Por qué las curvas de infección de COVID-19 se comportan de manera tan inesperada
Red de contactos de empleados en un edificio de oficinas en Francia, umbralizados según el número de contactos. En (a) se muestran todos los enlaces que conectan a dos personas con más de 100 encuentros, (b) y (c) muestran los casos para 200 y 500 encuentros. En la red más densa (a) casi todos los empleados se infectan (rojo). Solo unos pocos con vínculos débiles con el núcleo de la red se mantienen saludables (verde). Lo mismo ocurre con la red menos densa (b). Por debajo de cierta densidad de enlaces, las cosas cambian abruptamente (c): solo aparecen unos pocos grupos de infección, mientras que la mayoría permanece saludable. Este es el patrón típico observado en la pandemia de COVID-19 al implementar medidas de distanciamiento social. Eso muestra la importancia de reducir la densidad de la red por debajo del punto crítico. La prueba de la existencia de tal punto crítico es la principal contribución del artículo. El mensaje práctico es: las intervenciones no farmacéuticas deberían poder llevar la densidad de las redes sociales por debajo de ese punto. Crédito: CSH Viena
Con el primer pico epidémico de COVID-19 detrás de ellos, muchos países explicaron la disminución de las cifras de infección a través de intervenciones no farmacéuticas. Frases como «distanciamiento social» y «aplanar la curva» se han convertido en parte del vocabulario común. Sin embargo, algunas explicaciones se quedaron cortas: ¿cómo se podría explicar el aumento lineal de las curvas de infección, que muchos países muestran después del primer pico, en contraste con las curvas en forma de S, que se esperan de los modelos epidemiológicos?
En un nuevo artículo publicado en Proceedings of the National Academy of Sciences, los científicos del Complexity Science Hub Vienna (CSH) ofrecen una explicación para el crecimiento lineal de la curva de infección.
«En el principio de la pandemia, las curvas de infección por COVID-19 mostraron el crecimiento exponencial esperado», dice Stefan Thurner, presidente de CSH y profesor de Ciencias de Sistemas Complejos en la Universidad de Medicina de Viena. Esto puede explicarse bien por el llamado efecto bola de nieve: una persona infectada infectaría a algunas otras y, en una reacción en cadena, también transmitiría el virus a algunas otras. «Con medidas como el distanciamiento social, los gobiernos intentaron empujar la tasa de crecimiento por debajo de la tasa de recuperación y, por lo tanto, reducir enormemente la cantidad de nuevas infecciones. Sin embargo, en esta lógica, las personas habrían infectado a menos de una persona y la curva se habría aplanado. , eventualmente llegando a cero, algo que no sucedió», explica Thurner.
«Lo que vimos en cambio fue un nivel constante de infecciones con una cantidad similar de infecciones nuevas todos los días», agrega el coautor Peter Klimek (CSH y Universidad Médica de Viena). «Explicar esto con modelos epidemiológicos estándar sería básicamente imposible».
El uso de modelos epidemiológicos tradicionales habría requerido muchos ajustes de parámetros, lo que haría que el modelo fuera cada vez más inverosímil. «Si desea equilibrar las mediciones para que el número de reproducción efectivo R se mantenga exactamente en 1, algo que explicaría el crecimiento lineal, tendría que reducir los contactos en el mismo porcentaje exacto y constante. En realidad, eso es extremadamente improbable», dice Klimek.
De hecho, la probabilidad de observar un crecimiento lineal en estos modelos compartimentales estándar es prácticamente nula, señalan los científicos del CSH. Por lo tanto, se inspiraron para ampliar el modelo y buscar más explicaciones.
Los científicos explicaron la forma lineal de las curvas a través de una forma de propagación diferente a la esperada inicialmente: Asumieron que la dinámica de propagación continuaba en pequeños y agrupaciones limitadas. «La mayoría de las personas fueron a trabajar, se infectaron y se lo contagiaron a dos o tres personas en el hogar, y luego esas personas volvieron al trabajo o a la escuela. La infección básicamente se estaba propagando de un grupo a otro», dice Stefan Thurner. «El cambio de las curvas de infección de tener forma de S a un comportamiento lineal es claramente un efecto de red, una dinámica muy diferente de los grandes eventos de superpropagación».
Los científicos demostraron que hay un número crítico de contactos, que lo llaman grado de redes de contacto o Dc, por debajo del cual debe ocurrir un crecimiento lineal y una baja prevalencia de infección. Descubrieron que Dc era igual a 7,2, suponiendo que las personas circulan en una red relevante para el coronavirus de unas cinco personas, que es aún más baja durante un confinamiento efectivo (tamaño del hogar de 2,5 personas en promedio).
En lugar de tener para afinar los parámetros, su modelo permite una amplia gama de posibilidades que mantienen lineales las curvas de infección. Explica por qué aparecen curvas de infección lineales en tantos países, independientemente de la magnitud de las intervenciones no farmacéuticas impuestas.
¿Qué pasaría si EE. UU. hubiera introducido medidas para reducir el grado promedio en las redes de contacto de cinco a 2,5 personas antes? ¿en? Esto podría haber reducido casi a la mitad el número de contagios de COVID-19 hasta la primera semana de mayo. ¿Y si Austria hubiera implementado sus estrictas medidas contra la propagación del coronavirus diez días después? Según el modelo, tal retraso habría resultado en hasta un 30% más de casos. Crédito: CSH Viena
En un paso más, los científicos compararon Austria, un país que respondió con un confinamiento severo desde el principio, y Estados Unidos, que inicialmente no impuso medidas severas. Según Peter Klimek, su modelo funciona para ambos escenarios: «Ambos tipos de países mostraron curvas lineales, pero en el caso de EE. UU. y otros países como Suecia, estas ocurrieron en un nivel mucho más alto».
El modelo no solo explica el surgimiento de un régimen de crecimiento lineal, sino que también explica por qué la epidemia podría detenerse por debajo de los niveles de inmunidad colectiva mediante el consiguiente distanciamiento social. Para el procedimiento de modelado estándar, los científicos de la complejidad utilizan el llamado modelo compartimental con modelos SIR, ampliándolo con la transmisión de grupos descrita.
Pero, ¿qué sucederá en los próximos meses, con el potencial de los números? subiendo de nuevo? Con factores de riesgo adicionales, como personas que regresan de vacaciones en otros países y más tiempo dentro, la propagación de la enfermedad podría cambiar. «Si las infecciones vuelven a aumentar, existe la posibilidad de que las curvas lineales vuelvan a convertirse en un crecimiento exponencial, algo que la gente describió como una segunda ola», concluye Klimek.
Explore más
Coronavirus: se acepta el distanciamiento social cuando las personas entienden el crecimiento exponencial Más información: Stefan Thurner et al, Una explicación basada en redes de por qué la mayoría de las curvas de infección por COVID-19 son lineales, Actas de la Academia Nacional de Ciencias (2020). DOI: 10.1073/pnas.2010398117 Información de la revista: Procedimientos de la Academia Nacional de Ciencias
Proporcionado por Complexity Science Hub Viena Cita: Por qué se comportan las curvas de infección de COVID-19 tan inesperadamente (25 de agosto de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-08-covid-infection-unexpectedly.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.