Los modelos matemáticos se utilizan para comprender y predecir la dinámica de las epidemias, y para evaluar la efectividad de diferentes medidas de manejo de enfermedades, como la cuarentena de individuos infectados. Algunos rastrean el progreso de la enfermedad a través de los individuos, pero la mayoría de las publicaciones que modelan la epidemia de COVID-19 usan lo que se conoce como modelo ‘compartimento’ o ‘SEIR’. Este modelo rastrea el número de individuos que son susceptibles a sufrir la enfermedad pero no muestran síntomas (en período de incubación), los que están infectados (muestran síntomas) y los que se están recuperando.
Pues bien; estos modelos estadísticos utilizados para pronosticar la epidemia de COVID-19 podrían no ser lo bastante filedignos, según académicos de la Universidad de East Anglia (UEA). Atención: esta investigación todavía no ha sido revisada por pares.
Su concusión se deriva de la comparación de un nuevo enfoque con un modelo publicado de COVID-19 antes de que se impusieran medidas de aislamiento y distanciamiento social. La comparativa muestra que el modelo estándar subestima la tasa de infección máxima en un factor de tres, es decir, que podría ser tres veces mayor; por otro lado, el modelo sobreestima sustancialmente cuánto tiempo continuará la epidemia después de alcanzar el pico de contagios.
Puntos débiles
El principal punto débil de los modelos estadísticos para medir la progresión del coronavirus, según estos investigadores, es que estos modelos agrupan a todos los individuos en un compartimento, ignorando el tiempo real que pasó desde que se infectaron. En un artículo, el profesor Alastair Grant, de la Facultad de Ciencias Ambientales de la UEA, argumenta que, si bien el SEIR y otros modelos pueden predecir hasta qué punto se debe reducir la tasa de transmisión de la enfermedad para detener el crecimiento de una epidemia, hacen un mal trabajo al predecir su crecimiento. En palabras de los investigadores, “no capturan con precisión la dinámica transitoria de las epidemias». Pero las soluciones disponibles son mucho más difíciles de usar que el modelo SEIR.
El nuevo enfoque propuesto, con el que se hizo la comparativa del estudio, rastrea el tiempo desde que las personas se infectaron, al tiempo que conserva la simplicidad de un modelo que se puede describir en unas pocas líneas de código.
“Si los modelos SEIR usan valores de parámetros estimados independientemente de los datos, subestiman la proporción de la población que se infectará en el pico de la epidemia», según el profesor Grant, uno de los autores del estudio. «El documento muestra cómo los modelos matriciales pueden proporcionar una ruta directa para modelar con precisión las duraciones de las etapas y, por lo tanto, reproducir correctamente la dinámica epidémica. Nuestro modelo de tiempo explícito muestra que el pico de infección puede ser posterior al pico en el modelo SEIR simple”, concluye.
Fuente: Muy interesante
Deja un comentario