He aquí por qué están cambiando los modelos de tasa de mortalidad por coronavirus y por qué no significa que hayamos reaccionado exageradamente


Modelar una pandemia es realmente difícil. ¿Quién lo hubiera adivinado?

Adobe Stock / Angelina Bambina

Muchos de nosotros no tardaron en darnos cuenta de que la pandemia de coronavirus iba a ser una fuerza letal que cambiaría nuestras vidas de maneras muy significativas, posiblemente durante mucho tiempo. Pero según algunas proyecciones importantes, las tasas de hospitalización y muerte debido a COVID-19 podrían ser ligeramente mejores de lo que los expertos pensaron inicialmente.

A fines de marzo, un modelo citado con frecuencia del Instituto de Métricas y Evaluación de la Salud (IHME) de la Facultad de Medicina de la Universidad de Washington proyectó que los EE. UU. Verían alrededor de 81,000 muertes, pero posiblemente hasta 162,000. A principios de abril, el modelo había cambiado un poco. Aunque todavía predijo que soportaremos alrededor de 81.000 muertes, la estimación más alta se redujo a unas 136.000. También se redujeron sus estimaciones de la cantidad de camas hospitalarias de UCI y ventiladores que necesitaríamos.

¿Significa eso que reaccionamos exageradamente al cerrar escuelas, negocios y casi ciudades enteras? Bueno no. Resulta que proyecciones como estas son extremadamente difíciles de armar y la mayoría de ellas terminan siendo incorrectas de una forma u otra. Pero incluso si un modelo no termina reflejando completamente la realidad, eso no significa que no pueda ser útil. Un cambio en las proyecciones no significa necesariamente que haya hecho algo mal; de hecho, podría significar que hizo algo bien.

¿Qué implica la creación de un modelo de propagación de enfermedades infecciosas?

Respuesta corta: mucho.

¿La respuesta larga? Bueno, prepárate. Esencialmente, hay algunos tipos importantes de modelos que los investigadores pueden crear, dice a Fitlifeart Jeffrey Shaman, Ph.D., profesor de ciencias de la salud ambiental y director del Programa de Clima y Salud de la Escuela de Salud Pública Mailman de la Universidad de Columbia.

El primer tipo es un modelo matemático, que describe el complejo proceso de transmisión dentro de algún tipo de construcción, como la forma en que las personas en una ciudad se infectarán con el nuevo coronavirus, dice Shaman, quien ha liderado el trabajo de la Universidad de Columbia en la creación de modelos COVID-19. .

En algunos tipos de modelos matemáticos, llamados modelos basados ​​en agentes, los investigadores pueden tener en cuenta muchos factores diferentes que tienen efectos entre sí. Eso significa que el modelo mide diferentes "actores" individuales que van a trabajar, van de compras, etcétera, y calcula cómo su estado de enfermedad, ya sea que estén infectados o no, cambiará con el tiempo en función de con quién más entren en contacto y en qué entornos entran.

Los modelos matemáticos como este son "computacionalmente costosos", dice Shaman, y tienen que hacer una gran cantidad de suposiciones sobre el comportamiento de las personas y cómo funciona el virus que pueden o no ser ciertas.

Hay versiones simplificadas de modelos matemáticos, llamados modelos compartimentales, que los investigadores podrían usar en un caso como este. Uno muy común es un modelo SI o SIR, que estima el número de individuos susceptibles, infectados y recuperados en una situación particular a lo largo del tiempo, explica Shaman.

Con este tipo de modelo, se intenta medir "la tasa a medida que las personas se mueven entre los diferentes compartimentos de ser susceptibles a infectarse, a ser eliminadas de la población porque están recuperadas o muertas", Amesh A. Adalja, MD, académico senior en el Centro Johns Hopkins para la Seguridad de la Salud, le dice a Fitlifeart.

Por ejemplo, un modelo publicado en el Revista Internacional de Enfermedades Infecciosas por científicos de EE. UU. y China, adopta un enfoque SEIR (susceptible, expuesto, infectado, eliminado) para modelar el brote en Wuhan. Y, en un estudio actualmente en preimpresión, Sherman y sus coautores utilizaron un modelo dinámico de metapoblación, que funciona como una red de modelos compartimentales, para examinar el papel que tenían las personas con infecciones leves o asintomáticas en la propagación del brote en China.

