A medida que el virus infeccioso que causa la enfermedad COVID-19 comenzó su devastadora propagación por todo el mundo, un equipo internacional de científicos se alarmó por la falta de enfoques uniformes por parte de los epidemiólogos de varios países para responder a ella.

Alemania, por ejemplo, no instituyó un bloqueo completo, a diferencia de Francia y el Reino Unido, y la decisión de Nueva York en los EE. UU. de entrar en un bloqueo se produjo solo después de que la pandemia había alcanzado una etapa avanzada. El modelado de datos para predecir el número de infecciones probables varió ampliamente según la región, de números muy grandes a muy pequeños, y reveló un alto grado de incertidumbre.

Davide Faranda, científico del Centro Nacional Francés de Investigaciones Científicas (CNRS), y colegas en el Reino Unido, México, Dinamarca, y Japón decidió explorar los orígenes de estas incertidumbres. Este trabajo es profundamente personal para Faranda, cuyo abuelo murió de COVID-19; Faranda le ha dedicado el trabajo.

En el diario Caos , el grupo describe por qué modelar y extrapolar la evolución de los brotes de COVID-19 casi en tiempo real es un enorme desafío científico que requiere una comprensión profunda de las no linealidades subyacentes a la dinámica de las epidemias.

Pronosticar el comportamiento de un sistema complejo, como la evolución de las epidemias, requiere tanto un modelo físico para su evolución como un conjunto de datos de infecciones para inicializar el modelo. Para crear un modelo, el equipo utilizó datos proporcionados por el Centro de Ciencia e Ingeniería de Sistemas de la Universidad Johns Hopkins, que está disponible en línea en https://systems.jhu.edu/research/public-health/ncov/ o https://github.com/CSSEGISandData/COVID-19.

"Nuestro modelo físico se basa en asumir que la población total se puede dividir en cuatro grupos:aquellos que son susceptibles de contraer el virus, aquellos que han contraído el virus pero no muestran ningún síntoma, los que están infectados y, finalmente, los que se recuperaron o murieron a causa del virus, "Dijo Faranda.

Para determinar cómo se mueven las personas de un grupo a otro, es necesario conocer la tasa de infección, tiempo de incubación y tiempo de recuperación. Los datos de infección reales se pueden utilizar para extrapolar el comportamiento de la epidemia con modelos estadísticos.

"Debido a las incertidumbres en ambos parámetros involucrados en los modelos:tasa de infección, el período de incubación y el tiempo de recuperación, y la falta de información sobre infecciones en diferentes países, las extrapolaciones podrían conducir a una gama increíblemente amplia de resultados inciertos, "Dijo Faranda." Por ejemplo, simplemente asumiendo una subestimación de los últimos datos en los recuentos de infecciones del 20% puede conducir a un cambio en las estimaciones de infecciones totales de unos pocos miles a unos pocos millones de personas ".

El grupo también ha demostrado que esta incertidumbre se debe a la falta de calidad de los datos y también a la naturaleza intrínseca de la dinámica, porque es ultrasensible a los parámetros, especialmente durante la fase inicial de crecimiento. Esto significa que todos deben tener mucho cuidado al extrapolar cantidades clave para decidir si implementar medidas de bloqueo cuando comience una nueva ola del virus.

"El recuento final total de infecciones, así como la duración de la epidemia, son sensibles a los datos que ingresa, " él dijo.

El modelo del equipo maneja la incertidumbre de forma natural, por lo que planean mostrar cómo el modelado de la fase posterior al confinamiento puede ser sensible a las medidas tomadas.

"Los resultados preliminares muestran que implementar medidas de bloqueo cuando las infecciones se encuentran en una fase de crecimiento exponencial completo plantea serias limitaciones para su éxito, dijo Faranda.