Resumen:<\/strong> Se presentan los resultados preliminares de la evaluaci\u00f3n de una estrategia de CTI (contact tracing and isolation) de contenci\u00f3n de la pandemia de COVID-19 en Santiago de Chile. Esta estrategia se basa en la trazabilidad de contactos usando tel\u00e9fonos m\u00f3viles, y el aislamiento se realiza en base al c\u00e1lculo del riesgo de contagio de cada individuo a partir del an\u00e1lisis de su red de contactos a m\u00faltiples niveles de profundidad. A trav\u00e9s de un simulador basado en agentes, se simul\u00f3 la evoluci\u00f3n de la pandemia considerando densidades poblacionales, transporte p\u00fablico y un conjunto de reglas de contenci\u00f3n que emulan las medidas tomadas por la autoridad sanitaria. De este modo se obtuvo una calibraci\u00f3n que logra representar de manera razonable la evoluci\u00f3n de nuevos casos sintom\u00e1ticos observada en la realidad. Se evalu\u00f3 la estrategia de CTI considerando hasta 3 niveles de profundidad en la red de contactos y diferentes niveles de adopci\u00f3n y acatamiento en la poblaci\u00f3n. Estos resultados son contrastados contra m\u00faltiples escenarios de referencia que describen una evoluci\u00f3n posible de la pandemia hasta el 31 de Marzo 2021. Finalmente, del an\u00e1lisis de diferentes m\u00e9tricas de efectividad de la estrategia de CTI en t\u00e9rminos de los porcentajes de reducci\u00f3n de los nuevos casos sintom\u00e1ticos, camas utilizadas y fatalidades, se concluye que una estrategia de CTI a 3 niveles de profundidad y con tasas de adopci\u00f3n del 50% es posible contener considerablemente la evoluci\u00f3n de la pandemia manteniendo un r\u00e9gimen de aislamiento alternado y selectivo de la poblaci\u00f3n que podr\u00eda ser compatible con una reactivaci\u00f3n laboral y escolar de la ciudad.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n Expositor: Marcelo Olivares, Universidad de Chile<\/strong><\/p>\n Co-autores: Jos\u00e9 Correa, Felipe Subiabre, Sim\u00f3n Maturana, Rodrigo Guerra, Mat\u00edas Cerda<\/strong><\/p>\n Resumen:<\/strong> We develop an agent-based simulation model to evaluate the impact of alternative social distancing and contact tracing strategies in the city of Santiago. We model the transmission process through a social network with stochastic dynamics, using data from school admissions, public transportation, cellphone mobility and the census to construct the social network. A novel Simulated Maximum Likelihood estimator is developed to estimate the parameters of the infection process, using observed confirmed cases with date of symptom onset. This parsimonious model adjusts the observed data well, capturing the effects of the localized and city-wide lockdowns implemented in Santiago, both in and out-of-sample. We generate projections of alternative contact tracing approaches under different social distancing regimes.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb3″ margin=\u00bb15″]<\/p>\n Lunes 14 de septiembre 2020 (13:00 \u2013 15:30) <\/strong><\/p>\n Modera: Fernando Mardones, Pontificia Universidad Cat\u00f3lica de Chile<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n Expositora: Mauricio Canals, Universidad de Chile<\/strong><\/p>\n Co-autores: Andrea Canals (Universidad de Chile), Alejandra Fuentes (Universidad de Chile) y Crist\u00f3bal Cuadrado (Universidad de Chile)<\/strong><\/p>\n Resumen:<\/strong> La toma de decisiones en Salud debe ser sustentada por indicadores que nos permitan monitorear el estado de salud de la poblaci\u00f3n y evaluar el riesgo de la toma de decisiones, especialmente en situaciones como la epidemia COVID-19. Es necesario estudiar indicadores que permitan racionalizar las medidas y el ritmo de levantamiento de las intervenciones. Hay al menos cuatro dimensiones de inter\u00e9s en el desarrollo de la epidemia en Chile: la