¿Cómo impacta a las proyecciones del COVID-19 las recomendaciones que no suceden al 100% como se pensaron?
Resumen del artículo “Recomendaciones matemáticas para la lucha vs COVID-19” escrita por Gu, C. et al.
Este resumen forma parte del esfuerzo de Prodavant ante el COVID-19 buscando hacer más accesibles artículos científicos internacionales puestos a disposición de la sociedad. Que aporte luz donde se necesite.
Las simulaciones matemáticas sugieren que la clave para controlar la tasa de contagio está en entender que las personas contagiadas pero no detectadas ocasionan una fuerte propagación del virus.
En este documento reseñado los investigadores analizaron el impacto de ciertos factores críticos que influyen en el crecimiento y difusión de la pandemia. Para el modelo matemático consideraron los datos disponibles de lo sucedido en China y en Francia y así poder calibrar su modelo.
Se concentraron en 3 medidas críticas para limitar la transmisión del COVID-19:
- Tasa de infección
- Tasa de confirmación de contagiados
- Tasa de eficiencia de los puestos en cuarentena
¿Cómo se determinó el impacto?
En el estudio señalan que dichas medidas críticas tienen también ciertos niveles de efectividad, siendo el máximo 100% y el mínimo 0%. Por ejemplo, la recomendación de aumentar la tasa de detección de contagiados llega al 100% cuando todos los contagiados son identificados y baja del 100% cuando no existen suficientes pruebas o no se realizan para identificarlos.
Uno de los riesgos más grandes que señalan es tener una baja efectividad en la tasa de confirmación, dado que difícilmente se podrán aislar las fuentes de contagio que continuarán provocando la difusión y el crecimiento exponencial del COVID-19.
El objetivo de la investigación es proponer un marco de referencia matemático usando la experiencia y datos lo sucedido en China y Francia para calibrar parámetros y así estudiar las consecuencias de diferentes medidas y recomendaciones.
En la investigación consideraron 3 tipos de poblaciones:
- Acumulado de infectados confirmados
- Infectados activos, pero no confirmados todavía
- Infectados no confirmados en cuarentena
Señalan que como en el COVID-19 los síntomas sólo aparecen después de un período de incubación y, dado el desfase de tiempo en que aparecen los síntomas, la similitud de síntomas con los del resfriado y el desabasto de pruebas que se está presentando, la efectividad de la tasa de detección de infectados no necesariamente es alta.
Mencionan también que, si LA CLAVE ES DETENER LA VELOCIDAD DE CONTAGIO, es vital entender que el tipo de población denominado como “contagiados activos no detectados” ocasionan un número importante de contagios a la población, resultando un factor en contra para detener la velocidad de contagio.
Dado que muchos de los contagios suceden en lugares públicos y los síntomas tardan en aparecer, los portadores no saben que activamente están infectando más a la población. Por lo anterior, la clave está en lograr convertir a la población denominada como “contagiados activos no detectados” a los otros dos tipos de población contemplados en la simulación: “contagiados detectados” o “contagiados sin confirmar, pero en cuarentena” Así, al menos esos focos de contagio dejan de impactar al crecimiento exponencial de la difusión de la enfermedad al evitar contagio persona a persona o contaminación de superficies con el virus.
Se realizaron simulaciones estudiando datos reales con la información de lo sucedido en China y Francia.
Para la simulación se ejecutaron 5 casos en los que se variaban los valores de:
- Tasa de confirmación una vez detectado
- Tasa de contaminación con el virus y
- La probabilidad de lograr una cuarentena exitosa a los infectados
Los 5 casos que se simularon fueron los siguientes:
Grupo A: Medidas débiles
- Tasa de contaminación = 34%
- Tasa de confirmación una vez detectado = 30%
- Probabilidad de lograr una cuarentena exitosa en los infectados = 20%
Grupo B: Medidas normales
- Tasa de contaminación = 34%
- Tasa de confirmación una vez detectado = 50%
- Probabilidad de lograr una cuarentena exitosa en los infectados = 40%
Grupo C: Medidas fuertes
- Tasa de contaminación = 34%
- Tasa de confirmación una vez detectado = 70%
- Probabilidad de lograr una cuarentena exitosa en los infectados = 60%
Grupo D: Medidas muy fuertes
- Tasa de contaminación = 34%
- Tasa de confirmación una vez detectado = 90%
- Probabilidad de lograr una cuarentena exitosa en los infectados = 80%
Grupo E: Medidas normales con reducción de actividades
- Tasa de contaminación = 25%
- Tasa de confirmación una vez detectado = 50%
- Probabilidad de lograr una cuarentena exitosa en los infectados = 40%
Resultados de la simulación
En la simulación matemática del Grupo A, cuando las medidas son débiles (tasa de confirmación 30% y probabilidad de cuarentena exitosa 20%), suponiendo que la evolución inicia con 8 infectados no confirmados, en un mes las infecciones confirmadas explotaron a 12,400 con casi 14,000 casos no detectados lo que llevarían a un sistema médico (como el de Francia) a fallar y generar una catástrofe.
En la simulación del Grupo D, con medidas muy fuertes (tasa de confirmación 90% y probabilidad de cuarentena exitosa 80%), se aprecia que la tendencia queda controlada.
Pero también se compara el Grupo E: “medidas normales con reducción de actividades” con el Grupo B: “medidas normales”, subrayando que los dos escenarios tienen los mismos valores de 1) tasa de confirmación una vez detectada la infección y de 2) probabilidad de poner exitosamente en cuarentena. En la comparación se pudo apreciar que el Grupo E: “medidas normales con reducción de actividades” tiene una tasa de infección 1/4 menor que el grupo B: “medidas normales”.
Entonces la tasa de difusión del Grupo E: “medidas fuertes” se logra controlar al igual que la tasa de difusión del Grupo D: “medidas normales con reducción de actividades”.
Conclusión:
Esto sugiere que las medidas de distanciamiento social puede significar una respuesta a disminuir la difusión de la pandemia dado que se reduce la TASA DE CONTAMINACIÓN (contaminación persona a persona y contaminación indirecta por superficies) con el virus por las personas que se encuentran infectadas ya sea que lo sepan o no.
En general los investigadores sugieren modelos matemáticos que tomen en cuenta la baja tasa de efectividad real de la tasa de confirmación y detección porque ésto resulta ser una constante al saturarse los hospitales y escasear las pruebas.
¿Te interesa leer el artículo completo? Encuéntralo aquí: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3551006
Bibliografía
Gu, C., Jiang, W., Zhao, T., Zheng, B. (2020) Mathematical recommendations to fight against COVID-19. SSRN.
Disclaimer
Este resumen no es una transcripción completa ó idéntica del documento que reseña. Es un intento por capturar en términos amplios y sintetizados la naturaleza y el enfoque del tema tratado. Esta reseña se realizó con la intención de difundir de manera práctica, breve y en idioma español parte del conocimiento e investigaciones que se desarrollan durante la contingencia mundial del COVID19. Se realizaron todos los esfuerzos para evitar errores de interpretación durante la reseña, cualquier falla en dicho esfuerzo habrá sido involuntaria. Las recomendaciones aquí reseñadas deberán ser evaluadas por un experto en la materia antes de ser implementadas. Dado que no se conocen las características a detalle de la situación, la responsabilidad deberá asumirse por el profesional que analice el caso y determine bajo su propio juicio la factibilidad de la implementación de ciertos lineamientos. Esperamos que difundir conocimiento internacional relacionado con la lucha contra el COVID19 aporte nuevas avenidas de cooperación y solución a todos los que están en capacidad de hacerlo.