COVID News
Público
Informe especial: las simulaciones que impulsan la respuesta mundial a COVID-19

Informe especial: las simulaciones que impulsan la respuesta mundial a COVID-19

Cómo los epidemiólogos se apresuraron a modelar la pandemia de coronavirus.

Cuando Neil Ferguson visitó el corazón del gobierno británico en la calle Downing de Londres, estaba mucho más cerca de la pandemia de COVID-19 de lo que creía. Ferguson, un epidemiólogo matemático del Imperial College de Londres, informó a los funcionarios a mediados de marzo sobre los últimos resultados de los modelos informáticos de su equipo, que simulaban la rápida propagación del coronavirus SARS-CoV-2 en la población del Reino Unido. Menos de 36 horas después, anunció en Twitter que tenía fiebre y tos. Siguió una prueba positiva. El científico rastreador de enfermedades se había convertido en un punto de datos en su propio proyecto.

Ferguson es una de las caras de más alto perfil en el esfuerzo por usar modelos matemáticos que predicen la propagación del virus, y que muestran cómo las acciones del gobierno podrían alterar el curso del brote. "Han sido unos meses inmensamente intensos y agotadores", dice Ferguson, quien siguió trabajando durante sus síntomas relativamente leves de COVID-19. "Realmente no he tenido un día libre desde mediados de enero".

La investigación no tiene mucha más relevancia política que esta. Cuando los datos actualizados en el modelo  del equipo imperial indicaron que el servicio de salud del Reino Unido pronto se vería abrumado con casos graves de COVID-19, y podría enfrentar más de 500,000 muertes si el gobierno no tomara ninguna medida, el primer ministro Boris Johnson anunció casi de inmediato nuevas restricciones a los movimientos populares. El mismo modelo sugirió que, sin ninguna acción, Estados Unidos podría enfrentar 2.2 millones de muertes; se compartió con la Casa Blanca y rápidamente siguió una nueva guía sobre el distanciamiento social (ver 'Choque de simulación').

Los gobiernos de todo el mundo confían en las proyecciones matemáticas para ayudar a guiar las decisiones en esta pandemia. Las simulaciones por computadora representan solo una fracción de los análisis de datos que los equipos de modelado han realizado en la crisis, señala Ferguson, pero son una parte cada vez más importante de la formulación de políticas. Pero, como él y otros modeladores advierten, mucha información sobre cómo se propaga el SARS-CoV-2 aún se desconoce y debe estimarse o asumirse, y eso limita la precisión de los pronósticos. Una versión anterior del modelo Imperial, por ejemplo, estimó que el SARS-CoV-2 sería tan grave como la gripe al requerir la hospitalización de los infectados. Eso resultó ser incorrecto.

El verdadero desempeño de las simulaciones en esta pandemia podría quedar claro solo unos meses o años a partir de ahora. Pero para comprender el valor de los modelos COVID-19, es crucial saber cómo están hechos y los supuestos sobre los que están construidos. “Estamos construyendo representaciones simplificadas de la realidad. Los modelos no son bolas de cristal ”, dice Ferguson.

Modelos de coronavirus: lo básico

Muchos de los modelos que simulan cómo se propagan las enfermedades son exclusivos de grupos académicos individuales que los han estado desarrollando durante años. Pero los principios matemáticos son similares. Se basan en tratar de comprender cómo las personas se mueven entre tres estados principales y con qué rapidez: las personas son susceptibles (S) al virus; se han infectado (I); y luego recuperarse (R) o morir. Se presume que el grupo R es inmune al virus, por lo que ya no puede transmitir la infección. Las personas con inmunidad natural también pertenecerían a este grupo.

Los modelos SIR más simples hacen suposiciones básicas, como que todos tienen la misma posibilidad de contraer el virus de una persona infectada porque la población está perfectamente mezclada y que las personas con la enfermedad son igualmente infecciosas hasta que mueren o se recuperan. Los modelos más avanzados, que hacen las predicciones cuantitativas que necesitan los formuladores de políticas durante una pandemia emergente, subdividen a las personas en grupos más pequeños (por edad, sexo, estado de salud, empleo, número de contactos, etc.) para establecer quién se encuentra con quién, cuándo y en qué momento. qué lugares (ver "Medición de la mezcla social").

