Cr\u00e9dito: LuckyStep\/Shutterstock <\/p>\n
Nunca antes el tema de los modelos matem\u00e1ticos hab\u00eda sido tan prominente en las noticias. El inter\u00e9s en las t\u00e9cnicas utilizadas para predecir el desarrollo de la pandemia de coronavirus recibi\u00f3 un nuevo enfoque recientemente, cuando el destacado neurocient\u00edfico Karl Friston abog\u00f3 por el uso de algo llamado modelos causales generativos o din\u00e1micos. <\/p>\n
Inspirados en la cita del f\u00edsico Richard Feynman, \u00abLo que no puedo crear, no lo entiendo\u00bb, los modelos generativos supuestamente podr\u00edan permitirnos \u00abmirar debajo del cap\u00f3\u00bb y capturar la estructura matem\u00e1tica de la pandemia e inferir sus causas. <\/p>\n
Friston es un investigador con un historial impresionante, citado por otros cient\u00edficos dos veces y media m\u00e1s que el ganador del premio Nobel Feynman. El modelo de Friston predijo que la cantidad de nuevos casos de COVID-19 en Londres alcanzar\u00eda su punto m\u00e1ximo el 5 de abril y las muertes alcanzar\u00edan su punto m\u00e1ximo el 10 de abril, solo dos d\u00edas despu\u00e9s de que los datos ahora sugieran que ocurri\u00f3 el pico real. Tambi\u00e9n afirma que su modelo se puede ejecutar de principio a fin en cuesti\u00f3n de minutos, mientras que los modelos convencionales \u00able llevar\u00edan un d\u00eda o m\u00e1s con los recursos inform\u00e1ticos actuales\u00bb.<\/p>\n
Todo esto suena impresionante, pero \u00bflo es? quiz\u00e1s demasiado bueno para ser verdad? Los cient\u00edficos han expresado intriga y escepticismo ante la sugerencia de este neurobi\u00f3logo de usar ideas de modelado de la f\u00edsica en el campo de la epidemiolog\u00eda, sobre todo por su uso del t\u00e9rmino \u00abmateria oscura\u00bb para describir factores desconocidos en el modelo. Echemos un vistazo r\u00e1pido debajo del cap\u00f3.<\/p>\n
\u00bfQu\u00e9 es un modelo generativo?<\/p>\n
La forma m\u00e1s f\u00e1cil de explicar un modelo generativo es comenzar con un \u00abmodelo de ajuste\u00bb mucho m\u00e1s simple. B\u00e1sicamente, esto implica trazar todos los puntos de datos que tiene (por ejemplo, la cantidad de muertes por COVID-19 cada d\u00eda) en un gr\u00e1fico y usar las matem\u00e1ticas para determinar d\u00f3nde colocar una l\u00ednea curva que mejor se ajuste a su patr\u00f3n. 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 ca\u00edda en la tasa de mortalidad de COVID-19.<\/p>\n
Un modelo generativo comienza de manera similar con los puntos de datos existentes, pero tambi\u00e9n incluye una descripci\u00f3n de las posibles causas de esos puntos y c\u00f3mo est\u00e1n relacionados. En lugar de simplemente ajustar una l\u00ednea a los puntos de datos, el modelo utiliza una t\u00e9cnica llamada inferencia bayesiana para especificar qu\u00e9 variables incluir en sus c\u00e1lculos y en qu\u00e9 medida, en funci\u00f3n de la comprensi\u00f3n de las probabilidades asociadas con los datos.<\/p>\n
Puede usar esta especificaci\u00f3n de modelo para producir un pron\u00f3stico generando nuevos puntos de datos, pero tambi\u00e9n puede usarlo para determinar qu\u00e9 factores potenciales tienen una fuerte influencia en los resultados. Dichos modelos se utilizan, por ejemplo, para ayudar en la resonancia magn\u00e9tica funcional del cerebro o para modelar poblaciones de neuronas.<\/p>\n
Entonces, \u00bfqu\u00e9 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 enga\u00f1oso. Cuando lee detenidamente el art\u00edculo de Friston y sus colegas, puede ver que hicieron esta predicci\u00f3n el 4 de abril, con solo un d\u00eda de anticipaci\u00f3n. <\/p>\n
Y desafortunadamente, el modelo predice err\u00f3neamente todos los puntos de datos posteriores. Pronostica entre 14\u00a0000 y 22\u00a0000 muertes en el Reino Unido a principios de junio (de hecho, hemos registrado alrededor de 40\u00a0000) y que deber\u00edamos haber tenido menos de 200 casos por d\u00eda en las \u00faltimas dos semanas, mientras que la realidad registra m\u00e1s de 1500 por d\u00eda. <\/p>\n
