Solución numérica de la dinámica temporal de la infección por SARS-CoV-2 en pacientes con manifestaciones clínicas graves o críticas de COVID-19

Autores/as

DOI:

https://doi.org/10.35819/remat2023v9i1id6289

Palabras clave:

SARS-CoV-2, Infección Viral, Tormenta de Citocinas, Solución Numérica, COVID-19 Grave

Resumen

El COVID-19 es una enfermedad infecciosa provocada por el coronavirus SARS-CoV-2, que se inició en Wuhan (China) a finales de 2019 y se ha extendido por todo el mundo. Cuando el paciente entra en el cuadro clínico severo de la enfermedad, el sistema inmunitario comienza a producir citocinas proinflamatorias de forma descontrolada, fenómeno conocido como ``tormenta de citocinas'', provocando el Síndrome de Dificultad Respiratoria Aguda (SDRA) y, a partir de A partir de ese momento, el estado clínico del paciente es crítico, requiriendo ingreso en Unidades de Cuidados Intensivos (UCI). En este artículo elaboramos un modelo matemático que describe el problema de la dinámica temporal de la infección por SARS-CoV-2 en pacientes con manifestaciones clínicas graves o críticas de COVID-19 y, como consecuencia de ello, el problema incluye el ``tormenta de citoquinas''. El modelo consiste en un sistema de cinco ecuaciones diferenciales ordinarias no lineales de primer orden, que se resuelven numéricamente usando Mathematica Software. Entre las cinco variables involucradas en el sistema, la carga viral fue la más detallada, ya que describe el nivel de ARN de SARS-CoV-2 en pacientes. Se presentaron e interpretaron perfiles de carga viral en diversas situaciones en las que los pacientes progresaron hacia la curación o la muerte. Para la carga viral, el modelo mostró un error relativo de 19.13% en comparación con los datos clínicos. de la literatura existente.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Jorge Andrés Julca Avila, Universidade Federal de São João del-Rei (UFSJ), São João del-Rei, MG, Brasil

Virgínia Moreira de Freitas, Universidade Federal de São João del-Rei (UFSJ), São João del-Rei, MG, Brasil

Citas

ACOSTA, R. Alfonso H.; GARRIGOS, Zerelda Esquer; MARCELIN, Jasmine R.; VIJAYVARGIYA, Prakhar. COVID-19 Pathogenesis and Clinical Manifestations. Infectious Disease Clinics of North America, v. 36, n. 2, p. 231-249, 2022. DOI: www.doi.org/10.1016/j.idc.2022.01.003.

AHMED, Nauman; ELSONBATY, Amr; RAZA, Ali; RAFIG, Muhammad; ADEL, Waleed. Numerical simulation and stability analysis of a novel reaction-diffusion COVID-19 model. Nonlinear Dynamics, v. 106, p. 1293-1310, 2021. DOI: www.doi.org/10.1007/s11071-021-06623-9.

BEAUCHEMIN, Caterine A.; HANDEL, Andreas. A review of mathematical models of influenza A infections within a host or cell culture: lessons learned and challenges ahead. Mathematical Modelling of Influenza, v. 11, n. S7, p. 1-15, 2011. DOI: www.doi.org/10.1186/1471-2458-11-S1-S7.

BEIJERINCK, Martinus W. Über ein contagium vivum fluidum als Ursache der Fleckenkrankheit der Tabaksblatter. Verh Kon Akad Wetensch, 65 (Sectie 2, Deel 6), p. 3-21, 1898 (Eng. translation: Concerning a contagium vivum fluidum as cause of the spot disease of tobacco leaves. Phytopath Classics, v. 7, p. 33-54, 1942). Disponível em: https://www.apsnet.org/edcenter/apsnetfeatures/Documents/1998/BeijerckSpotDiseaseTobaccoLeaves.PDF. Acesso em: 4 jan. 2023.

BERGE, T.; LUBUMAA, J. M. S.; MOREMEDIC, G. M.; MORRISD, N.; KONDER-SHAVAE, R. A simple mathematical model for Ebola in Africa. Journal of Biological Dynamics, v. 11, n. 1, p. 42-74, 2016. DOI: www.doi.org/10.1080/17513758.2016.1229817.

BOUCHNITA, Anass; JEBRANE, Aissam. A hybrid multi-scale model of COVID-19 transmission dynamics to assess the potential of non-pharmaceutical interventions. Chaos, Solitons & Fractals, v. 138, p. 1-12, 2020. DOI: www.doi.org/10.1016/j.chaos.2020.109941.

BOULOS, Maged N. K.; GERAGHTY, Estrella M. Geographical tracking and mapping of coronavirus disease COVID-19/severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) epidemic and associated events around the world: how 21st century GIS technologies are supporting the global fight against outbreaks and epidemics. International Journal of Health Geographics, v. 19, n. 8, p. 1-12, 2020. DOI: www.doi.org/10.1186/s12942-020-00202-8.

