Coronavirus: las técnicas de la física prometen mejores modelos de COVID-19, ¿pueden cumplir?

Crédito: LuckyStep/Shutterstock

Nunca antes el tema de los modelos matemáticos había sido tan prominente en las noticias. El interés en las técnicas utilizadas para predecir el desarrollo de la pandemia de coronavirus recibió un nuevo enfoque recientemente, cuando el destacado neurocientífico Karl Friston abogó por el uso de algo llamado modelos causales generativos o dinámicos.

Inspirados en la cita del físico Richard Feynman, «Lo que no puedo crear, no lo entiendo», los modelos generativos supuestamente podrían permitirnos «mirar debajo del capó» y capturar la estructura matemática de la pandemia e inferir sus causas.

Friston es un investigador con un historial impresionante, citado por otros científicos dos veces y media más que el ganador del premio Nobel Feynman. El modelo de Friston predijo que la cantidad de nuevos casos de COVID-19 en Londres alcanzaría su punto máximo el 5 de abril y las muertes alcanzarían su punto máximo el 10 de abril, solo dos días después de que los datos ahora sugieran que ocurrió el pico real. También afirma que su modelo se puede ejecutar de principio a fin en cuestión de minutos, mientras que los modelos convencionales «le llevarían un día o más con los recursos informáticos actuales».

Todo esto suena impresionante, pero ¿lo es? quizás demasiado bueno para ser verdad? Los científicos han expresado intriga y escepticismo ante la sugerencia de este neurobiólogo de usar ideas de modelado de la física en el campo de la epidemiología, sobre todo por su uso del término «materia oscura» para describir factores desconocidos en el modelo. Echemos un vistazo rápido debajo del capó.

¿Qué es un modelo generativo?

La forma más fácil de explicar un modelo generativo es comenzar con un «modelo de ajuste» mucho más simple. Básicamente, esto implica trazar todos los puntos de datos que tiene (por ejemplo, la cantidad de muertes por COVID-19 cada día) en un gráfico y usar las matemáticas para determinar dónde colocar una línea curva que mejor se ajuste a su patrón. Luego puede continuar esa curva para pronosticar puntos de datos futuros. La Casa Blanca fue criticada recientemente por usar un modelo de este tipo para pronosticar una caída en la tasa de mortalidad de COVID-19.

Un modelo generativo comienza de manera similar con los puntos de datos existentes, pero también incluye una descripción de las posibles causas de esos puntos y cómo están relacionados. En lugar de simplemente ajustar una línea a los puntos de datos, el modelo utiliza una técnica llamada inferencia bayesiana para especificar qué variables incluir en sus cálculos y en qué medida, en función de la comprensión de las probabilidades asociadas con los datos.

Puede usar esta especificación de modelo para producir un pronóstico generando nuevos puntos de datos, pero también puede usarlo para determinar qué factores potenciales tienen una fuerte influencia en los resultados. Dichos modelos se utilizan, por ejemplo, para ayudar en la resonancia magnética funcional del cerebro o para modelar poblaciones de neuronas.

Entonces, ¿qué tan bien pronostica realmente la pandemia el modelo generativo de Friston? El resultado principal de predecir correctamente el pico de nuevos casos en Londres el 5 de abril suena impresionante, pero es un poco engañoso. Cuando lee detenidamente el artículo de Friston y sus colegas, puede ver que hicieron esta predicción el 4 de abril, con solo un día de anticipación.

Y desafortunadamente, el modelo predice erróneamente todos los puntos de datos posteriores. Pronostica entre 14 000 y 22 000 muertes en el Reino Unido a principios de junio (de hecho, hemos registrado alrededor de 40 000) y que deberíamos haber tenido menos de 200 casos por día en las últimas dos semanas, mientras que la realidad registra más de 1500 por día.

Por último, el modelo predice que uno de cada cuatro o cinco casos confirmados resulta en una muerte, lo que haría que el COVID-19 sea casi tan fatal como el ébola, o significa que solo una de cada 20 personas que contraen la enfermedad están realmente confirmadas, lo que en este punto parece muy poco probable. Para resumir, es un pronóstico bastante espantoso.

Pero aunque el modelo tiene deficiencias, la idea de Friston del modelado generativo tiene una clara ventaja. Naturalmente, está equipado para manejar suposiciones inciertas, por lo que puede generar fácilmente resultados con rangos de incertidumbre sin tener que ejecutar simulaciones muchas veces.

Esto contrasta, por ejemplo, con las muchas ejecuciones necesarias para las simulaciones de COVID-19 que mis colegas y yo hemos estado haciendo como parte del proyecto HiDALGO. Dicho esto, todas las simulaciones que he intentado ejecutar, incluido el modelo COVIDSim desarrollado por el Imperial College London que se ha utilizado para informar la política del gobierno del Reino Unido, pueden terminar en un solo nodo de supercomputadora en una hora o menos.

Se necesitan más datos

En general, los principios del modelado generativo pueden ser una forma efectiva de determinar cómo las diferentes causas podrían contribuir al resultado de la simulación. Para esto, el modelo conceptual necesita incluir todas las causas relevantes, y los datos de entrenamiento deben cubrir suficientes aspectos relevantes para precisar los comportamientos más importantes.

Con esto en mente, vale la pena mencionar la afirmación de Friston que Alemania ha tenido menos muertes por COVID-19 porque tiene más «personas de ‘materia oscura’ inmunológica que son inmunes a la infección, quizás porque están geográficamente aisladas o tienen algún tipo de resistencia natural». Encontré esta declaración divertida, sobre todo como alguien que ha realizado trabajos de modelado sobre la materia oscura real, la sustancia teórica desconocida utilizada para explicar las lagunas en nuestra comprensión de la materia en el universo.

El modelo generativo de Friston omite más del 90% de los lugares relevantes para estudiar la transmisión de la enfermedad, como escuelas, supermercados, parques y clubes nocturnos. En cambio, en su modelo, las personas están en casa, en el trabajo, en una unidad de cuidados intensivos o en una morgue.

Así que diría que la «materia oscura» en el modelo de Friston se extiende mucho más allá de los aspectos inmunológicos. Se necesitarían muchos más puntos de datos y una descripción mucho más extensa de las causas que los afectan para pronosticar la pandemia de manera precisa.

Explore más

Siga las últimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por The Conversation

Este artículo se vuelve a publicar de The Conversation bajo una licencia Creative Commons. Lea el artículo original.

Cita: Coronavirus: las técnicas de la física prometen mejores modelos de COVID-19 ¿pueden ofrecer? (5 de junio de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-coronavirus-techniques-physics-covid-modelscan.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.