Investigadores de la Argentina y México desarrollaron un modelo matemático capaz de predecir escenarios futuros sobre la evolución de la pandemia de covid-19 en función de las estrategias sanitarias de búsqueda, monitoreo y aislamiento de infectados. El software ya fue utilizado para evaluar los efectos del aislamiento estricto dispuesto en el país al comienzo de los contagios: el llamado Aspo, de acuerdo a esa herramienta informática, posiblemente evitó 1.6 millón de infecciones y cerca de 45 mil fallecimientos durante 2020.
“Nuestra herramienta está a disposición de los tomadores de decisiones que deban considerar todos los puntos de vista a la hora de tomar medidas para controlar la pandemia”, indicó la doctora en Física Nadia Barreiro, una de las líderes del desarrollo y jefa de la División Sensores Ópticos y Lidar del Instituto de Investigaciones Científicas y Técnicas para la Defensa (Citedef), que está asentado en la ciudad bonaerense de Villa Martelli.
Las herramientas tradicionales en epidemiología permiten describir la evolución de la cantidad de casos de una enfermedad en base a la consideración de la población susceptible, el número de infectados y los recuperados (llamados modelos tipo SIR, por las siglas).
El desarrollo argentino-mexicano es un avance: “Si bien estos modelos son un buen punto de partida, están pensados para situaciones que difieren de la situación actual impuesta por el covid-19 en dos puntos clave. Suponen que la población está homogéneamente distribuida en un territorio y que no está sujeta a restricciones en la movilidad. Para describir la evolución de la pandemia procedimos a introducir modelos más complejos que consideren diversos aspectos del comportamiento social”, puntualizó Barreiro.
Múltiples variables
La revista “Scientific Reports” explica que el modelo propuesto divide el mapa del territorio del país (en este caso, el de Argentina) en regiones cuadradas relativamente pequeñas (de entre 30 y 50 kilómetros cuadrados) y estudia la evolución de la enfermedad en cada región por separado.
Para ello, tiene en cuenta su correspondiente densidad demográfica, la evolución de la pandemia en cada región y la propagación del nuevo coronavirus a regiones vecinas, además de las distancias dentro del país en función de los niveles de movilidad permitidos.
El modelo considera que las personas pueden evolucionar pasando por diferentes estados. Las susceptibles, es decir aquellas que pueden contagiarse y no tienen inmunidad. Las expuestas, que son quienes estuvieron en contacto con un enfermo y están incubando la enfermedad. Las infectadas, descritas como de alta carga viral que pueden contagiar a otros. Las aisladas, definidas como las que luego de dar una prueba PCR positiva son confinadas y ya no contagian. Y, por último, las recuperadas: se curaron de la enfermedad y son inmunes, por lo que se presume que no pueden enfermarse nuevamente en lo inmediato.
Las olas y las restricciones
“Hay que considerar que existen múltiples variables que inciden en la aparición de olas, y que nuestro modelo también tiene en cuenta, por ejemplo, el levantamiento prematuro de restricciones a la movilidad, la perdida de inmunidad por parte de un grupo de población que se infectó y que puede volver a contagiarse y la aparición de nuevas variantes del sars-cov-2, entre otras”, subrayó Barreiro.
La idea de generar este modelo surgió en los primeros meses de la pandemia. “Muchos investigadores de diferentes áreas nos encontrábamos inquietos por trabajar en algún tema que fuera de utilidad para combatir el covid-19”, recordó Barreiro.
México y Argentina
El físico Pablo Bolcatto, presidente del Citedef, se contactó con su colega Rafael Barrio, del Instituto de Física de la Universidad Nacional Autónoma de México (Unam), quien ya tenía experiencia previa en estudios epidemiológicos y en 2009 había implementado un modelo exitoso para determinar la evolución de la gripe H1N1 en su país.
El grupo se completó con la master en estadística Tzipe Govezensky, del Instituto de Investigaciones Biomédicas de la Unam, y Barreiro.
El trabajo fruto de esa asociación fue publicado en Scientific Reports en mayo 2021, cinco meses después de terminado. Ya entonces, planteaba que si se mantenía la movilidad existente habría una nueva ola en junio de 2021.
“Esta ola se adelantó un mes y fue mucho mayor debido al fuerte incremento de la movilidad vinculada, por ejemplo, al inicio de clases presenciales en varias regiones”, afirmó Bolcatto.
Qué hubiera pasado sin el aislamiento estricto
Además de las aplicaciones que se muestran en la publicación, el modelo desarrollado se utilizó para estudiar diferentes escenarios. Por ejemplo, para estimar qué hubiera sucedido si en lugar de aplicar el aislamiento social, preventivo y obligatorio (Aspo) al comienzo de la pandemia se hubieran aplicado medidas de distanciamiento menos estrictas.
“Las estimaciones realizadas permiten inferir que el Aspo posiblemente evitó 1.6 millón de casos y cerca de 45.000 fallecimientos durante 2020”, destacó Barreiro.
“El modelo que proponemos refleja la dinámica social y considera las medidas tomadas por el gobierno para restringir el contagio”, destacó Govezensky.
“Además de Argentina y de México, probamos nuestro modelo con buenos resultados analizando datos de España, Finlandia, Islandia y Estados Unidos”, subrayó Barrio.
Otro dato del modelo: vacunación del 70% para contener la ola
En otro trabajo, publicado como preimpresión en medRxiv, los investigadores extendieron el modelo para considerar los efectos de la vacunación: encontraron que, con la movilidad actual, sería necesario vacunar al menos al 70% de la población para reducir drásticamente la circulación del virus.
“Este modelo también fue aplicado para estudiar diferentes escenarios de vacunación en otros países como México y España”, indicó Barrio y agregó que en la actualidad también están trabajando para comprender la incidencia de las nuevas variantes del coronavirus en la circulación y las implicaciones sobre la vacunación.
“Los resultados obtenidos fueron consistentes con lo observado a nivel internacional. Cuanto mayor es la proporción de casos detectados (y en consecuencia aislados), menor es la circulación del virus y la cantidad de casos totales a largo plazo», explicó Barreiro.
El investigador agregó que, en el mismo sentido, «cuanto menos tiempo se demora en encontrar y aislar nuevas personas infectadas, menos tiempo tienen para propagar la enfermedad y esto se traduce en una reducción de la cantidad de casos totales”, afirmó Barreiro.
