Boletín
N°210 - junio 2020
¿Qué se puede hacer para mejorar
los modelos de la COVID-19?
Al comienzo de la pandemia había grandes expectativas en las
previsiones matemáticas sobre su evolución, pero la escasa calidad de los
datos, la incertidumbre y el uso de modelos epidemiológicos simplistas han
hecho que los resultados decepcionen. Varios expertos nos dan pistas sobre
posibles mejoras.
Ana Hernando 23/6/2020 08:15 CEST
La dificultad de la predicción de una
pandemia como la actual tiene tres niveles: la calidad de los datos, la
adecuación de los modelos y la incertidumbre intrínseca de los modelos
epidemiológicos, según los expertos / © Adobe Stock
Cuando el virus causante de la COVID-19 empezó su devastadora expansión, matemáticos y físicos de
todo el mundo se pusieron a disposición de Gobiernos e instituciones para
desarrollar modelos que ayudaran a
predecir su evolución.
En marzo, en el inicio del confinamiento por la pandemia, un
grupo de investigadores españoles puso en marcha la Acción Matemática contra el coronavirus para intentar
avanzar en este ámbito. Ya entonces manifestaron que el gran reto iba a suponer
conseguir y armonizar los datos
indispensables que permitieran desarrollar dichos modelos.
Según explica a SINC José
A. Cuesta, doctor en Física y catedrático de Matemática Aplicada en la
Universidad Carlos III de Madrid (UC3M), "la dificultad de la predicción de
una pandemia como la actual tiene tres niveles: la calidad de los datos, la adecuación de los modelos y la incertidumbre intrínseca de los
modelos epidemiológicos".
Cuesta y
su equipo enviaron el pasado mes de abril un estudio, aún en
fase preprint,
en el que inciden en esta incertidumbre asociada al modelado de la COVID-19 y se preguntan si se puede predecir con
precisión el punto de inflexión y el fin de una epidemia en expansión. Su
respuesta es que "no se puede". Por ello, abogan por un escenario de previsión probabilístico
para su estudio.
|
Cuadro de datos
|
Para Davide Faranda,
"la incertidumbre de los modelos se debe tanto a la falta de calidad de
los datos, como a la dinámica de la epidemia, que es ultrasensible a los
parámetros, especialmente, durante la fase inicial de expansión"
|
|
|
|
|
|
|
|
|
Por su parte, Davide Faranda, experto en sistemas complejos del Centro
Nacional de Investigación Científica (CNRS, por sus siglas en francés), indica
a SINC "el extremo cuidado que hay que tener a la hora de extrapolar datos de la pandemia".
Este físico coincide con Cuesta en que "la incertidumbre de
los modelos se debe tanto a la falta de calidad de los datos, como a la
naturaleza intrínseca de la dinámica de
la epidemia, ya que es ultrasensible
a los parámetros, especialmente, durante la fase inicial de expansión", tal y
como muestra en su estudio, publicado la revista Chaos en mayo.
"Debido a las incertidumbres, tanto en los parámetros
involucrados en los modelos -tasa de infección,
período de incubación y tiempo de recuperación- como en el carácter
incompleto de los datos sobre infecciones dentro de los diferentes países, y entre
países, las extrapolaciones podrían conducir a un rango increíblemente amplio
de resultados inciertos", destaca el
francés.
"Por ejemplo -dice Faranda- el
simple hecho de asumir una subestimación
de los últimos datos en el recuento de infecciones del 20 % puede llevar a un
cambio en las estimaciones totales de infecciones de unos pocos miles a
millones de individuos".
Aprender de la predicción meteorológica
En la búsqueda de soluciones para mejorar el modelado de la
COVID-19, Cuesta opina que se debería tratar de imitar el modelo seguido en la predicción meteorológica, que, en su
opinión, "antes era un desastre y ahora es extraordinario".
¿Cómo se ha conseguido?: "Porque se hacen una gran cantidad de mediciones utilizando
múltiples fuentes, como sondas, estaciones
meteorológicas, satélites... El resultado es que hay unos datos con mucha resolución y precisión
de la atmósfera a muchas alturas", comenta el investigador de la UC3M.
Cuadro de datos
|
"La predicción meteorológica hace gran cantidad de mediciones
utilizando múltiples fuentes, como sondas, estaciones meteorológicas,
satélites... Por eso hay unos datos con mucha resolución y precisión de la
atmósfera a muchas alturas", comenta José A. Cuesta
|
|
|
Además, "las interacciones en la atmósfera y con la tierra
y el mar a nivel local se describen mediante ecuaciones muy detalladas. Y esto ha sido posible también gracias
al aumento de la capacidad de computación de los ordenadores",
señala Cuesta.
