Matemáticos galegos exploran a “dinámica oculta” das infeccións por covid-19 en España

Os modelos epidemiolóxicos de propagación dun virus son unha ferramenta esencial para optimizar a toma de decisións nunha pandemia como a da covid-19. Matemáticos de todo o mundo veñen deseñando modelos para tentar calcular o impacto real desta enfermidade. Entre eles, un equipo de investigadores galegos combinou as matemáticas e a computación para deseñar un modelo de simulación que permite avaliar a eficacia das medidas adoptadas e cuantificar o estado actual da epidemia en España.

Os seus autores son os investigadores da Universidade de Santiago de Compostela Marcos Matabuena Rodríguez e Víctor Leborán, do CiTIUS (Centro Singular de Investigación en Tecnoloxías Intelixentes), Carlos García Meixide, do ETH Zurich, e Pablo Rodríguez Mier, do Instituto de Biomedicina Computacional da Universidade de Heidelberg (Alemaña).

“Os resultados permítennos estimar retrospectivamente os patróns diarios de infeccións por covid-19 en España e examinar dinamicamente a exposición da poboación ao virus"

Estes matemáticos propoñen un novo modelo probabilístico novidoso na literatura científica epidémica que se revelou eficiente para calcular con precisión a seroprevalencia da covid-19 en España durante as distintas ondas, e coñecer a súa dinámica real a posteriori para avaliar o impacto das medidas adoptadas polas autoridades, o cal, destacan, "permite planificar de xeito máis eficiente as decisións posteriores cos coñecementos previos obtidos”.

“Os resultados do modelo permítennos estimar retrospectivamente os patróns diarios de infeccións por covid-19 en España e examinar dinamicamente a exposición da poboación ao virus, en contraste coas enquisas de seroprevalencia”, subliñan os seus autores, que veñen de publicar os seus resultados na revista científica internacional Computer Methods and Programs in Biomedicine.

A motivación principal da súa investigación, comentan García Meixide e Matabuena, foi “reconstruír o estado da pandemia en España ao longo da súa duración”, o que lles permitiu “estimar a seroprevalencia actual (porcentaxe de persoas que se infectaron de covid-19 até hoxe) estratificada por grupos de gravidade, e levar a cabo un seguimento da evolución da epidemia”.

O seu modelo, comentan García Meixide e Matabuena, permite “coñecer a dinámica oculta das infeccións en España mirando ao pasado”.

RESULTADOS PRINCIPAIS

Os seus resultados indican que na primeira onda se contaxiou o 5 % da poboación en España, mentres que a finais de 2020 xa era o dobre, arredor do 10 %; dato que, destacan, “están de acordo co estudo nacional de seroprevalencia”.

O modelo suxire que peches locais temporais en distintas áreas “só controlan parcialmente a propagación do virus, pero non reducen o número de casos o suficiente"

O estudo sinala que o pico de novas infeccións foi menos grave en ondas sucesivas que no inicio da pandemia, e que durante o verán de 2020, a propagación do virus repuntou de novo, probablemente debido a casos importados de turistas e patróns de alta mobilidad.

O seu modelo tamén suxire que os peches locais que se aplicaron temporalmente en distintas áreas na segunda metade de 2020 “só controlan parcialmente a propagación do virus, pero non reducen o número de casos o suficiente para alcanzar un limiar de baixo risco de novas infeccións”. Así, por exemplo, destacan que “as infeccións activas diminuíron despois de tomadas as medidas estatais e globais dende o 26 de outubro ata despois do Nadal, pero o risco epidemiolóxico aínda foi alto durante o período”.

E despois do Nadal, a situación epidemiolóxica foi “crítica”. Con todo, apuntan, “grazas ás novas medidas e á estratexia de vacinación a grande escala, contívose o risco dunha explosión de infeccións”.

MADRID, A MÁIS CASTIGADA NA PRIMEIRA ONDA

Nos resultados do estudo tamén destacan os datos comparados entre varias comunidades autónomas durante a primeira onda, un escenario máis complicado e opaco, xa que naquel momento de incertezas sobre o novo coronavirus, do que apenas se sabía nada ao inicio da pandemia, as mortes por covid-19 puideron ser atribuídas a outras causas ou non diagnosticadas, e moitos infectados puideron non ser identificados.