Utilizando información detallada sobre el tamaño y la densidad de la población, cómo son las personas mayores, los enlaces de transporte, el tamaño de las redes sociales y la provisión de atención médica, los modeladores construyen una copia virtual de una ciudad, región o un país entero utilizando ecuaciones diferenciales para gobernar los movimientos y interacciones de grupos de población en espacio y tiempo. Luego siembran este mundo con una infección y observan cómo se desarrollan las cosas.

Pero eso, a su vez, requiere información que solo puede estimarse libremente al comienzo de una epidemia, como la proporción de personas infectadas que mueren y el número de reproducción básica ( 0 ): el número de personas, en promedio, para a quien una persona infectada le transmitirá el virus. Los modelistas de Imperial, por ejemplo, estimaron en su informe  16 de marzo 1 que el 0,9% de las personas infectadas con COVID-19 morirían (una cifra ajustada a la demografía específica del Reino Unido); que el 0fue entre 2 y 2.6; y que el SARS-CoV-2 tarda 5.1 días en incubarse en una persona infectada. También asumieron que las personas que no muestran síntomas aún pueden transmitir el virus 4.6 días después de la infección; que otros pueden transmitir el virus desde 12 horas antes de que desarrollen signos de enfermedad; y que el último grupo es 50% más infeccioso que el primero. Esas cifras dependían de otros tipos de modelos: estimaciones aproximadas de epidemiólogos que intentaron reconstruir las propiedades básicas del virus a partir de información incompleta en diferentes países durante las primeras etapas de la pandemia.

Algunos parámetros, mientras tanto, deben ser asumidos por completo. El equipo imperial tuvo que suponer, por ejemplo, que no existe inmunidad natural a COVID-19, por lo que toda la población comienza en el grupo susceptible, y que las personas que se recuperan de COVID-19 son inmunes a la reinfección a corto plazo.

Una ejecución de simulación usando estos parámetros siempre daría el mismo pronóstico. Pero las simulaciones conocidas como modelos estocásticos inyectan un poco de aleatoriedad, como tirar un dado virtual para ver si alguien en el grupo I infecta o no a una persona S cuando se encuentran, por ejemplo. Esto ofrece una gama de posibilidades probables cuando el modelo se ejecuta varias veces.

Los modeladores también simulan las actividades de las personas de diferentes maneras. En los modelos 'basados ​​en ecuaciones', los individuos se clasifican en grupos de población. Pero a medida que los grupos se dividen en subconjuntos sociales más pequeños y representativos para reflejar mejor la realidad, los modelos se vuelven cada vez más complicados. Un enfoque alternativo es utilizar un método 'basado en agentes' en el que cada individuo se mueva y actúe de acuerdo con sus propias reglas específicas, más bien como los personajes simulados en la serie de videojuegos SimCity.

"Usted tiene un par de líneas de código, y esas determinan cómo actúan sus agentes, cómo se comportan en su día", dice Elizabeth Hunter, quien trabaja en modelos de transmisión de enfermedades en la Universidad Tecnológica de Dublín.

Los modelos basados ​​en agentes construyen los mismos tipos de mundo virtual que los basados ​​en ecuaciones, pero cada persona puede comportarse de manera diferente en un día determinado o en una situación idéntica. "Estos modelos muy específicos requieren mucha información", dice Kathleen O'Reilly, epidemióloga de la London School of Hygiene and Tropical Medicine (LSHTM). "Es necesario recopilar información sobre los hogares, cómo viajan las personas al trabajo y qué hacen los fines de semana". Por ejemplo, los investigadores de LSHTM, University College London y University of Cambridge, Reino Unido, recopilaron datos de contacto social de más de 36,000 voluntarios en un proyecto de ciencia ciudadana a través de la BBC, la emisora ​​nacional del Reino Unido. Algunos modelistas que ayudan al gobierno del Reino Unido utilizaron este conjunto de datos, que se informó en un preprint  febrero .