El otro tipo principal de modelo es un modelo estadístico, que crea una proyección de cómo podría verse la situación en algún momento en el futuro en función de los datos que ya hemos recopilado sobre lo que sucedió en el pasado. El citado modelo COVID-19 creado por el IHME es uno de esos modelos estadísticos utilizados para predecir la necesidad de equipos hospitalarios, así como la tasa de muertes debido al nuevo coronavirus en los EE. UU. Y en todo el mundo.

Todos estos modelos deben tener en cuenta diferentes factores sobre el virus y las personas a las que infecta, como la rapidez con la que se propaga la enfermedad, la cantidad de personas que infecta cada persona infectada y la duración del período de incubación, dice el Dr. Adalja, cuyo trabajo consiste en evaluar la preparación para una pandemia. Pero al principio, esas son solo suposiciones, y es posible que no sepamos cuán precisas son esas suposiciones durante bastante tiempo. “Todos estos modelos se basan en ciertas suposiciones que deben perfeccionarse a medida que se desarrolla el brote”, dice.

Es muy, muy difícil crear un modelo para un nuevo virus que se propaga en tiempo real.

Crear un modelo para la propagación y los efectos de una enfermedad infecciosa siempre requiere mucho tiempo y conjeturas complicadas. Pero situaciones como este coronavirus presentan algunos desafíos muy singulares que dificultan aún más la creación de proyecciones precisas sobre lo que podría suceder.

Tome la gripe estacional, por ejemplo. Aunque este es un evento de enfermedad infecciosa que ocurre al mismo tiempo que los investigadores están tratando de crear proyecciones estadísticas sobre cuán severa será esa temporada de gripe en particular, nuestros tratamientos y prácticas de prevención no cambian mucho de un año a otro, dice Shaman. Eso facilita la creación de un modelo más preciso de cómo será la temporada de gripe.

Pero en el caso del nuevo coronavirus, “tenemos que asumir lo que va a hacer la sociedad”, dice, incluso cuándo se dan las órdenes de distanciamiento social, qué tan bien las siguen las personas y cuándo las personas comienzan a volver al trabajo.

Otros desafíos importantes tienen que ver con el proceso de prueba, dice Shaman. Sabemos que hay una ventana de tiempo (hasta 14 días en la gran mayoría de los casos) entre el momento en que alguien está infectado y el momento en que comienza a experimentar síntomas que lo llevan a hacerse la prueba. Entonces, cuando miramos los resultados de las pruebas, "estamos viendo lo que sucedió hace unas dos semanas", dice, no el resultado de ningún cambio de política nuevo implementado en los últimos días, por ejemplo, y definitivamente no es lo que realmente está sucediendo en este momento.

La disponibilidad de pruebas y cuándo las personas deciden buscar pruebas también influyen. Por ejemplo, al principio del brote, es posible que alguien con un resfriado leve no lo haya sentido necesario o incluso no haya pensado en hacerse una prueba de COVID-19. Pero más adelante, con este virus en la mente de casi todos, es mucho más probable que alguien con síntomas leves busque pruebas. Además, si la demanda de pruebas es alta, pero no hay suficientes pruebas para que todos puedan obtener una, eso no necesariamente le da una imagen completa de la tasa de pruebas positivas. Es más, no todos los estados informan la cantidad de pruebas negativas que obtienen.

Todas estas variables ayudan a que los investigadores tengan una mejor idea de la cantidad real de casos que existen y de cómo se están propagando, y todas cambian de manera casi constante. Eso tiene efectos en el mundo real sobre cómo los gobiernos, los hospitales y las personas se preparan para la pandemia.

Por ejemplo, en el futuro, los problemas relacionados con las pruebas han dificultado la interpretación precisa de los datos que tenemos y la estimación de la tasa de hospitalización. Inicialmente, los datos de otros países (como España) indicaron que un número muy alto de personas infectadas con el nuevo coronavirus requerirían hospitalización, dice el Dr. Adalja. Y según los datos de los CDC, la tasa de hospitalización fue inicialmente bastante alta (más del 30% para algunos grupos de edad). Pero más recientemente, la tasa de hospitalización en los EE. UU. Ha sido mucho más baja. Entonces, ¿por qué fueron incorrectas las proyecciones iniciales?

"Sabemos que estamos subestimando varios casos debido a las limitaciones de las pruebas", dice el Dr. Adalja. Y si ese es el caso, entonces "eso significa que estamos sobrestimando las tasas de hospitalidad y mortalidad".