Por \u00faltimo, el modelo predice que uno de cada cuatro o cinco casos confirmados resulta en una muerte, lo que har\u00eda que el COVID-19 sea casi tan fatal como el \u00e9bola, o significa que solo una de cada 20 personas que contraen la enfermedad est\u00e1n realmente confirmadas, lo que en este punto parece muy poco probable. Para resumir, es un pron\u00f3stico bastante espantoso.<\/p>\n
Pero aunque el modelo tiene deficiencias, la idea de Friston del modelado generativo tiene una clara ventaja. Naturalmente, est\u00e1 equipado para manejar suposiciones inciertas, por lo que puede generar f\u00e1cilmente resultados con rangos de incertidumbre sin tener que ejecutar simulaciones muchas veces. <\/p>\n
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 pol\u00edtica del gobierno del Reino Unido, pueden terminar en un solo nodo de supercomputadora en una hora o menos.<\/p>\n
Se necesitan m\u00e1s datos<\/p>\n
En general, los principios del modelado generativo pueden ser una forma efectiva de determinar c\u00f3mo las diferentes causas podr\u00edan contribuir al resultado de la simulaci\u00f3n. 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 m\u00e1s importantes.<\/p>\n
Con esto en mente, vale la pena mencionar la afirmaci\u00f3n de Friston que Alemania ha tenido menos muertes por COVID-19 porque tiene m\u00e1s \u00abpersonas de ‘materia oscura’ inmunol\u00f3gica que son inmunes a la infecci\u00f3n, quiz\u00e1s porque est\u00e1n geogr\u00e1ficamente aisladas o tienen alg\u00fan tipo de resistencia natural\u00bb. Encontr\u00e9 esta declaraci\u00f3n divertida, sobre todo como alguien que ha realizado trabajos de modelado sobre la materia oscura real, la sustancia te\u00f3rica desconocida utilizada para explicar las lagunas en nuestra comprensi\u00f3n de la materia en el universo.<\/p>\n
El modelo generativo de Friston omite m\u00e1s del 90% de los lugares relevantes para estudiar la transmisi\u00f3n de la enfermedad, como escuelas, supermercados, parques y clubes nocturnos. En cambio, en su modelo, las personas est\u00e1n en casa, en el trabajo, en una unidad de cuidados intensivos o en una morgue. <\/p>\n
As\u00ed que dir\u00eda que la \u00abmateria oscura\u00bb en el modelo de Friston se extiende mucho m\u00e1s all\u00e1 de los aspectos inmunol\u00f3gicos. Se necesitar\u00edan muchos m\u00e1s puntos de datos y una descripci\u00f3n mucho m\u00e1s extensa de las causas que los afectan para pronosticar la pandemia de manera precisa. <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por The Conversation <\/p>\n
Este art\u00edculo se vuelve a publicar de The Conversation bajo una licencia Creative Commons. Lea el art\u00edculo original. <\/p>\n
Cita<\/strong>: Coronavirus: las t\u00e9cnicas de la f\u00edsica prometen mejores modelos de COVID-19 \u00bfpueden 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: LuckyStep\/Shutterstock Nunca antes el tema de los modelos matem\u00e1ticos hab\u00eda sido tan prominente en las noticias. El inter\u00e9s en las t\u00e9cnicas utilizadas para predecir el desarrollo de la pandemia de coronavirus recibi\u00f3 un nuevo enfoque recientemente, cuando el destacado neurocient\u00edfico Karl Friston abog\u00f3 por el uso de algo llamado modelos causales generativos o din\u00e1micos. … Continuar leyendo \u00abCoronavirus: las t\u00e9cnicas de la f\u00edsica prometen mejores modelos de COVID-19, \u00bfpueden cumplir?\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-30245","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/30245","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=30245"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/30245\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=30245"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=30245"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=30245"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}