Los modelos de coronavirus subestiman el pico de la epidemia y sobrestiman su duración
Crédito: CC0 Public Domain
Muchos de los modelos que se utilizan para pronosticar la epidemia de COVID-19 ofrecen predicciones deficientes tanto del pico de la epidemia como de su duración, según un académico de la Universidad de East Anglia (UEA).
La comparación de un nuevo enfoque con un modelo publicado de COVID-19 en Wuhan antes de que se impusieran las medidas de aislamiento y distanciamiento social muestra que el modelo estándar subestima la tasa máxima de infección por un factor de tres, lo que significa que podría ser tres veces mayor y sobreestima sustancialmente cómo durante mucho tiempo la epidemia continuará después del pico.
Los modelos matemáticos se usan ampliamente para comprender y predecir la dinámica de las epidemias, y para evaluar la eficacia probable de diferentes medidas de manejo de enfermedades, como la cuarentena de las personas infectadas.
Algunos rastrean el progreso de la enfermedad a través de individuos, pero la mayoría de las publicaciones que modelan la epidemia de COVID-19 usan lo que se conoce como un modelo de ‘compartimento’ o «SEIR». Esto rastrea el número de individuos que son susceptibles a la enfermedad, han estado expuestos pero aún no muestran síntomas (a veces llamado período de incubación), están infectados (muestran síntomas) o se están recuperando.
Sin embargo, estos modelos agrupan a todos los individuos uals en un compartimento juntos, ignorando el tiempo real desde que fueron infectados. Luego predicen el curso futuro de la epidemia a partir de la información sobre las tasas de transmisión y el tiempo promedio que tarda un individuo antes de mostrar síntomas y luego recuperarse.
En su artículo, el profesor Alastair Grant, de la Escuela de Environmental Sciences, argumenta que si bien el SEIR y otros modelos de compartimentos pueden predecir hasta qué punto se debe reducir la tasa de transmisión de enfermedades para detener el crecimiento de una epidemia, hacen un mal trabajo al predecir el camino de una epidemia que está creciendo. Él dice que este problema se identificó en la literatura de investigación hace al menos 15 años, pero las soluciones disponibles son mucho más difíciles de usar que el modelo SEIR.
Intentando abordar este profesor Grant, quien anteriormente introdujo herramientas metodológicas clave en el modelado de población matricial, presenta un nuevo enfoque que rastrea el tiempo transcurrido 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.
Debido a la naturaleza de respuesta rápida de esta investigación, aún no ha sido revisada por pares.
«Los modelos de enfermedad de compartimiento estándar, como SEIR, se están utilizando ampliamente para modelar la dinámica de la epidemia de COVID19», dijo Prof. Grant. «Sin embargo, no capturan con precisión la distribución del tiempo que un individuo pasa en cada compartimento, por lo que no capturan con precisión la dinámica transitoria de las epidemias.
«Este documento muestra cómo los modelos matriciales pueden proporcionar una ruta directa para modelar con precisión la duración 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 anterior o posterior al pico en el modelo SEIR simple.
«Creo que el enfoque descrito aquí brinda una solución valiosa al problema de incorporar un dimensión de tiempo dentro de cada compartimento. Este modelo podría adaptarse fácilmente y esperamos que sea de alguna utilidad para la comunidad de modelos COVID19».
El profesor Grant advierte que las implicaciones de estos hallazgos para las políticas estatales para gestionar de las epidemias de COVID19 no están claros.
«Si los modelos SEIR usan valores de parámetros estimados independientemente de los datos, subestimarán la proporción de la población que se infectará en el pico de la epidemia», dijo el profesor Grant. «Pero, si el modelo inverso usa modelos SEIR para estimar parámetros de series de tiempo de enfermedades, pueden dar estimaciones que son demasiado pesimistas.
«Las políticas nacionales se guían por una variedad de modelos de enfermedades, incluidos los que tratan más efectivamente con el curso temporal conocido de la infección dentro de los individuos, pero los detalles de este trabajo de modelado no siempre se hacen públicos.
«Sin embargo, el dominio de la literatura científica publicada por modelos compartimentales puede estar en peligro de crear un discontinuidad entre los puntos de vista sostenidos en la comunidad de investigación y el modelo que informa la toma de decisiones nacional sobre el manejo de COVID19».
«Los gobiernos deben poner a disposición los detalles de los modelos que proporcionan la base para las decisiones políticas, de modo que que la comunidad científica pueda evaluarlos críticamente y ayudar a mejorar la calidad de las predicciones que se realizan.
«Dinámica de las epidemias de COVID-19: los modelos SEIR subestiman las tasas máximas de infección y sobrestiman la du ración» se publica en el servidor de preimpresión MedRvix, el 6 de abril de 2020.
Explore más
Siga las últimas noticias sobre el brote de coronavirus (COVID-19) Más información: Alastair Grant . Dinámica de las epidemias de COVID19: los modelos SEIR subestiman las tasas máximas de infección y sobrestiman la duración de la epidemia (2020). DOI: 10.1101/2020.04.02.20050674 Proporcionado por la Universidad de East Anglia Cita: Los modelos de coronavirus subestiman el pico de la epidemia y sobreestiman su duración (7 de abril de 2020) consultado el 31 de agosto de 2022 en https://medicalxpress. com/news/2020-04-coronavirus-underestimate-epidemic-peak-overestimate.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.