¿Por qué hacer un modelo de propagación de la Covid-19 está siendo tan (puñeteramente) difícil?

Han pasado diez meses desde el inicio de la pandemia y no contamos con un modelo de propagación con garantías
Han pasado diez meses desde el inicio de la pandemia y no contamos con un modelo de propagación con garantías

Si a finales de septiembre de 2019 alguien te hablara de “aplanar la curva” seguramente pensarías que está sugiriendo hacer algo de ejercicio y adelgazar para bajar barriga. Un año más tarde, y después de un curso completo de coronavirus, que desafortunadamente ha resultado excesivamente práctico, todos nos hemos convertido en expertos epidemiólogos y algunos incluso se atreven a hacer predicciones de lo que va a ocurrir con la pandemia en los próximos meses. No podemos evitarlo, al final todos llevamos dentro, en mayor o menor medida, un entrenador con las tácticas adecuadas, un tertuliano que arregla problemas en un periquete y, cómo no, un estratega político con las soluciones a cualquier cuestión. Por supuesto, cuantas más opiniones y predicciones haya, más fácilmente aparecerá alguien que acierte pero, como pueden entender, esto no es manera de enfrentarse a una pandemia.

Necesitamos sistemas de predicción rigurosos, con una metodología científica que no dependa de la suerte del adivino, y que ofrezca escenarios futuros fiables. Paradójicamente, aquellos profesionales que han dedicado gran parte de su vida a estudiar, profundizar y analizar detenidamente el asunto están desconcertados.

Al principio de la pandemia los expertos en modelos y simulaciones sacaron todo lo que tenían para predecir la propagación del virus... Nada sirvió. Desde hace décadas existen diferentes modelos matemáticos aplicables a una epidemia. Algunos son pura abstracción matemática, otros utilizan simulaciones informáticas recreando el comportamiento social a partir del individual, otros combinan varias técnicas y tecnologías.

Sin embargo, esta disciplina es tan reciente que apenas había desarrollado herramientas adecuadas. “El pronóstico de epidemias aún estaba en su infancia cuando esta pandemia comenzó a extenderse”, explicaba en junio, Lauren Ancel Meyers, directora del Modeling Consortium Covid19 de la Universidad de Texas. El modelo más utilizado apareció unos años después de la gran epidemia de 1918 y fue renovado y popularizado en la década de los años ’90 cuando los matemáticos Kermack y McKendrick lo publicaron en el Bulletin of Mathematical Biology.

Lo habitual durante esta pandemia ha sido utilizar alguna de las variantes de estos “modelos compartimentales” de Kermack-McKendrik que, en algunos casos, también se conocen como modelos SEIRS. Funcionan, a grandes rasgos, de la siguiente manera: se divide a la población en varias categorías y se definen las reglas matemáticas que predicen cuántas personas pasan de una categoría a otra en cada fase del modelo. En su forma más básica comienza con todo el mundo como sujeto susceptible (S). Con el tiempo, algunas personas se infectan (I) y otras se recuperan (R) o fallecen. Las variaciones de categoría incluyen también un grupo de individuos que está expuesto al patógeno, pero que aún no resultan contagiosos (E).

 Infografía simple de los modelos SEIRS | Mark Montgomery, Spectrum
Infografía simple de los modelos SEIRS | Mark Montgomery, Spectrum

Estos modelos utilizan ecuaciones diferenciales con dos objetivos. El primero es describir la dinámica de los contagios en un grupo cerrado de muestra con un número limitado de individuos. El segundo, aplicar esos resultados en pronósticos o escenarios futuros. Es lo que se conoce como fases de ajuste y predicción. Evidentemente, la segunda etapa de estos modelos ha resultado un caos en todo el mundo por tantos motivos que sería difícil enumerarlos todos.

De la larga lista de problemas de estos modelos, el principal seguramente sea el de la cantidad de datos a analizar. “Los modelos compartimentales son los más aceptados y extendidos, pero la cuestión es qué le ponemos”, explica en Spectrum, Suneptra Gupta, epidemióloga de la Universidad de Oxford. La cantidad de variables a considerar, y la dificultad añadida de hacerlo a tiempo real, hacen que estos modelos se conviertan en débiles fichas de dominó… un solo parámetro desbarajusta cualquier predicción. Incontables elementos sociales, territoriales, políticos, económicos, laborales, biólogicos o incluso climáticos que, además pueden cambiar repentinamente, hacen que una predicción se desvíe tanto de la realidad que no solo resulte inútil, sino perjudicial.

La cantidad de datos a ajustar es tan impresionante que muchos grupos de trabajo están añadiendo redes neuronales e inteligencias artificiales para procesarlos. Aun así, no hemos tenido demasiado éxito. El ejemplo más claro es Estados Unidos.

En los primeros meses de la pandemia, el Institute for Health Metrics and Evaluation (IHME) de la Universidad de Washington trabajó utilizando modelos compartimentales a los que sumó otra variante denominada “modelo de ajuste de curvas” que incorporaba más datos a las categorías SEIRS. Debido a que el brote en Estados Unidos quedó a la zaga de los brotes en otros países, este modelo asumió que la curva en el país sería mucho más benigna de lo que realmente fue. A mediados de abril, el modelo del IHME predijo que el número de fallecidos para el siguiente mes se situaría en 60.000, mientras que la realidad era que la cifra ascendió a más de 80.000. Este modelo “optimista” fue recogido rápidamente por el Presidente Trump y su consejo de asesores, dando lugar a las célebres declaraciones de aquellas semanas afirmando que Estados Unidos no superaría los cien mil fallecidos… a día de hoy, la evolución real de la pandemia en ese país ha dejado ya más de doscientos mil víctimas, doblando las predicciones del IHME.

“Es difícil hacer predicciones, especialmente del futuro”. La conocida cita atribuida a Neils Bohr, físico y Premio Nobel, sigue siendo válida casi un siglo después… de las pocas predicciones que se han cumplido.

Más historias sobre Covid19 en Yahoo que te interesarán:

Referencias científicas y más información:

Matthew Hutson “Why Modeling the Spread of COVID-19 Is So Damn Hard” IEEE Spectrum

Beatriz Gonzalez, Laura Tomaino, Patricia Barber, Silvia Rodríguez “COVID-19: pandemia de modelos matemáticos” The Conversation España

Kermack, W. O., & A. G. McKendrick. “Contributions to the Mathematical Theory of Epidemics—I”. Bulletin of Mathematical Biology, 1991, DOI:10.1007/BF02464423.

Brauer, Fred. “Compartmental Models in Epidemiology”. Mathematical Epidemiology, Springer, 2008, DOI:10.1007/978-3-540-78911-6_2

Nuestro objetivo es crear un lugar seguro y atractivo para que los usuarios puedan establecer conexiones en función de sus intereses y pasiones. A fin de mejorar la experiencia de nuestra comunidad, hemos suspendido los comentarios en artículos temporalmente