Estes matemáticos consideran que o escenario máis preciso para a primeira onda en España é o pesimista, a partir da análise do exceso de mortalidade que fixeron, a cal xustifica que ese escenario extremo sexa máis fiable para as estimacións de seroprevalencia que o de mortes por covid-19 dos rexistros oficiais naquel momento.

Para este período, restrinxiron a análise do modelo até o 26 de abril en Galicia, País Vasco, Castela e León, Madrid e Cataluña.

O 22,5% da poboación de Madrid puido infectarse durante a primeira onda, fronte a tan só o 2,9 % dos residentes en Galicia

Segundo os cálculos do modelo aplicado, entre o 1 de marzo e o 26 de abril de 2020, Madrid foi a máis afectada pola covid-19. “Se consideramos un contexto extremo (por exemplo, o número de mortes é o dobre do informado polo Goberno), o 22,5% da poboación de Madrid puido infectarse ou recuperarse do virus”, estiman estes matemáticos, que calculan que a data 26 de abril puido haber case 1,2 millóns de infectados recuperados.

En contraste con Madrid, salientan, Galicia foi a autonomía que sufriu os efectos máis suaves no inicio da pandemia, cunha porcentaxe de persoas infectadas inferior ao 2,9% da súa poboación.

Mentres, Castela e León, País Vasco e Cataluña puideron ter sufrido os efectos da covid-19 cunha magnitude proporcional, cunha porcentaxe de infeccións que estiman entre o 6 e o 12 % da poboación.

O modelo tamén indica que o pico de novas infeccións en España probablemente ocorreu ao comezo da corentena, e o pico de persoas que puideron contaminarse tivo lugar entre o 17 e o 24 de marzo do pasado ano. O número de novas infeccións reduciuse drasticamente despois da introdución de medidas de contención.

COÑECER O PASADO PARA PREVIR NO FUTURO

García Meixide e Matabuena poñen en valor esa mirada matemática retrospectiva sobre a probable evolución da pandemia que aplicaron co modelo deseñado: “Coñecer a dinámica oculta das infeccións en España mirando ao pasado é clave para cuantificar como se van estender os contaxios no futuro e para guiar políticas de intervención epidemiolóxica –por exemplo, confinamentos– dun xeito máis preciso”, expoñen.

Por exemplo, en retrospectiva, preguntan: “Pagaría a pena un novo confinamento á altura de outubro do ano pasado, momento no que a ocupación hospitalaria volvía ser crítica ou mesmo peor que na primeira vaga?".

Na súa opinión, "a solución deste problema tamén reside na resposta a outras preguntas, como cal foi realmente o alcance da expansión vírica na primeira onda da pandemia en distintos territorios de España; ou cando aconteceu o pico de contaxios, se del se pode falar de xeito rigoroso”.

EXPLICACIÓN DO MODELO

Estes investigadores valoran tamén que o seu modelo se pode extrapolar a contextos alén do español, podendo “dilucidar cales foron as capacidades reais de rastrexo por parte de distintos países e estudar as condicións socioeconómicas que explicasen esta variabilidade, de habela”.

"Tras a primeira vaga, a pandemia estaba baixo control, ao contrario que no caso das posteriores”

“Os principios matemáticos de funcionamento do noso modelo poñen de manifesto como é posible partir dunha idea, en principio, simple como a de cadea de Markov para deseñar unha variante máis xeneralizada”, introducen.

Máis detalladamente, afondan: “Primeiro, asumimos que a dinámica dos contaxios segue o seguinte modelo probabilístico: se unha persoa se infecta, entón sempre pasa prematuramente por incubar o virus. Unha vez neste compartimento, esa persoa pode ser asintomática ou non. Se é asintomática, sempre se salva e pasa a ser convalecente; se non, pode morrer ou pasar a fase convalecente. Todos os que chegan á fase convalecente se acaban recuperando e acadando o estado final da cadea: a recuperación da enfermidade”.

“Estas transicións que describimos”, proseguen, “veñen cuantificadas por probabilidades, que a ollos da nosa estratexia son parámetros de valor descoñecido que queremos estimar” Así, “modelando o tempo que leva completar cada transición como unha variable aleatoria cuxa forma tomamos do coñecemento médico experto, permite realizar simulacións empregando como input os rexistros de mortalidade”.

Isto, clarifican, “permite aproximar as probabilidades de transición buscadas e predicir cal foi a cantidade de individuos nos distintos compartimentos epidemiolóxicos nun determinado día”. E os resultados, din, “foron sorprendentes”.