Según el
experto, "hay un tercer aspecto en las predicciones meteorológicas que es
inevitable: el caos. Las
ecuaciones del clima son caóticas. Eso significa que el más mínimo error que
haya en una medición se va a ir amplificando con el tiempo y producirá unos
resultados que no tienen nada que ver con la realidad".
|
|
|
"La dinámica epidemiológica -aclara- no es caótica, pero
tiene un problema de naturaleza muy parecida porque es un proceso exponencial y las pequeñas diferencias se amplifican
brutalmente con el tiempo".
Las predicciones meteorológicas han solventado este problema
de dos formas: "Aceptando que hay una ‘ventana’
fiable y que más allá la predicción es inútil. Por eso las predicciones del
tiempo nunca van más allá de una semana. Lo que pase de tres días tiene una
fiabilidad muy relativa y estas predicciones hay que ir corrigiéndolas sobre la
marcha", agrega Cuesta.
Otra innovación en el ámbito meteorológico es el uso de la
predicción probabilística, que es una consecuencia de esa incertidumbre de los
modelos. "Puesto que la predicción exacta es imposible, ¿por qué no cambiarla
por un rango de posibilidades con
distintas probabilidades? Ya no se dice mañana va a llover, sino la
probabilidad de lluvia mañana es del 90 %", subraya el catedrático.
Calidad de los datos
Con los modelos epidemiológicos pasa algo parecido, pero,
según el físico español, "nos encontramos en un estado muy anterior, debido a
que la calidad de los datos no es
buena. No hay suficiente certeza del número de muertes, ni sobre la cantidad de gente asintomática que está contagiando porque no se hacen
suficientes test. Y, además, cada comunidad autónoma y cada país contabiliza de una forma distinta".
"Si te fijas en los modelos que se hicieron en marzo,
todos fallaban porque la incertidumbre era muy grande y había una
heterogeneidad de datos enorme", recalca.
Cuesta pone el ejemplo de las predicciones hechas por
aquellas fechas por parte del grupo MUNQU, de la Universidad Politécnica de
Valencia, que estuvo publicando informes diarios con previsiones hasta el 22
de marzo, cuando predijeron un pico de la epidemia en España para finales de mayo con
800.000 casos activos reportados. El pico
se produjo el 18 de abril, con un número de casos activos menor de
120.000.
|
Cuadro de datos
|
"Los modelos que se hicieron en marzo fallaban todos porque la
incertidumbre era muy grande y había una heterogeneidad de datos enorme",
recalca Cuesta
|
|
|
|
|
|
|
|
|
Los expertos se quejan de que no hay suficiente certeza del número de
muertes, ni sobre la cantidad de gente asintomática que está contagiando porque
no se hacen suficientes test. / Adobe Stock
Este grupo dejó de publicar informes en abril, tal y como
explican en su página
web por "la falta de homogeneidad
de los datos en las diversas comunidades
autónomas".
En el aspecto de mejora de la calidad de los datos incide
también Ander Galisteo, investigador
del Instituto IMDEA Networks. Según señala a SINC, "los modelos son tan buenos
como los datos que utilicemos para crearlos".
Cuadro de datos
|
"En un modelo de propagación hay que tener en cuenta cómo evoluciona
la enfermedad, el número de contactos por individuo, el tipo de contacto,
el tamaño de la población, la climatología, la higiene... Cuantos más
factores, mejor será el modelo", dice Ander
Galisteo
|
|
|
Galisteo indica que "para un
modelo de propagación, obviamente, tenemos que tener en cuenta cómo
evoluciona la enfermedad, el número de
contactos por individuo, el tipo de contacto que han tenido con otras
personas, el tamaño de la población,
la climatología, la cultura de cercanía, la legislación y
cultura sobre la higiene, las
características de la población, etc. Cuantos más factores podamos medir,
mejor será nuestro modelo. Puede que haya algunos que no influyan y otros que
no hayamos tenido en cuenta que sí, pero la idea general es que cuantas más
variables midamos, mejor podremos entender qué pasa".
Hasta ahora, dice Galisteo,
"todos los modelos que he visto o bien se basaban en otras pandemias o
utilizaban los datos disponibles de esta, que, en ocasiones, son demasiado
pocos. Habría que resaltar también que las medidas de contención tomadas para esta pandemia no se han visto
nunca antes y solo el tiempo dirá cómo han afectado a los contagios y, por
ende, a los datos recogidos", destaca.
|
|
|
|
Modelos epidemiológicos obsoletos
En opinión de José A. Cuesta, a estos obstáculos se añade
que "la mayoría de los modelos epidemiológicos que se usan son de comienzos del
siglo XX y extremadamente simplificados, como es el modelo SIR [de las siglas población susceptible, infectada y
recuperada], que clasifica a la
gente en pocas categorías, y describe su evolución con unas ecuaciones
diferenciales".
Se trata, dice, "de una simplificación burda, ya que, ni
basta con esas pocas categorías, ni las ecuaciones que describen los procesos
son realmente diferenciales. El
resultado es que los modelos ajustan a los datos bien a toro pasado, pero no
sirven para predecir. El problema en la epidemiología es que se trata de un
proceso exponencial y eso significa que un pequeño cambio ahora se traduce en un
cambio enorme en una semana", reitera.