BRASIL. Ministério da Saúde. Guia de Vigilância Epidemiológica: Emergência de saúde pública de Importância nacional pela Doença pelo coronavírus 2019 - covid-19, Brasilia, 2021, p. 88. Disponível em:

https://coronavirus.saude.mg.gov.br/images/1_2021/17-03-Guia_de_vigilancia_da_covid_16marc2021.pdf. Acesso em: 28 ago. 2022.

CEVIK, Muge; KUPPALLI, Krutika; KINDRACHUK, Jason; PEIRIS, Malik. Virology, transmission, and pathogenesis of SARS-CoV-2. BMJ, v. 371, n. m3862, p. 1-6, 2020. DOI: http://dx.doi.org/10.1136/bmj.m3862.

FAJGENBAUM, David C.; JUNE, Carl H. Cytokine Storm. New England Journal of Medicine, v. 383, p. 2255-73, 2020. DOI: www.doi.org/10.1056/NEJMra2026131.

FARSHI, Esmaeil. Cytokine Storm Response to COVID-19 Vaccinations. Journal of Cytokine Biology, v. 5, n. 2, p. 1-3, 2020. Disponível em: https://www.researchgate.net/publication/349257945_Cytokine_Storm_Response_to_COVID-19_Vaccinations. Acesso em: 28 ago. 2022.

FENG, Zeqing; DIAO, Bo; WANG, Rongshuai; WANG, Gang; WANG, Chenhui; TAN, Yingjun; LIU, Liang; WANG, Changsong; LIU, Ying; LIU, Yueping; YUAN, Zilin; REN, Liang; WU, Yuzhang; CHEN, Yongwen. The Novel Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) Directly Decimates Human Spleens and Lymph Nodes. medRxiv: preprint, p. 1-18, 2020. DOI: www.doi.org/10.1101/2020.03.27.20045427.

FREITAS, V. M. de. Abordagem Numérica da Dinâmica Temporal da Infecção do SARS-CoV-2: Tempestade de Citocinas. Orientador: Jorge Andrés Julca Avila. 2022. 65 f. Dissertação (Mestrado Profissional em Matemática em Rede Nacional) - Universidade Federal de São João del-Rei, Campus Santo Antônio, São João del-Rei, 2022. Disponível em: https://sca.profmat-sbm.org.br/profmat_tcc.php?id1=6800&id2=171055035. Acesso em: 25 mar. 2023.

FURUMOTO, Warren A.; MICKEY, Ray. A mathematical model for the infectivity-dilution curve of tobacco mosaic virus: theoretical considerations. Virology, v. 32, n. 2, p. 216-223, 1967. DOI: www.doi.org/10.1016/0042-6822(67)90271-1.

GUMEL, A. B.; SHIVAKUMAR, P. N.; SAHAI, B. M. A mathematical model for the dynamics of HIV-1 during the typical course of infection. Nonlinear Analysis: Theory, Methods & Applications, v. 47, n. 3, p. 1773-1783, 2001. DOI: www.doi.org/10.1016/S0362-546X(01)00309-1.

INSTITUTO BUTANTAN. A velocidade com que foi criada a vacina da Covid-19 é motivo de preocupação? Especialista do Butantan responde. Disponível em: https://butantan.gov.br/covid/butantan-tira-duvida/tira-duvida-noticias/a-velocidade-com-que-foi-criada-a-vacina-da-covid-19-e-motivo-de-preocupacao-especialista-do-butantan-responde. Acesso em: 25 ago. 2022.

OMS. Seguimiento de las variantes del SARS-CoV-2. Disponível em: https://www.who.int/es/activities/tracking-SARS-CoV-2-variants. Acesso em: 25 ago. 2022.

OPAS. Folha informativa sobre COVID-19. Disponível em: https://www.paho.org/pt/covid19. Acesso em: 25 ago. 2022.

PELAIA, Corrado; CALABRESE, Cecilia; GAROFALO, Eugenio; BRUNI, Andrea; VATRELLA, Alessandro; PELAIA, Girolamo. Therapeutic Role of Tocilizumab in SARS-CoV-2-Induced Cytokine Storm: Rationale and Current Evidence. International Journal of Molecular Sciences, v. 22, n. 6, 3059, p. 1-16, 2021. DOI: www.doi.org/10.3390/ijms22063059.

PURKAYASTHA, Soumik; BHATTACHARYYA, Rupam; BHADURI, Ritwik; KUNDU, Ritoban; GU, Xuelin; SALVATORE, Maxwell; RAY, Debashree; MISHRA, Swapnil; MUKHERJEE, Bhramar. A comparison of five epidemiological models for transmission of SARS-CoV-2 in India. BMC Infectious Diseases, v. 21, n. 533, p. 1-23, 2021. DOI: www.doi.org/10.1186/s12879-021-06077-9.