¿Qué modelo elegir?

El equipo Imperial ha utilizado modelos basados ​​en agentes y en ecuaciones en esta pandemia. Las simulaciones del 16 de marzo que el equipo realizó para informar la respuesta COVID-19 del gobierno del Reino Unido utilizaron un modelo basado en agentes construido en 2005 para ver qué sucedería en Tailandia si la gripe aviar H5N1 mutara a una versión que podría propagarse fácilmente entre las personas  . (En 2006, se utilizó el mismo modelo para estudiar cómo el Reino Unido y los Estados Unidos podrían mitigar el impacto de una pandemia de gripe letal  ). que recopilar datos detallados sobre la población de Tailandia fue más difícil que escribir el código de programación para el modelo. Ese código no se publicó cuando las proyecciones de su equipo sobre la pandemia de coronavirus se hicieron públicas por primera vez, pero el equipo está trabajando con Microsoft para ordenar el código y ponerlo a disposición, dice Ferguson.

 

El 26 de marzo, Ferguson y su equipo publicaron proyecciones globales del impacto de COVID-19 que utiliza el enfoque más simple basado en ecuaciones  . Divide a las personas en cuatro grupos: S, E, I y R, donde 'E' se refiere a aquellos que han estado expuestos, pero que aún no son infecciosos. "Dan cifras generales muy similares", dice el epidemiólogo Azra Ghani, quien también está en el grupo Imperial. Por ejemplo, las proyecciones globales sugieren que, si Estados Unidos no hubiera tomado ninguna medida contra el virus, habría visto 2,18 millones de muertes. En comparación, la simulación anterior basada en agentes, ejecutada utilizando los mismos supuestos sobre la tasa de mortalidad y el número de reproducción, estimó 2.2 millones de muertes en EE . UU .  .

Los diferentes tipos de modelos tienen sus propias fortalezas y debilidades, dice Vittoria Colizza, modelo del Instituto de Epidemiología y Salud Pública Pierre Louis en París, que asesora al gobierno francés durante la emergencia actual. "Depende de la pregunta que quieras hacer", dice ella.

Una diferencia se reduce a la cantidad de personas que los modelistas esperan que actúen de la misma manera. Ser capaz de agrupar un grupo en un compartimento dentro de un modelo basado en ecuaciones simplifica las cosas, y lo hace más rápido, porque el modelo no necesita ejecutarse en el nivel de alta resolución de tratar a todos como individuos. Cuando Colizza y su equipo querían probar los efectos sobre las tasas de infección de obligar a grandes partes de la población francesa a trabajar desde casa, por ejemplo, utilizó un modelo basado en ecuaciones. "No necesitábamos rastrear a cada individuo por separado y ver si pasaban algún tiempo en el trabajo o en la escuela", dice ella.

Aunque las proyecciones pueden no diferir enormemente dependiendo del enfoque elegido, es natural preguntarse qué tan confiables son algunas de las simulaciones. Desafortunadamente, durante una pandemia es difícil obtener datos, como las tasas de infección, contra los cuales juzgar las proyecciones de un modelo.

 

“Puedes proyectar hacia adelante y luego compararlo con lo que obtienes. Pero el problema es que nuestros sistemas de vigilancia son bastante basura ”, dice John Edmunds, quien es modelador en el LSHTM. “El número total de casos reportados, ¿es eso exacto? No. ¿Exacto en alguna parte? No."

"Los pronósticos hechos durante un brote rara vez se investigan durante o después del evento por su precisión, y solo recientemente los pronosticadores comenzaron a hacer que los resultados, el código, los modelos y los datos estén disponibles para el análisis retrospectivo", señalaron Edmunds y su equipo el año pasado en un documento  que evaluó el desempeño de los pronósticos realizados en un brote de ébola en 2014-15 en Sierra Leona. Descubrieron que era posible predecir de manera confiable el curso de la epidemia con una o dos semanas de anticipación, pero ya no, debido a la incertidumbre inherente y la falta de conocimiento sobre el brote.