din\u00e1mica del contagio, la capacidad hospitalaria, la capacidad de diagn\u00f3stico y la trazabilidad. El objetivo es unificar estas dimensiones en un indicador que integre estas cuatro dimensiones a un nivel regional para medir el riesgo en la toma de decisiones. El riesgo de levantar medidas ser\u00e1 mayor mientras mayor el n\u00famero de infectados activos, mayor el n\u00famero reproductivo y mayor sea la carga sobre la red de salud. Por otra parte ser\u00e1 menor mientras mayor sea el esfuerzo diagn\u00f3stico que permita trazabilidad y aislamiento. La din\u00e1mica del contagio la mediremos considerando la evoluci\u00f3n de la tasa de infectados activos por cien mil habitantes (I*) y el n\u00famero reproductivo (Re(t)). Ensayaremos el producto P = I*Re(t) que representa la m\u00e1xima carga potencial (o Momentum ). Consideraremos como indicador principal de capacidad hospitalaria, la proporci\u00f3n de UCI ocupadas: CUCI= %UCI ocupadas. Indicador de capacidad diagn\u00f3stica ser\u00e1 la tasa de testeo PCR por cien mil habitantes D = (n\u00famero de PRC\/poblaci\u00f3n)x 100000. Para tener una buena trazabilidad necesitamos que aquellos pacientes que inician s\u00edntomas y sus contactos sean r\u00e1pidamente aislados o cuarentenados. Como indicador de trazabilidad consideraremos la proporci\u00f3n de confirmados temprano, entendidos como la proporci\u00f3n de confirmados reportados al MINSAL antes de 48 hrs. X =reportados antes de 48hrs\/sintom\u00e1ticos. El riesgo es mayor si aumentan P y C y que disminuye si aumentamos el esfuerzo diagn\u00f3stico (D) y la capacidad de trazar. Proponemos como indicador de riesgo Rg = PCUCI\/DX. Considerando que una buena disponibilidad UCI es un 30% (CUCI = 0.7), que una adecuada X es 0.7, que un umbral adecuado de infectados activos y una adecuada capacidad de testeo se obtienen con tasas de 100\/ 100mil habitantes; entonces el valor umbral para Rg es Rg = 1. Nuestro indicador refleja la din\u00e1mica de la epidemia a nivel nacional, amplificando sus variaciones, lo que permite capturar en forma efectiva el riesgo inminente en la toma de decisiones. Al ser un indicador multiplicativo es sensible a las variaciones de la m\u00e1xima carga potencial, y a los efectos de la trazabilidad y capacidad de testeo. Desde abril siempre nos hemos encontrado en situaciones de alto riesgo y actualmente, a pesar del fuerte descenso de la epidemia en el pa\u00eds, s\u00f3lo hay tres regiones: Los R\u00edos, Los Lagos y Ays\u00e9n que tienen una situaci\u00f3n de un riesgo menor que permitir\u00edan relajar las intervenciones con cierta confianza. En el sur, Magallanes tiene un riesgo muy alto, en el centro, \u00d1uble, B\u00edo B\u00edo y Valpara\u00edso tienen riesgos altos y en el Norte a\u00fan hay situaciones graves en Arica & Parinacota, Atacama y Coquimbo.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n Expositor: Camilo Mej\u00edas Neira, CEO Hibring Ingenier\u00eda<\/strong> Resumen:<\/strong> Mostraremos el caso chileno de un crecimiento super-exponencial que viola la teor\u00eda SIR durante una ventana de casi un mes continuo de la mano de la gran crisis de Santiago, en conjunto a gr\u00e1ficas comparativas de Sudam\u00e9rica y algunos pa\u00edses seleccionados del mundo. Adem\u00e1s haremos un an\u00e1lisis regional y comunal del virus, mostrando tendencias de propagaci\u00f3n espacial, en conjunto con una evoluci\u00f3n temporal individual para cada uno de estos territorios.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″]<\/p>\n Expositor: Felipe Elorrieta, Universidad de Santiago de Chile<\/strong><\/p>\n Co-autores: Claudio Vargas (Universidad de Santiago de Chile), Camila Guerrero Padilla (Universidad de Santiago de Chile), Francisco Oviedo (Universidad de Santiago de Chile), Valentina Navarro (Universidad de Santiago de Chile), Fernando Crespo (DAiTA Lab, Universidad Mayor), C\u00e9sar Maripangui, Mario Salazar.