Introducindo no seu algoritmo que falecera o dobre de persoas que os decesos reportados polas autoridades, as súas predicións “atinaron” os resultados dun primeiro test de seroprevalencia realizado en Torrejón de Ardoz (Madrid): “En xuño de 2020 xa se contaxiara o 20 % da poboación nesa localidade!”, recordan García Meixide e Matabuena.

Ao comprobar que supoñer o dobre de falecementos que os reportados oficialmente inclinaba as súas predicións cara ao alcance real da pandemia, viron con posterioridade que “mentres que en Galicia soamente se contaxiou o 3 % da poboación, na totalidade do Estado case o 15 % tivo contraído a enfermidade por marzo deste ano”, aportan.

"Ao principio da pandemia, a capacidade de detección foi practicamente nula, véndose incrementada cara ao final do confinamento xeral e volvendo diminuír no verán"

As gráficas xeradas cos datos obtidos co modelo aplicado revelan como “o mecanismo de contaxio foi moi heteroxéneo entre os distintos territorios”, comentan. Tamén como “tras a primeira vaga, a pandemia estaba baixo control, ao contrario que no caso das posteriores”, como se observa na seguinte visualización. 

A gráfica mostra que “malia o alto risco que se sofre durante o outono, o control epidemiolóxico vaise estabilizando cada vez máis durante esta época, para rematar consolidándose unha máxima eficiencia no Nadal, inducida polo temor a todas as reunións familiares que se darían no momento”, describen García Meixide e Matabuena.

Nesta outra visualización, engaden, vese que “ao principio da pandemia, a capacidade de detección foi practicamente nula, véndose incrementada cara ao final do confinamento xeral e volvendo diminuír no verán, posiblemente debido á mobilidade” 

“En conclusión, o traballo do noso equipo tivo como froito un framework xeneralizado que permite atacar escenarios moi complexos manténdose válida a metodoloxía computacional empregada, demostrando que os resultados son compatibles con outros procedentes de varios estudos epidemiolóxicos”, conclúen estes investigadores.

TRABALLOS PREVIOS

Este equipo erixiuse nun dos máis prolíficos no contexto galego e español na investigación e aplicación de modelos matemáticos e computacionais aplicados á propagación da covid-19 no mundo, particularmente en España e Latinoamérica.

Na primavera de 2020, estes investigadores xa adiantaron os primeiros resultados do seu modelo probabilístico para estimar a propagación real da covid-19 en Galicia, País Vasco, Castela e León, Madrid e Cataluña. A conclusión foi que o número de individuos infectados podía ser 17 veces maior que os datos proporcionados polo Goberno español o 26 de abril, no peor dos casos.

Daquela xa explicaban os dous escenarios cos que traballaban, utilizando os datos oficiais até o 26 de abril: o primeiro, o optimista, no que se supón que o número de mortes reais por covid-19 era o aportado nos rexistros oficiais; o segundo escenario, condicionado pola suposición de que máis persoas morreron por coronavirus, pero non foron incluídas nos rexistros porque non se realizou unha proba de diagnóstico. En particular, a suposición dos matemáticos para o escenario pesimista é que o número de mortes naquelas primeiras semanas de pandemia en España foi o dobre que as indicadas nos rexistros diarios oficiais.

Pouco despois, lanzaron un sitio web co novo modelo probabilístico para estimar a propagación real da covid-19 en España e en cada comunidade autónoma, ademais de noutros 12 países e a cidade de Nova York (a máis golpeada polo coronavirus en Estados Unidos, o país máis afectado pola pandemia). Mediante gráficos interactivos, mostraron a evolución da epidemia e as predicións futuras por porcentaxe de poboación infectada, número de falecidos e número de mortes totais.

En en xuño de 2020 publicaron os resultados do seu modelo aplicado a Latinoamérica. Nos seus cálculos, observaron, por exemplo, que Ecuador e Brasil eran, por entón, os países máis afectados, con aproximadamente o 3% da poboación infectada. E advertían de que nos países latinoamericanos aínda non se alcanzara naquela fase o pico de pacientes recentemente infectados.

En particular, apuntaban que os países con máis infeccións eran Ecuador, Brasil, Chile e Perú, cunha incidencia de entre o 2,5 % e o 4 % da poboación.