¿Qué es un modelo epidemiológico?

24 Julio, 2020
Este artículo ha sido escrito y verificado por el biólogo Samuel Antonio Sánchez Amador
Las predicciones abundan en estos tiempos debido a la expansión del virus COVID-19. Se nos exponen cifras y modelos de manera continua. Pero, ¿sabemos de dónde vienen? En este espacio te mostramos qué es un modelo epidemiológico y sus limitaciones.
 

Hoy en día los números y las estadísticas dominan los medios de comunicación. Fallecidos, recuperados, infectados y otros parámetros nos informan cada día de la delicada situación del COVID-19 en el país. Un modelo epidemiológico nos ayuda a entender qué nos depara el futuro, aunque no siempre acierta.

Los que mostraron interés por este tema antes de su globalización, recordarán que algunos estudios nos tranquilizaban con frases tales como “se calcula que no habrán más de 10 infectados en nuestro país”.

Cuando el virus se limitaba a Wuhan y alrededores, las predicciones eran mucho más optimistas y nadie fue capaz de vaticinar lo que sucedería en los siguientes meses.

Tenemos que tener clara una cuestión: no se trata de manipulación mediática. Los científicos e investigadores se basan en los patrones en el aquí y el ahora para predecir, pero variables mínimas pueden trastocar de forma drástica los resultados modelados.

En este espacio queremos mostrarte qué es un modelo epidemiológico y sus variables, para así entender el margen de error humano y tomar con precaución las predicciones discutidas en los medios.

Modelando una catástrofe

El modelaje matemático de epidemias consiste en el uso de matemáticas para explicar y predecir el comportamiento de agentes infecciosos. Suelen ser modelos deterministas, es decir, que asumen que cualquier persona puede contraer la enfermedad de forma aleatoria.

Se pueden asentar dos hipótesis principales sobre las que construir los modelos:

 
  • La población de personas infectadas se altera por el fallecimiento o la cura de las mismas. Alguien que se cura no mantiene la enfermedad, por lo que no son valores acumulativos si no variables en el tiempo.
  • La tasa de individuos que pasan de ser susceptibles a contraer la enfermedad o estar infectados es proporcional a la interacción entre el número de individuos en ambas clases. O lo que es lo mismo: cuantos más infectados haya, más susceptible será la población general de contraer la enfermedad.
Modelando una catástrofe
El modelaje matemático de epidemias permite estimar cómo será el comportamiento de un agente infeccioso. No obstante, no arroja resultados precisos.

Lee también: ¿Las mujeres embarazadas pueden transmitir el coronavirus a sus bebés?

Juego de números contra el coronavirus

Uno de los modelos más sencillos para ejemplificar esta temática es el modelo SIR. Es uno de los modelos epidemiológicos más utilizados debido a su simplicidad y compartimentalización de datos. Los parámetros son simples:

  • Población susceptible (S): personas sin inmunidad al agente infeccioso que pueden enfermar. Por desgracia, enfermedades nuevas tales como el COVID-19 en un inicio presentan un 100 % de población susceptible. La historia es muy diferente por ejemplo con la gripe, pues el porcentaje de gente vacunada disminuye drásticamente este valor.
 
  • Población infectada (I): personas enfermas que pueden infectar potencialmente a susceptibles.
  • Población recuperada (R): personas que son inmunes a la infección y consecuentemente no afectan la transmisión cuando entran en contacto con otros. Lo que es irónico es que muchos casos de los fallecidos se incluyen en este parámetro, pues no pueden diseminar la enfermedad.

La población total sería la suma de S,I y R. Si utilizamos estos 3 compartimentos, mediante ecuaciones complejas se puede predecir la fluctuación de personas de un compartimento a otro a lo largo del tiempo. Parece sencillo, ¿verdad?… ¿Entonces por qué es tan difícil realizar una estimación fiable?

Visita: «Frenar la curva» y sus implicaciones epidemiológicas

La limitación del desconocimiento

Aquí te presentamos un estudio de MedrXiv (Yale) realizado por un equipo de investigación el 28 de Enero a cerca de la expansión del virus. Ellos mismos nos avisan de las limitaciones del modelaje matemático:

  • La transmisibilidad del virus es variable dependiendo del lugar y tiempo que se utilice. El ritmo reproductivo básico del virus (R0) se sitúa entre 2 y 3, y cualquier variación mínima en el parámetro trastoca las predicciones.
  • Muchos estudios pueden abarcar únicamente un medio de transmisión. En el caso de este estudio, solo se tienen en cuenta el transporte de infectados por vuelos. Pero, ¿qué hay de transporte por coches, a pie, barcos o trenes?
  • No se puede predecir con exactitud el efecto de las medidas tomadas por cada país. Cada nación actúa de manera diferente frente al virus. No se puede saber en qué momento un país decidirá restringir movimientos, establecerá cuarentenas o cerrará fronteras. No se puede modelizar teniendo en cuenta estas medidas si no se sabe cuándo o cómo se van a tomar.
 

Además de todas estas complicaciones, hay otra que se puede sumar:

  • La población recuperada (R), asumida en el modelo SIR como curada, puede no serlo. Los casos de reinfecciones documentados y de personas asintomáticas portadoras complican en gran medida las predicciones. Por ello, la detección temprana es esencial.
Médico modelo epidemiológico
El modelo epidemiológico tiene varias limitaciones que impiden realizar una estimación 100 % fiable.

Positividad y precaución

Esperamos que en este espacio se haya demostrado la inmensa complejidad que supone realizar un modelo epidemiológico efectivo. Los medios de comunicación e investigadores tratan de brindar la mejor información posible, pero debemos de tomarnos las cifras futuras que nos brindan como lo que son: predicciones.

Tanto para lo bueno como para lo malo, pueden estar equivocadas. Pero una cosa es segura, con las medidas pertinentes y el estado de cuarentena, la expansión del virus será frenada tarde o temprano.

  • Gulis G, Fujino Y. Epidemiology, population health, and health impact assessment. J Epidemiol. 2015;25(3):179–180. doi:10.2188/jea.JE20140212
  • Garner, M. G., & Hamilton, S. a. (2011). Principles of epidemiological modelling What are epidemiological models ? Why use epidemiological models ? Rev. Sci. Tech. Off. Int. Epiz.30(2), 407–416.
  • Suganthan, N. (2019). Covid-19. Jaffna Medical Journal31(2), 3. https://doi.org/10.4038/jmj.v31i2.72
  • Wang, Y., Wang, Y., Chen, Y., & Qin, Q. (2020). Unique epidemiological and clinical features of the emerging 2019 novel coronavirus pneumonia (COVID‐19) implicate special control measures. Journal of Medical Virology. https://doi.org/10.1002/jmv.25748
  • Qiu, Y. Y., Wang, S. Q., Wang, X. L., Lu, W. X., Qiao, D., Li, J. B., … Han, T. W. (2020). [Epidemiological analysis on a family cluster of COVID-19]. Zhonghua Liu Xing Bing Xue Za Zhi41(4), 506–509. https://doi.org/10.3760/cma.j.cn112338-20200221-00147