Para minimizar el impacto de datos incompletos y suposiciones incorrectas, los modeladores generalmente realizan cientos de ejecuciones separadas, con los parámetros de entrada ligeramente modificados cada vez. Este 'análisis de sensibilidad' intenta evitar que las salidas del modelo oscilen violentamente cuando cambia una sola entrada. Y para evitar depender demasiado de un modelo, dice Ferguson, el gobierno del Reino Unido recibió el asesoramiento de varios grupos de modelos, incluidos los equipos de Imperial y LSHTM (véase, por ejemplo, la referencia  ). "Todos llegamos a conclusiones similares", dice.

Actualizando la simulación

Los informes de los medios han sugerido que una actualización del modelo del equipo imperial a principios de marzo fue un factor crítico para sacudir al gobierno del Reino Unido a cambiar su política sobre la pandemia. Los investigadores estimaron inicialmente que el 15% de los casos hospitalarios tendrían que ser tratados en una unidad de cuidados intensivos (UCI), pero luego lo actualizaron al 30%, una cifra utilizada en el primer lanzamiento público de su trabajo el 16 de marzo. Ese modelo mostró que el servicio de salud del Reino Unido, con poco más de 4.000 camas en UCI, estaría abrumado.

 
 

Los funcionarios del gobierno habían hablado previamente de una teoría de permitir que la enfermedad se propague mientras se protege a los más viejos de la sociedad, porque un gran número de personas infectadas se recuperarían y proporcionarían inmunidad colectiva al resto. Pero cambiaron su rumbo al ver las nuevas figuras, ordenando medidas de distanciamiento social. Los críticos luego preguntaron por qué el distanciamiento social no se había discutido antes, por qué no se habían realizado pruebas generalizadas y por qué los modeladores incluso habían elegido la cifra del 15%, dado que un documento de enero mostró que más del 30% de un pequeño grupo de personas con COVID-19 en China necesitaba tratamiento en UCI 8 .

Ferguson dice que la importancia de la actualización del modelo podría haber sido exagerada. Incluso antes de eso, dice, los modelos ya indicaron que COVID-19, si se deja completamente sin mitigar, podría matar en el orden de medio millón de ciudadanos del Reino Unido durante el próximo año y que las UCI se extenderían más allá de su capacidad. Los equipos asesores habían discutido la supresión de la pandemia mediante el distanciamiento social, pero a los funcionarios les preocupaba que esto solo condujera a un segundo brote más grande más adelante en el año. No se consideraron las pruebas generalizadas del tipo visto en Corea del Sur; pero, en parte, dice Ferguson, esto se debió a que la agencia de salud de Gran Bretaña le había dicho a los asesores del gobierno que no podría ampliar las pruebas lo suficientemente rápido.

En cuanto a los datos chinos sobre las UCI, los médicos los examinaron, pero observaron que solo la mitad de los casos parecía necesitar ventiladores mecánicos invasivos; los demás recibieron oxígeno a presión, por lo que podría no necesitar una cama de UCI. Sobre la base de esto y su experiencia con la neumonía viral, los médicos habían aconsejado a los modeladores que el 15% era una mejor suposición.

La actualización clave se produjo la semana antes de que Ferguson informara a los funcionarios del gobierno en Downing Street. Los médicos que habían estado hablando con colegas horrorizados en Italia dijeron que el oxígeno a presión no funcionaba bien y que el 30% de los casos hospitalizados graves necesitarían ventilación invasiva en una UCI. Ferguson dice que las proyecciones de mortalidad de los modelos actualizados no cambiaron enormemente, porque es probable que ocurran muchas muertes predichas en la comunidad en lugar de en los hospitales. Pero la comprensión de cómo los servicios de salud se verían abrumados, y la experiencia de Italia, condujo a un "enfoque repentino de las mentes", dice: los funcionarios del gobierno giraron rápidamente hacia medidas de distanciamiento social (ver "Los bloqueos mantienen a raya las infecciones").