Obtener estos números lo más correctos posible es increíblemente importante si, por ejemplo, es un planificador de hospitales. Ese número puede indicarle que "va a necesitar tantas camas de hospital, tantas camas de UCI, tantos ventiladores", dice el Dr. Adalja. "Y eso puede estar mal si se sobreestima el número de su tasa de hospitalización".

Modelos como estos fueron diseñados para cambiar a medida que pasa el tiempo.

A medida que aprendemos más sobre la enfermedad, se implementan políticas locales de distanciamiento social y vemos cómo se comporta la gente, es completamente normal que cambien las proyecciones.

“Recuerde que los modelos todavía no sustituyen a los datos del mundo real. Son herramientas que utilizan los formuladores de políticas para pensar en diferentes rangos de escenarios ”, dice el Dr. Adalja. “No están acorazados; debe esperar que los modelos cambien a medida que surgen más datos ". De hecho, la mayoría de los modelos terminan equivocándose por una razón u otra, dice. También es importante recordar que todos los modelos tienen un área de incertidumbre, o un rango de posibles resultados, no solo un resultado específico, dice Shaman. Y cuanto más miramos hacia el futuro, más inciertos son los resultados proyectados.

Desafortunadamente, cuando te encuentras con una noticia o simplemente con un tweet que habla sobre un modelo del impacto del coronavirus, simplemente no podrá abarcar toda la complejidad de los detalles del modelo o los datos con los que estaban trabajando los investigadores. , Dice el Dr. Adalja. Los matices y las suposiciones sobre el modelo, así como los muchos posibles resultados involucrados, a menudo se pierden en la traducción.

Pero a veces, como en este caso, la razón por la que los modelos cambian es realmente alentadora. “Cuando la gente habla de aplanar la curva, eso es algo que está sucediendo debido a la intervención humana”, dice Shaman. No es un tratamiento o una vacuna, pero es algo que la gente, seres humanos como usted y yo, están haciendo y que tiene un impacto real en el curso del brote y las proyecciones que los investigadores hacen para nuestro futuro.

Esos primeros modelos tenían en cuenta las medidas de distanciamiento social, pero hacerlo no es tan fácil como agregar un número más a la ecuación. Tienes que pensar en cuándo se implementan los pedidos, si son un pedido real o simplemente una sugerencia, y qué tan bien las personas realmente seguirán esos pedidos. En una serie de gráficos de simulación creados por el El Correo de Washington Utilizando datos de investigadores del Centro de Ciencia e Ingeniería de Sistemas de la Universidad Johns Hopkins, puede ver que el distanciamiento social estricto tiene un efecto mucho más significativo en la curva que un intento a medias, por lo que siempre supimos que sería útil.

Pero tener en cuenta el distanciamiento social y estimar su verdadero poder en la curva ha sido un desafío, e incluso el modelo IHME vio actualizaciones desde el principio en sus métricas de distanciamiento social que lo han convertido en una medida cada vez más complicada. Por ejemplo, para determinar los efectos del distanciamiento social en el modelo IHME, los investigadores ahora combinan los resultados de varios otros modelos basados ​​en estimaciones de tres medidas de distanciamiento social (cierres de escuelas, pedidos para quedarse en casa y cierres de negocios no esenciales). . Luego, utilizan cada uno de esos valores para crear modelos de tasa de mortalidad a corto y largo plazo.

Algunas personas pueden ver las diferencias en las proyecciones después de esos cambios en el modelo y las interpretan como una señal de que nuestro distanciamiento social y el cierre de negocios no esenciales fue una reacción exagerada. Pero esa es la conclusión incorrecta para sacar. En todo caso, es una señal de que el distanciamiento social ha tenido éxito, quizás incluso más de lo que proyectaban los modelos originales. De hecho, como dice Shaman, eso es lo que significa "aplanar la curva".

Entonces, ¿qué debería sacar de estos modelos? Sepa que los investigadores de todo el país y del mundo están trabajando arduamente para encontrar las respuestas que mantendrán a tantos de nosotros lo más seguros posible. Pueden usar modelos para proyectar cómo será el futuro y qué preparativos debemos hacer. Una vez que veamos esos modelos, la forma en que actuemos sobre esa información, por supuesto, tendrá un efecto en el resultado proyectado. Es un buen recordatorio de que, incluso en una pandemia que nos hace sentir impotentes la mayor parte del tiempo, muchos de nosotros todavía podemos hacer algo: quedarnos en casa.