Por qué los modelos matemáticos son una de las grandes armas contra el coronavirus

Para predecir la evolución de la epidemia del coronavirus, todas las armas son útiles, incluidos los modelos matemáticos y las simulaciones mediante computadoras, aunque su margen de error es un riesgo, según expertos.

Para construir esos modelos se toman numerosos parámetros relacionados, a la vez, con el virus (probabilidad de transmisión, probabilidad de muerte o de curación de un individuo infectado) y el comportamiento de las poblaciones, empezando por sus desplazamientos (tráfico aéreo...).

Esos modelos matemáticos dan a las autoridades sanitarias pautas sobre la amplitud de la crisis y sobre las medidas que hay que tomar.

La ministra francesa de Salud, Agnès Buzyn, declaró el viernes que el club de países más avanzados, el G7, está trabajando en "modelos de diferentes escenarios en función (...) de la gravedad, de la contagiosidad" de la epidemia.

“Pero hay un precio por pagar: cuanto más se intenta afinar el modelo, más difícil será manipularlo y más incertidumbre puede generar” explica a la AFP Arnaud Banos, investigador del Centro de Investigaciones científicas francés (CNRS).

Para intentar reflejar lo más adecuadamente posible la situación en tiempo real, los investigadores hacen simulaciones inyectando constantemente nuevos datos a medida que van surgiendo. “Por ejemplo, la aparición de un nuevo foco o una nueva medida política o de salud pública que el modelo no podía predecir” añade Banos.

Gracias a ese tipo de modelo, un equipo británico de la London School of Hygiene & Tropical Medicine estimó esta semana que entre mediados y finales de febrero se llegará al pico de la epidemia de coronavirus en la ciudad china de Wuhan, su epicentro. “De todas maneras subsisten numerosas incertidumbres sobre el momento exacto en que eso sucederá y sobre el número de casos que representará” advierte uno de los autores, Adam Kucharski.

“Este análisis está firmado por un equipo experimentado y talentoso, pero, como siempre, la falta de datos disponibles corre el riesgo de afectar sus previsiones” comentó por su lado un científico que no participó en esos trabajos, el profesor Rowland Kao de la Universidad de Edimburgo.

De hecho, en los inicios de una epidemia, los modelos pueden conllevar errores por los numerosos interrogantes que subsisten. Ese fue el caso, por ejemplo, de la segunda forma humana de la enfermedad de las vacas locas, en la segunda mitad de los años 1990.

"Algunos modelos, elaborados por equipos de investigación prestigiosos, habían predecido hasta 136.000 casos hasta 2020, con mucha incertidumbre sobre las predicciones", recuerda un epidemiólogo francés, Arnaud Fontanet.

“Esas incertidumbres reposaban, en gran parte, sobre las hipótesis emitidas en torno a la duración de incubación de la enfermedad”, añade.

Pero la fiabilidad de ese tipo de previsiones “depende de la naturaleza del proceso modelizado y de los conocimientos e incertidumbres que se incorporan al modelo”, destaca Arnaud Banos.

La inteligencia artificial ha ido ganando terreno en la elaboración de esos modelos. “El objetivo es detectar lo que se denominan señales débiles, por ejemplo individuos en redes sociales que comparten posibles síntomas”, explica Banos.

“La idea es rastrear permanentemente cantidades gigantescas de datos para detectar esas señales débiles automáticamente, para relacionarlos con la evolución de una posible enfermedad, a partir de un gran número de situaciones pasadas”, añade.

(Con información de AFP)

MÁS SOBRE ESTE TEMA: