Desarrollan un modelo que predice la evolución de la pandemia de COVID-19

La herramienta, elaborada por científicos de Argentina -entre ellos Pablo Bolcatto, investigador en el IMAL y actual Presidente de CITEDEF -y de México, arroja resultados en función de la búsqueda, el monitoreo y el aislamiento de infectados y otras estrategias sanitarias. El software también permitió estimar que la aplicación del ASPO, al comienzo de la pandemia, posiblemente evitó en Argentina 1,6 millones de casos y cerca de 45.000 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 Departamento de Investigaciones en Láseres y Aplicaciones del Instituto de Investigaciones Científicas y Técnicas para la Defensa (CITEDEF), en Villa Martelli, Provincia de Buenos Aires.

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).

“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

Tal como describe la revista “Scientific Reports”, en el modelo propuesto se divide el mapa del territorio del país (en este caso el de Argentina) en regiones cuadradas relativamente pequeñas (de entre 30 y 50 km2) y se estudia la evolución de la enfermedad en cada región por separado teniendo en cuenta su correspondiente densidad demográfica. También determina la evolución de la pandemia en cada región y la propagación del nuevo coronavirus a regiones vecinas y a largas distancias dentro del país en función de los niveles de movilidad permitidos.

El modelo considera que las personas pueden evolucionar pasando por diferentes estados: susceptibles, es decir personas que puede contagiarse y no tiene inmunidad; expuestos: personas que estuvieron en contacto con un enfermo y están incubando la enfermedad; infectados: personas con alta carga viral que pueden contagiar a otros; aislados: personas que luego de obtener una prueba PCR positiva son aisladas y ya no contagian a otros; y recuperados: personas que se curaron de la enfermedad y son inmunes por lo que no pueden enfermarse nuevamente por un período de tiempo.

“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 SARSCoV-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 COVID-19”, señaló Barreiro.

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 poseía experiencia previa en estudios epidemiológicos. Ya en 2009 había implementado un modelo exitosamente para determinar la evolución de la gripe H1N1 en México. Y el grupo se completó con la Master en estadística, Tzipe Govezensky, del Instituto de Investigaciones Biomédicas de la UNAM, y Barreiro.

El trabajo, publicado en “Scientific Reports” en mayo 2021 (pero elaborado en diciembre 2020), planteaba un escenario en que si se mantenía la movilidad existente habría una nueva ola en junio de 2021.

“Sin embargo, 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.

Además de las aplicaciones que se muestran en la publicación, el modelo desarrollado, se utilizó para estudiar diferentes escenarios, por ejemplo, para estimar que 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 millones 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.

En otro trabajo, publicado como preimpresión en medRxiv, los investigadores extendieron el modelo para considerar los efectos de la vacunación y 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 consecuentemente aislados), menor es la circulación del virus y la cantidad de casos totales a largo plazo. De igual modo, 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.