<\/strong><\/p>\n Resumen: <\/strong>En Marzo de este a\u00f1o se form\u00f3 el Grupo Epidemiol\u00f3gico Matem\u00e1tico de la Universidad de Santiago de Chile (GEMVEP-USACH). El grupo est\u00e1 conformado por acad\u00e9micos de diversas disciplinas como Estad\u00edstica, Ingenier\u00eda Matem\u00e1tica y Medicina junto a alumnos con formaci\u00f3n matem\u00e1tica. En este tiempo, hemos desarrollado un servicio web anal\u00edtico, que cuenta con dashboards de seguimiento de los datos del COVID-19 proporcionados por el Ministerio de la Ciencia. Para ello programamos un proceso de ETL en Pentaho-Spoon, el cual nos permite integrar los datos con distintos modelos estad\u00edsticos programados en el software R. Los m\u00e9todos integrados nos permiten calcular diversos indicadores como la tasa de reproducci\u00f3n instant\u00e1nea, estimada a partir del m\u00e9todo de Cori et al (2013), y la tasa de positividad corregida con modelos GAM (Generalized Additive Models) usando splines c\u00fabicos. Basados en los indicadores anteriores y su variaci\u00f3n se reportan clusters de alerta por region y comuna. Finalmente, hemos implementado m\u00e9todos para corregir el sub reporte de casos activos debido al rezago desde que un paciente inicia s\u00edntomas hasta que es ingresado al sistema epivigila (nowcasting). De forma complementaria, se han ambientado Dashboard de seguimiento tanto de cifras del d\u00eda, como de an\u00e1lisis evolutivos diarios en Power BI. Los dashboards implementados permiten hacer seguimiento del n\u00famero de casos confirmados de Covid19\u00a0a nivel nacional, regional y comunal. Adem\u00e1s, se han incorporado visualizaciones del n\u00famero de ex\u00e1menes PCR realizados, datos de hospitalizaciones y n\u00famero de fallecidos. Finalmente, generamos informes anal\u00edticos, los cuales est\u00e1n integrados con la aplicaci\u00f3n Telegram, los cuales llegan a todos nuestros usuarios diariamente. Con los datos e indicadores disponibles hemos participado en la discusi\u00f3n p\u00fablica respecto a los efectos del COVID-19 en Chile, a partir de columnas en medios period\u00edsticos como CIPER.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb3″ margin=\u00bb15″]<\/p>\n Expositor: Gabriel Weintraub, Stanford University<\/strong><\/p>\n Co-autores: Aldo Carranza (Stanford U.), Marcel Goic (U. Chile e ISCI), Eduardo Lara (U. Chile e ISCI), Marcelo Olivares (U. Chile e ISCI), Julio Covarrubia (Entel), Cristian Escobedo (U. Chile y Entel), Natalia Jara (Entel), and Leonardo J. Basso (U. Chile e ISCI).<\/strong><\/p>\n Resumen: <\/strong>Lockdowns have been one of the main non-pharmaceutical interventions that governments around the globe have implemented to contain the Covid-19 pandemic. In this paper we study the impact of lockdowns in the capital of a developing country, Santiago, Chile, that exhibits large socioeconomic inequality. A distinctive feature of our study is that we use granular geo-located cell-phone data to measure shelter-at-home behavior as well as trips within the city, thereby allowing to capture the adherence to lockdowns. Using panel data linear regression models we first show that a 10% reduction in mobility implies a 13-26% reduction in infections. However, the impact of lockdowns on mobility is highly heterogeneous and dependent on socioeconomic level;\u00a0 while high income zones can exhibit reductions in mobility of around 60-80%, lower income zones only reduce mobility by 20-40%. Our results show that\u00a0 failing to acknowledge the heterogenous effect of lockdowns even within a city can have dramatic consequences in the contention of the pandemic. It also confirms the challenges of implementing mandatory lockdowns in lower-income communities, where people generate their income from their daily work. To be effective, lockdowns in counties of low socioeconomic levels have to be complemented with other measures that support their inhabitants, providing aid to increase compliance.