A medida que el virus infeccioso que causaba la enfermedad de COVID-19 comenzó su propagación devastadora en todo el mundo, un equipo internacional de científicos se alarmó por la falta de enfoques uniformes por parte de los epidemiólogos de varios países para responder a él.
Alemania, por ejemplo, no instituyó un bloqueo total, a diferencia de Francia y el Reino Unido, y la decisión de los Estados Unidos por parte de Nueva York de entrar en un bloqueo se produjo solo después de que la pandemia había alcanzado una etapa avanzada. Los modelos de datos para predecir el número de posibles infecciones variaron ampliamente según la región, desde números muy grandes hasta muy pequeños, y revelaron un alto grado de incertidumbre.
Davide Faranda, científico del Centro Nacional Francés de Investigación Científica (CNRS), y sus colegas en el Reino Unido, México, Dinamarca y Japón decidieron explorar los orígenes de estas incertidumbres. Este trabajo es profundamente personal para Faranda, cuyo abuelo murió de COVID-19; Faranda le ha dedicado el trabajo.
En la revista Chaos, el grupo describe por qué modelar y extrapolar la evolución de los brotes de COVID-19 en tiempo casi real es un enorme desafío científico que requiere una comprensión profunda de las no linealidades subyacentes a la dinámica de las epidemias.
Pronosticar el comportamiento de un sistema complejo, como la evolución de las epidemias, requiere tanto un modelo físico para su evolución como un conjunto de datos de infecciones para inicializar el modelo. Para crear un modelo, el equipo utilizó datos proporcionados por el Centro de Ciencia e Ingeniería de Sistemas de la Universidad Johns Hopkins, que está disponible en línea en https://systems.jhu.edu/research/public-health/ncov/ o https: // github .com / CSSEGISandData / COVID-19.
Davide Faranda, científico del Centro Nacional Francés de Investigación Científica (CNRS), y sus colegas en el Reino Unido, México, Dinamarca y Japón decidieron explorar los orígenes de estas incertidumbres. Este trabajo es profundamente personal para Faranda, cuyo abuelo murió de COVID-19; Faranda le ha dedicado el trabajo.
En la revista Chaos, el grupo describe por qué modelar y extrapolar la evolución de los brotes de COVID-19 en tiempo casi real es un enorme desafío científico que requiere una comprensión profunda de las no linealidades subyacentes a la dinámica de las epidemias.
Pronosticar el comportamiento de un sistema complejo, como la evolución de las epidemias, requiere tanto un modelo físico para su evolución como un conjunto de datos de infecciones para inicializar el modelo. Para crear un modelo, el equipo utilizó datos proporcionados por el Centro de Ciencia e Ingeniería de Sistemas de la Universidad Johns Hopkins, que está disponible en línea en https://systems.jhu.edu/research/public-health/ncov/ o https: // github .com / CSSEGISandData / COVID-19.
"Nuestro modelo físico se basa en suponer que la población total se puede dividir en cuatro grupos: los que son susceptibles a contraer el virus, los que lo han contraído pero no muestran ningún síntoma, los que están infectados y, finalmente, los que se recuperaron o murieron por el virus ", dijo Faranda.
Para determinar cómo se mueven las personas de un grupo a otro, es necesario conocer la tasa de infección, el tiempo de incubación y el tiempo de recuperación. Los datos reales de infección pueden usarse para extrapolar el comportamiento de la epidemia con modelos estadísticos.
"Debido a las incertidumbres en los parámetros involucrados en los modelos (tasa de infección, período de incubación y tiempo de recuperación) y la incompletitud de los datos de infecciones en diferentes países, las extrapolaciones podrían conducir a una increíble variedad de resultados inciertos", dijo Faranda. "Por ejemplo, el simple hecho de suponer una subestimación de los últimos datos en los recuentos de infecciones del 20% puede conducir a un cambio en las estimaciones de infecciones totales de unos pocos miles a unos pocos millones de personas".
El grupo también ha demostrado que esta incertidumbre se debe a la falta de calidad de los datos y también a la naturaleza intrínseca de la dinámica, porque es ultrasensible a los parámetros, especialmente durante la fase inicial de crecimiento. Esto significa que todos deben tener mucho cuidado extrapolando cantidades clave para decidir si implementan medidas de bloqueo cuando comienza una nueva ola del virus.
"El recuento total de infecciones finales, así como la duración de la epidemia, son sensibles a los datos que ingresas", dijo.
El modelo del equipo maneja la incertidumbre de manera natural, por lo que planean mostrar cómo el modelado de la fase posterior al parto puede ser sensible a las medidas tomadas.
"Los resultados preliminares muestran que la implementación de medidas de bloqueo cuando las infecciones se encuentran en una fase de crecimiento exponencial completa plantea serias limitaciones para su éxito", dijo Faranda.
No hay comentarios:
Publicar un comentario