REIS, Ruy Freitas; PIGOZZO, Alexandre Bittencourt; BONIN, Carla Rezende Barbosa; QUINTELA, Barbara de Melo; POMPEI, Lara Turetta; VIEIRA, Ana Carolina; LIMA E SILVA, Larissa de; XAVIER, Maicom Peters; SANTOS, Rodrigo Weber dos; LOBOSCO, Marcelo. A Validated Mathematical Model of the Cytokine Release Syndrome in Severe COVID-19. Frontiers in Molecular Biosciences, v. 8, n. 639423, p. 1-13, 2021. DOI: www.doi.org/10.3389/fmolb.2021.639423} .

RUSSELL, Colin A.; FONVILLE, Judith M.; BROWN, André E. X.; BURKE, David F.; SMITH, David L.; JAMES, Sarah L.; HERFST, Sander; VAN BOHEEMEN, Sander; LINSTER, Martin; SCHRAUWEN, Eefje J.; KATZELNICK, Leah; MOSTERÍN, Ana; KUIKEN, Thijs; MAHER, Eileen; NEUMANN, Gabriele; OSTERHAUS, Albert D. M. E.; KAWAOKA, Yoshihiro; FOUCHIER, Ron A. M.; SMITH, Derek J. The potential for respiratory droplet-transmissible A/H5N1 influenza virus to evolve in a mammalian host. Science, v. 336, n. 6088, p. 1541-1547, 2012. DOI: www.doi.org/10.1126/science.1222526.

TAHIR, Khan; ULLAH, Roman; ZAMAN, Gul; ALZABUT, Jehad. A mathematical model for the dynamics of SARS-CoV-2 virus using the Caputo-Fabrizio operator. Mathematical Biosciences and Engineering, v. 18, n. 5, p. 6095-6116, 2021. DOI: www.doi.org/10.3934/mbe.2021305.

VOUTOURI, Chrysovalantis; NIKMANESHI, Mohammad Reza; HARDIN, C. Corey; PATEL, Ankit B.; VERMA, Ashish; KHANDEKAR, Melin J.; DUTTA, Sayon; STYLIANOPOULOS, Triantafyllos; MUNN, Lance L.; JAIN, Rakesh K. In silico dynamics of COVID-19 phenotypes for optimizing clinical management. PNAS, v. 118, n. 3, p. 1-18, 2021. DOI: www.doi.org/10.1073/pnas.2021642118.

WHO. WHO Coronavirus (COVID-19) Dashboard. Disponível em: https://covid19.who.int. Acesso em: 23 dez. 2022.

WANG, Sunpeng; PAN, Yang; WANG, Quanyi; MIAO, Hongyu; BROWN, Ashley N.; RONG, Libin. Modeling the viral dynamics of SARS-CoV-2 infection. Mathematical Biosciences, v. 328, p. 1-12, 2020. DOI: www.doi.org/10.1016/j.mbs.2020.108438.

ZHENG, Shufa; FAN, Jian; YU, Fei; FENG, Baihuan; LOU, Bin; ZOU, Qianda; XIE, Guoliang; LIN, Sha; WANG, Ruonan; YANG, Xianzhi; CHEN, Weizhen; WANG, Qi; ZHANG, Dan; LIU, Yanchao; GONG, Renjie; MA, Zhaohui; LU, Siming; XIAO, Yanyan; GU, Yaxi; ZHANG, Jinming; YAO, Hangping; XU, Kaijin; LU, Xiaoyang; WEI, Guoqing; ZHOU, Jianying; FANG, Qiang; CAI, Hongliu; QIU, Yunqing; SHENG, Jifang; CHEN, Yu; LIANG, Tingbo. Viral load dynamics and disease severity in patients infected with SARS-CoV-2 in Zhejiang province, China, January-March 2020: retrospective cohort study. BMJ, v. 369, n. m1443, p. 1-8, 2020. DOI: www.doi.org/10.1136/BMJ.M1443.

Publicado

2023-03-27

Cómo citar

AVILA, J. A. J.; FREITAS, V. M. de. Solución numérica de la dinámica temporal de la infección por SARS-CoV-2 en pacientes con manifestaciones clínicas graves o críticas de COVID-19. REMAT: Revista Eletrônica da Matemática, Bento Gonçalves, RS, v. 9, n. 1, p. e3003, 2023. DOI: 10.35819/remat2023v9i1id6289. Disponível em: https://periodicos.ifrs.edu.br/index.php/REMAT/article/view/6289. Acesso em: 22 jul. 2024.

Número

Sección

Matemática