Por qué los pronósticos a corto plazo pueden ser mejores que los modelos para predecir cómo evolucionan las pandemias

Canadá y California están a miles de kilómetros de distancia, cambiar la ruta sería un gran cambio. Crédito: Bureau of Land Management/Wikimedia Commons, CC BY-SA

Los casos confirmados de COVID-19 ahora han superado los 10 millones: ¿cuáles serán la próxima semana, a nivel mundial y en su país?

Tener una buena estimación puede ayudar a las autoridades sanitarias con sus respuestas y guiará a los gobiernos a medida que relajan los confinamientos. Con este fin, hemos estado publicando pronósticos en tiempo real de casos confirmados y muertes para muchas partes del mundo casi a diario desde el 20 de marzo. Estos han sido en gran medida indicadores confiables de lo que se puede esperar que suceda en la próxima semana.

Muchos de los modelos más formales para predecir la pandemia, como el muy publicitado modelo del Imperial College London que guió la respuesta del gobierno del Reino Unido, utilizan las matemáticas para tratar de explicar los procesos subyacentes del brote, y lo hacen adoptando un pequeño número de parámetros interpretables (como el número R). Hacen predicciones basadas en la comprensión de cómo funcionan los brotes en general.

Nuestros pronósticos, por otro lado, no intentan comprender por qué ocurren los cambios. En cambio, se basan únicamente en datos de la pandemia actual, observando cómo ha evolucionado y cambiado para predecir qué sucederá a continuación. Esto a menudo conduce a predicciones más precisas.

Por qué los modelos epidemiológicos pueden tener problemas

Imagínese que viaja por carretera de Boston a California. Sabiendo por viajes anteriores que California es su destino, hacemos un seguimiento de su viaje e intentamos pronosticar el itinerario de cada día. Cuando hay cortes de carreteras, te desvías brevemente, por lo que nuestros pronósticos fallan por un tiempo y luego se recuperan. Muchos modelos tienen una «reversión a la media» incorporada que puede manejar este tipo de pequeños cambios.

La caída en el conteo del 20 de mayo se debió a revisiones de los datos. Crédito: Los datos son del Centro de Ciencia e Ingeniería de Sistemas de la Universidad Johns Hopkins. Proporcionado por el autor

Por lo general, este modelo funciona bien. Pero, ¿qué sucede si se entera de los incendios forestales en California y decide visitar Canadá? Las previsiones se vuelven cada vez más malas si mantenemos que sigue yendo a California. El modelo necesita recuperarse de tal «ruptura estructural».

La mayoría de los modelos en las ciencias sociales y la epidemiología tienen una teoría detrás de ellos que se basa en la evidencia disponible del pasado. Este simple ejemplo de viaje muestra por qué tales modelos pueden no ser buenos para hacer predicciones: corren el riesgo de estar demasiado motivados por sus formulaciones teóricas, como que vas a California.

Las predicciones de la Oficina de Responsabilidad Presupuestaria sobre la productividad del Reino Unido después de la crisis financiera de 2008 son un excelente ejemplo visual de lo que sucede cuando estos modelos fallan. Vea los hermosos gráficos disponibles en su base de datos de pronóstico histórico. Los llamamos gráficos de erizo, porque los pronósticos tremendamente erróneos parecen espinas que se alejan de los datos confirmados.

En epidemiología, la mayoría de los modelos tienen una base teórica sólida. Toman en cuenta las epidemias que comienzan lentamente, luego aumentan exponencialmente y finalmente se ralentizan. Sin embargo, el comportamiento humano y las reacciones políticas pueden conducir a cambios abruptos que pueden ser difíciles de permitir (como visitar Canadá inesperadamente). Los datos también pueden cambiar repentinamente en una pandemia. El aumento de las pruebas puede revelar muchas infecciones nuevas, o los casos en hogares de ancianos pueden unirse repentinamente al conjunto de datos. Para ser efectivos en tales entornos, los dispositivos de pronóstico deben ser lo suficientemente robustos para manejar problemas de tendencias cambiantes y cambios repentinos en los resultados y las mediciones. Nuestros pronósticos a corto plazo pueden manejar esto de una manera que los modelos más formales a menudo no pueden.

Cómo funcionan y se desempeñan nuestros pronósticos

Para crear nuestros pronósticosdigamos, para el número total de COVID -19 casos en un país, primero creamos líneas de tendencia basadas en los datos confirmados que tenemos. Cada vez que se agrega un nuevo punto de datos, se crea una nueva línea de tendencia, por lo que hay tantas líneas de tendencia como puntos de datos. Luego, un algoritmo de aprendizaje automático selecciona las tendencias importantes de todas las disponibles, y las que elige se promedian para mostrar cómo ha evolucionado el proceso con el tiempo (la tendencia en los datos). Los pronósticos se derivan de esta tendencia subyacente, así como también de observar la brecha entre los pronósticos anteriores y los resultados reales.

Crédito: Los datos provienen del Centro de Ciencia e Ingeniería de Sistemas de la Universidad Johns Hopkins. Proporcionado por el autor

Puede parecer sorprendente, pero funciona. El siguiente gráfico muestra el pronóstico que hicimos el 22 de mayo sobre cómo aumentaría el número total de casos de COVID-19 en el Reino Unido durante la próxima semana más o menos (la línea roja continua). Nuestro pronóstico para el 30 de mayo fue de poco menos de 272.000. El resultado informado terminó siendo 272 826.

Este segundo gráfico muestra las previsiones de muertes por COVID-19 en la UE que hicimos durante marzo y abril. Los pronósticos sucesivos realizados a lo largo del tiempo se muestran en rojo, con los puntos de datos reales en gris. La superposición entre las líneas gris y roja muestra que el pronóstico aquí fue bastante preciso. ¡Compare la estrecha agrupación de las líneas aquí con los gráficos de erizo mencionados anteriormente!

Sin embargo, una forma más precisa de juzgar la precisión de los pronósticos es mirar una medida llamada error absoluto medio (MAE). Los errores absolutos son las diferencias numéricas entre las predicciones y los valores reales; MAE es el promedio de estas diferencias durante un período determinado. MAE da una medida general de qué tan lejos estaban sus predicciones.

Hasta el 4 de abril, el MAE para nuestros pronósticos a una semana de muertes por COVID-19 en varios países principalmente europeos era 629, mientras que, en promedio, los pronósticos del Equipo de respuesta COVID-19 del Imperial College London para las muertes en los mismos países durante el mismo período se superaron en 1.068. Al incorporar los datos de la semana siguiente, en promedio, nuestros pronósticos estaban por aproximadamente la misma cantidad678mientras que el MAE de Imperial había aumentado a 1,912. Después del 11 de abril, nuestras cifras de MAE comenzaron a reflejarse entre sí, pero al menos en las primeras etapas de la pandemia, nuestras predicciones parecían ser más precisas.

Durante la pandemia, estos pronósticos han brindado información útil para la semana que viene, y ahora que América Latina es el epicentro del brote, organismos como el Banco Interamericano de Desarrollo los están utilizando. Nuestra forma más sólida de pronosticar no solo juega un papel en la pandemia actual, sino que creemos que puede ser esencial en una segunda ola.

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: Por qué los pronósticos a corto plazo pueden ser mejores que los modelos para predecir cómo evolucionan las pandemias (2020, 30 de junio) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020 -06-short-term-pandemics-evolve.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.