Pruebas necesarias

A medida que los investigadores descubren más sobre el virus, están actualizando muchas otras variables clave. En el informe del 26 de marzo  sobre el impacto global de COVID-19, el equipo Imperial revisó su estimación del 16 de marzo de 0 hacia arriba a entre 2.4 y 3.3; en un informe del 30 de marzo  sobre la propagación del virus en 11 países europeos, los investigadores lo ubicaron en algún lugar en el rango de 3 a 4.7.

Pero parte de la información crucial permanece oculta para los modelistas. Una prueba confiable para ver quién ha sido infectado sin mostrar síntomas, y por lo tanto podría trasladarse al grupo recuperado, sería un cambio de juego para los modeladores, y podría alterar significativamente el camino previsto de la pandemia, dice Edmunds.

Para enfatizar la necesidad de tal prueba, un equipo de la Universidad de Oxford, Reino Unido, dirigido por la epidemióloga teórica Sunetra Gupta, sugirió que el patrón de muertes registradas en el Reino Unido podría ajustarse a una gama de modelos SIR, incluido uno que asume millones de personas ya han sido infectadas pero no han mostrado ningún síntoma  . Solo las pruebas que revelan tales infecciones pasadas pueden mostrar lo que sucede en la realidad.

También hay otra incógnita importante: cómo reaccionarán las personas ante las alteraciones forzadas de su comportamiento y si dichos cambios reducirán los contactos infecciosos tanto como esperan los científicos. Las encuestas en China, por ejemplo, muestran que los ciudadanos de Wuhan y Shanghai informaron que tenían entre siete y nueve veces menos contactos diarios típicos con otras personas durante las medidas de distanciamiento social impuestas por las autoridades  . Marco Ajelli, quien estudia la propagación de enfermedades infecciosas en la Fundación Bruno Kessler en Trento, Italia, y quien co-dirigió ese estudio, dice que los modelos de Imperial  y LSHTM  Parece haber asumido cambios en los contactos diarios que están "en el estadio" de lo que se ha observado en China, aunque los informes de modelado no lo indican claramente.

Si todos los países adoptan estrategias de distanciamiento social estricto, pruebas y aislamiento de casos infectados antes de que sus muertes lleguen a 0.2 por 100,000 personas por semana, dice el equipo Imperial, entonces el total de muertes globales por COVID-19 podría reducirse a menos de 1.9 millones por el final del año. Y la respuesta británica, dijo Ferguson el 25 de marzo, lo hace "razonablemente seguro" de que las muertes totales en el Reino Unido se mantendrán por debajo de 20,000.

Ferguson dice que los bloqueos a nivel nacional en toda Europa ya están trabajando para reducir la transmisión del SARS-CoV-2, como se esperaba. Pero cuánto tiempo tendrá que mantenerse el distanciamiento social es una gran pregunta para los países que están preocupados por sus economías y la salud mental y física de sus ciudadanos encerrados. El distanciamiento social reducirá la propagación del virus por ahora, pero levantar estas medidas podría permitir una segunda ola de la pandemia más adelante en el año o el próximo año, un modelo Imperial sugirió  (ver 'Una segunda ola').

Ferguson dice que espera que, en la práctica, los países puedan seguir el ejemplo de Corea del Sur, que ha logrado imponer una versión menos rígida del distanciamiento social al implementar altos niveles de pruebas y rastrear los contactos de las personas infectadas . Solo el monitoreo cercano de las regiones a medida que levantan las restricciones de bloqueo, como lo está haciendo ahora la provincia china de Hubei, proporcionará a los modeladores la información necesaria para pronosticar el costo a largo plazo de la pandemia.

Únete a esta Tribu para mantenerte al día sobre los últimos avances mundiales del COVID-19


Anuncio

Únete gratis a mi Tribu para acceder a más contenido:



62 Visualizaciones