Previsión probabilística y escenarios futuros
¿Qué habría que hacer para cambiar este panorama? Cuesta
insiste: "Lo mismo que con la predicción del tiempo. Primero, hay mejorar las
mediciones muchísimo, posiblemente haciendo seguimiento de la gente a través de sus teléfonos móviles. En segundo lugar, habría que
elaborar modelos muy detallados que
tengan en cuenta no solo el estado de cada individuo -sano, asintomático,
infectado, recuperado o muerto-, sino su movilidad,
la zona en la que vive, etc. Cuanto más detalle tengamos mejor será el modelo
que usemos para predecir".
También "es necesario aceptar que hay una ventana temporal
para predecir más allá de la cual la predicción no vale para nada. La
incertidumbre no la podemos eliminar ni siquiera con unos datos y unos modelos
perfectos. Pero la previsión probabilística nos dice posibles escenarios
futuros y su probabilidad, condicionada a los datos que tenemos", explica
el catedrático de la UC3M.
"Para que te hagas una idea -señala Cuesta- cuando el
Gobierno español estaba en la disyuntiva de si cerrar empresas y hacer un confinamiento duro antes de Semana
Santa o no hacerlo, las predicciones que hicimos en nuestro estudio [en la
semana previa de que se decidiera el confinamiento] eran que, de continuar
sin hacer nada más, habría un 75% de probabilidades de que la epidemia no se
pudiera contener y, con un 25 % de probabilidades, se hubiera llegado al pico de la epidemia hacia finales de
abril".
"Es como la decisión de hacer o no una barbacoa el sábado
cuando dan un 75 % de probabilidad de lluvia, pero con vidas humanas",
destaca.
|
Cuadro de datos
|
El estudio de Cuesta y equipo, de la semana previa a que se
implantara el confinamiento duro, apuntaba a que si no se
hacía nada, habría un 75 % de probabilidades de que la epidemia no
se pudiera contener
|
|
|
|
|
|
|
|
|
Por otro lado, prosigue Cuesta, "probabilísticos o no, los
modelos son útiles por otro motivo: porque permiten comparar escenarios. Tal
vez no puedan predecir si el pico se va a producir la semana que viene o dentro
de un mes, pero sí pueden decirte si un confinamiento de tal o cual tipo puede
adelantar el pico. Y eso es extremadamente útil a la hora de tomar
decisiones políticas. Además, si conoces las probabilidades de cada
escenario, puedes hacer estimaciones en términos de coste de vidas y de coste
económico", subraya.
Poco contacto entre las matemáticas y la epidemiología
El catedrático reconoce que un problema añadido puede
deberse también a que no se está contando en la elaboración de estos modelos
"con la colaboración de epidemiólogos".
La actual pandemia ha puesto de manifiesto, entre muchas otras cosas, "el
escaso contacto entre las matemáticas y la epidemiología. Todos nos podríamos
beneficiar si hubiera una colaboración más estrecha, incluyendo también a los veterinarios, que tienen gran
experiencia en la contención de
epidemias".
En su caso, comenta Cuesta, es una cuestión de red de
contactos. "No tengo contacto con epidemiólogos porque no es mi tema de
investigación principal. Tampoco tengo nada claro que ellos usen modelos
matemáticos, lo cual es un error porque les podría ayudar. La formación de los
biólogos, médicos, veterinarios, etc., no contempla la matemática,
desafortunadamente, por eso tenemos poca relación".
Cuadro de datos
|
El catedrático opina que con buenos datos y sumando información de
seguimiento de móviles, "los modelos podrían haber sido una simulación de
la realidad"
|
|
|
Lo que está claro "es que esta pandemia ha pillado a todos
con el pie cambiado, pero, en el caso del modelado de la COVID-19, lo que ha
fallado sobre todo son los datos", insiste.
En su opinión, "con buenos datos y sumando información de
seguimiento a través del móvil, los modelos podrían haber sido, en la
práctica, una simulación de la
realidad. En ese escenario, lo único que hubiera quedado do es la
incertidumbre de la dinámica, que es inevitable, pero los modelos
epidemiológicos con que contaríamos estarían al nivel de los de la
predicción del tiempo".
|
Por ello, Cuesta señala la necesidad de "regularizar ya
protocolos eficientes para la recogida y publicación de los datos diarios de la
pandemia".
¿Un instituto de epidemiología?
Para concluir, este catedrático tiene otra sugerencia: "Una
vez que todo esto pase, deberíamos poner en marcha la creación de un instituto
epidemiológico, a imagen y semejanza del Instituto Nacional de Meteorología. Un
lugar dónde se recogieran continuamente datos
sobre enfermedades infecciosas y se elaborasen modelos detallados de propagación de epidemias, que fuera capaz de
hacer saltar la alarma cuando las
predicciones alertasen de un peligro y de activar protocolos de actuación".
Derechos: Creative Commons.
|
|