Epidemias virtuales: pueden ayudar a disminuir el impacto de epidemias reales

Por investigadores y becarios del CONICET*

En una de sus tiras más memorables, la entrañable Mafalda pidió a gritos que pararan el mundo que se quería bajar. Hoy el mundo pareciera haberse detenido y, si bien no podemos bajarnos, tenemos que quedarnos metidos en casa para intentar frenar una catástrofe que parece incontrolable. Se trata de una situación sin precedentes, tanto a nivel epidemiológico como social y económico, con el mundo parcialmente detenido para morigerar las muertes resultantes de una pandemia causada por un virus hasta hace poco desconocido, el nuevo coronavirus SARS-COV-2.

Por su novedad, todavía existen muchos interrogantes sobre su propagación y sobre cómo la sociedad debería responder para minimizar el efecto de la pandemia en las vidas de todos y en las economías locales y regionales.

Para alcanzar resultados exitosos debemos atacar este desafío unidos, desde todos los frentes posibles y con todas las herramientas disponibles. Una de esas herramientas son los modelos de simulación de las epidemias utilizando computadoras para emular las epidemias reales.

Los modelos matemáticos o numéricos pueden ayudarnos a evaluar distintos escenarios de contención de la epidemia. Por ejemplo, podemos preguntarnos qué ocurriría si la cuarentena que estamos viviendo fuera más relajada, o si solamente se aplicara a las personas con mayor riesgo de efectos severos, o quizás solamente a los que una prueba de laboratorio identifique con cierta certeza como infectados. Todas son preguntas que en este momento tienen respuestas inciertas, y donde los modelos pueden ayudar a aumentar esa certeza.

En una versión simple del progreso de la epidemia, podemos pensar que la población se distribuye en distintas categorías: los susceptibles de enfermarse (S), los infectados (I), y los recuperados (R). Las personas en la categoría S pueden infectarse y pasar a la categoría I y finalmente pueden pasar a la categoría R, con ciertas probabilidades asociadas al paso de una categoría a otra. Este es un modelo “SIR”, por las siglas de las categorías consideradas. También se puede incluir una categoría adicional de personas expuestas (E), que todavía no son capaces de infectar. Este es un modelo “SEIR”. Este tipo de modelo se utiliza asidua y exitosamente para muchos tipos de epidemias, incluyendo epidemias de gripe. Para el coronavirus Sars-COV-2 existe una herramienta online muy útil, la “calculadora epidémica”: http://gabgoh.github.io/Covid/index.html.

Por supuesto estos modelos pueden refinarse e incluir factores adicionales, como, por ejemplo, distintas probabilidades de recuperación según la edad de la persona infectada, o probabilidades que cambian a medida que avanza la epidemia. Esta última es una de las posibilidades que exploramos en nuestro grupo de trabajo, junto con una estimación simple de uso de camas de terapia intensiva basada en el trabajo de González-Valdez y colaboradores (https://arxiv.org/abs/2003.10879 ). 

Nuestro modelo es un SIR (Susceptibles, Infectados, Recuperados) modificado, validado con los datos epidemiológicos de China e Italia; es decir, el modelo ajusta los datos ya disponibles de la evolución que ha tenido el virus actual en estos países. Con la confianza que aportan estos resultados, hemos aplicado este modelo a los datos de Argentina, como se puede ver en la Figura 1. El modelo indica que la cuarentena tiene claramente un efecto muy importante en atenuar la epidemia, reduciendo de modo significativo el número de infectados y muertos.

Otra alternativa para modelar la epidemia es considerar personas virtuales (“agentes”), que se mueven e interactúan con otros agentes de acuerdo a ciertas reglas. Estos agentes pueden contagiarse y recuperarse de acuerdo a las mismas probabilidades utilizadas en modelos SIR.

Los agentes pueden ser confinados por cuarentenas extremas y una porción de los mismos puede decidir evadir esa cuarentena, como hemos visto que puede ocurrir en la realidad. Los alcances de distanciamiento social y su cumplimiento pueden ser evaluados, dentro de las limitaciones impuestas por los modelos de agentes, para ayudar a comprender el alcance de políticas públicas, como estamos trabajando en nuestro grupo. La Fig. 2 muestra los desplazamientos y la dinámica de un grupo de agentes, algunos de los cuales obedecen la cuarentena mientras que otros no lo hacen. Estos modelos muestran cómo un alto porcentaje de cumplimiento del aislamiento social es fundamental para “aplanar la curva” del número de infectados.

Existen numerosos tipos de modelos y grupos de investigadores en Mendoza, en Argentina, y en el mundo intentando simular la pandemia. Para que esos esfuerzos sean fructíferos, estos grupos deben poder colaborar con los decisores políticos y con todos los que trabajan obteniendo datos. Los datos anónimos a todos los niveles deben estar disponibles, y los modelos deben intentar responder las preguntas más significativas sobre posibles políticas públicas y sus consecuencias. La epidemia se vence con el esfuerzo de todos. Y aquí estamos los simuladores para dar una mano.

(*) Grupo Simulaciones-Covid 19-MDZ (Conicet/UM/UNCuyo/UNSL)

-E.M. Bringa (ebringa@yahoo.com)

-Diego Vázquez (dvazquez@mendoza-conicet.gob.ar)

-Marcelo Pasinetti (mpasi@gmail.com)

-Gonzalo Dos Santos (gonzalodossantos@gmail.com)

-Romina Aparicio (romi.a.arias@gmail.com)

-Fabricio Fioretti (fabriciodamianfioretti@gmail.com)

-Geraudys Mora Barzaga (gmorabarzaga92@gmail.com)

Fig. 1. Estimaciones de infectados, recuperados y fallecidos para Argentina, ajustadas por un modelo SIR (Susceptibles, Infectados, Recuperados) que también incluye personas fallecidas, como el propuesto por D. Caccavo, https://doi.org/10.1101/2020.03.19.20039. Datos de Argentina representados por círculos y predicciones del modelo por líneas. El código necesario para obtener los valores se encuentra disponible en: https://sites.google.com/site/simafweb/software/sars-cov-2.