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb3″ margin=\u00bb15″]<\/p>\n Expositora: Pamela P. Martinez, Harvard University<\/b><\/p>\n Co-autores: <\/b>Gonzalo Mena (University of\u00a0Oxford), Ayesha S. Mahmud (University of California, Berkeley), Pablo Marquet (PUC), Mauricio Santillana (Harvard Medical School), and Caroline O. Buckee (Harvard School of Public Health).<\/b><\/span><\/p>\n Resumen:\u00a0<\/b>We looked at the association of mobility and socioeconomic factors with the transmission of COVID-19 in the urban Metropolitan Region. We analyzed disparities in the excess deaths, delays in testing results, and inferred new infection counts using multiple inference algorithms, including Richardson-Lucy and covidestim. We found a strong association between reduction in mobility data provided by Facebook and the socioeconomic status of the municipalities, we also showed that socioeconomic status is highly correlated with the different disease measures. We concluded that demographic and socioeconomic factors need to be considering when making public health decisions during the emergence of new infectious diseases such as SARS-CoV-2.<\/p>\n [divider top=\u00bbyes\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb3″ margin=\u00bb15″]<\/p>\n <\/p>\n","protected":false},"excerpt":{"rendered":" Bloque 1 Lunes 14 de septiembre 2020 (9:30 \u2013 11:30) Modera: Eduardo Undurraga, Pontificia Universidad Cat\u00f3lica de Chile [divider top=\u00bbno\u00bb text=\u00bbIr arriba\u00bb anchor=\u00bb#\u00bb style=\u00bbdefault\u00bb divider_color=\u00bb#d4686c\u00bb link_color=\u00bb#555″ size=\u00bb1″ margin=\u00bb15″] 09:30 \u2013 10:00 \u00b7 Policy assessment of non-pharmaceutical interventions triggered by events based on epidemiological indicators Expositor: H\u00e9ctor Ram\u00edrez, Universidad de Chile Co-autores: Carla Castillo (Universidad del … Seguir leyendo Res\u00famenes<\/span> 10:00 \u2013 10:30 \u00b7 Effectiveness of Localized Lockdowns in the SARS-CoV-2 Pandemic<\/h3>\n
10:30 \u2013 11:00 \u00b7 Sobre el comportamiento lineal de cola de la campana y de la curva acumulada. \u00bfQu\u00e9 tan buena noticia?<\/h3>\n
11:00 \u2013 11:30 \u00b7 Un modelo de metapoblaciones para emergencia de brotes, y din\u00e1micas multimodales para explicar el comportamiento de largo plazo<\/h3>\n
Bloque 2<\/h2>\n
11:30 \u2013 12:00 \u00b7 All Things Equal? Heterogeneity in Policy Effectiveness against COVID-19 Spread in Chile<\/h3>\n
12:00 \u2013 12:30 \u00b7 Estrategias de CTI Digitales: : Evaluaci\u00f3n de riesgo de contagio a partir de una red de contactos a m\u00faltiples niveles<\/h3>\n
12:30 \u2013 13:00 \u00b7 A microsimulation model to evaluate mitigation strategies in the Covid pandemic<\/h3>\n
Bloque 3<\/h2>\n
13:00 \u2013 13:30 \u00b7 Buscando un indicador integrado de riesgo regional para COVID-19 en Chile<\/h3>\n
13:30 \u2013 14:00 \u00b7 Caso de estudio: Crecimiento super-exponencial de fallecidos y contagiados en Chile y una perspectiva espacio-temporal de dispersi\u00f3n del virus<\/h3>\n
\nCo-autores: Joaqu\u00edn Fern\u00e1ndez (UBB), Gonzalo Benavides (Univ. of Maryland), Vicente Marchant (Hibring), Francisca Larach (CLC), Fredy Montoya (C3-8va) Sebasti\u00e1n Dom\u00ednguez (Univ. of Sackatchewan)<\/strong><\/p>\n14:00 \u2013 14:30 \u00b7 GEMVEP: Dashboard e Informes Anal\u00edticos para el estudio y seguimiento del COVID-19<\/h3>\n
14:30 \u2013 15:00 \u00b7 The Social Divide of Lockdowns in Santiago During the Covid-19 Pandemic<\/h3>\n
15:00 \u2013 15:30 \u00b7 Measuring the impact of mobility and socioeconomic factors in the transmission of COVID-19 in the Metropolitan Region, Chile<\/span><\/h3>\n