La modelización matemática de enfermedades no es una bola de cristal, pero sí una herramienta útil.
Los modelos suelen volverse más precisos con el paso del tiempo y a medida que se dispone de más datos, pero hay factores que no siempre pueden tener en cuenta.
La transparencia y el escrutinio público de la modelización son necesarios para generar confianza entre quienes toman decisiones y la ciudadanía, un componente importante de la respuesta a una pandemia.
La Dra. Sheetal Silal, profesora titular de la Universidad de Ciudad del Cabo, ha dedicado su carrera a desarrollar y utilizar modelos matemáticos para comprender la propagación de las enfermedades infecciosas y cómo las políticas de salud pública pueden controlarlas de la manera más eficaz.
Por eso no sorprende que, cuando el Gobierno sudafricano decidió recurrir al apoyo de expertos para orientar la respuesta del país a la pandemia de COVID-19, la Dra. Silal fuera una de las primeras especialistas a las que acudió.
Desde marzo de este año, ella y sus colegas del Consorcio Sudafricano de Modelización de la COVID-19 han utilizado todas las herramientas a su alcance para investigar cómo podría evolucionar la enfermedad en el país y cómo cada uno de los numerosos escenarios afectaría a la salud de la población.
Hace poco conversamos con ella para conocer mejor el trabajo de modelización de las enfermedades infecciosas, el cuidado que exige interpretar y comunicar correctamente las proyecciones y sus esperanzas de que este campo siga contribuyendo a mejorar la respuesta a la COVID-19 y su gestión.
Muchas gracias por dedicarnos su tiempo, Dra. Silal. Empecemos por los fundamentos: ¿cómo se construye un modelo de una enfermedad infecciosa y qué tipos de fuentes de datos se necesitan?
Un enfoque multidisciplinario es la base para determinar qué se incluye en un modelo. El primer paso siempre es consultar ampliamente a profesionales clínicos, especialistas en cuidados intensivos, economistas, biólogos, epidemiólogos, especialistas en salud pública, etcétera. Al consultar a expertos de distintos campos, podemos construir una imagen más completa de cómo se comporta la enfermedad y cómo se trata. Para mí, esta es una verdadera ventaja de la modelización matemática: nos vemos como sintetizadores de información.
Para concretar los tipos de información que utilizamos, se trata de datos sobre el virus y la enfermedad que causa —su capacidad de infección, el tiempo de recuperación, la tasa de mortalidad, entre otros—; sobre el comportamiento de las personas —con qué rigor observan o pueden observar el distanciamiento físico y las medidas de confinamiento—; y sobre la capacidad del sistema de salud —cuántas unidades de cuidados intensivos (UCI) hay, cuántos profesionales de enfermería, etcétera—. Combinamos estos datos de manera que muestren cómo podría propagarse el virus, qué efecto tendría en la infraestructura sanitaria y cuál podría ser el impacto de las estrategias de intervención.
A medida que aumenta nuestra confianza en la validez del modelo —lo que ocurre cuando los datos del mundo real confirman nuestras predicciones o cuando crece y se fortalece el conjunto de pruebas científicas en que se basan los modelos—, es posible añadir más detalles, como las variaciones entre regiones y subregiones de un país o el efecto de problemas de salud existentes, como el VIH y la tuberculosis. También podemos poner a prueba hipótesis sobre cuestiones que aún no se comprenden bien para ver si la modelización indica que merece la pena investigarlas más.
Ante una enfermedad nueva como la COVID-19, ¿es difícil obtener suficientes datos?
La clave ha sido diseñar nuestros modelos para que puedan actualizarse rápidamente e incorporar la nueva información a medida que esté disponible. Algunos datos ya se conocían bien antes de la pandemia, por ejemplo, el número de camas de UCI, pero una enfermedad completamente nueva y unas políticas de confinamiento sin precedentes plantearon una enorme cantidad de incógnitas, lo que supuso un desafío. Aunque hemos aprendido mucho en los últimos meses, seguimos preparados para ajustar los parámetros del modelo a medida que surjan más datos.
Después de sintetizar los datos y procesarlos con el modelo, podemos volver al equipo de expertos consultado, mostrarle los resultados y preguntarle: «¿Tiene sentido? ¿Qué habría que revisar?». Así, se trata de un proceso iterativo que ofrece beneficios en ambas direcciones. Por ejemplo, la modelización fue una de las herramientas que se utilizaron para determinar que había transmisión presintomática —es decir, que una persona infectada puede contagiar a otras antes de presentar síntomas—, porque los modelos no podían explicar el número de casos confirmados si se suponía que el virus solo se transmitía a través de personas con síntomas.
Muchos países ya sufrían gravemente los efectos de la COVID-19 antes de que la enfermedad empezara a propagarse ampliamente en Sudáfrica. ¿En qué medida pueden contribuir los datos de otros países a sus modelos?
Es una pregunta interesante y hemos reflexionado mucho sobre ella. La clave para saber si esto funciona es cuánto se parecen o se diferencian los países. A menudo, pequeñas diferencias pueden dar lugar a resultados muy distintos. Le daré algunos ejemplos relacionados con la enfermedad y con el sistema de salud.
En el caso de la COVID-19, sabemos que la edad influye en la gravedad de la enfermedad y en su transmisión. Muchos países africanos tienen poblaciones mucho más jóvenes que los países europeos. Por lo tanto, no se deberían trasladar sin más al contexto africano, a partir de los datos europeos, la propagación de la infección, su gravedad y su tasa de letalidad, sin tener primero en cuenta la edad.
Otro ejemplo son las pruebas. Los países aplican distintas estrategias de detección por diferentes motivos. En un país con recursos suficientes para realizar pruebas masivas, se puede medir con fiabilidad la presencia del virus y cómo varía geográficamente. Los países con recursos limitados pueden dar prioridad a las pruebas para las personas mayores, los enfermos graves o los contactos de casos positivos. Debido a estas diferencias de enfoque, es muy difícil decir: «Los países europeos han seguido una determinada trayectoria ascendente de casos, así que deberíamos esperar que ocurra lo mismo en nuestro país», porque las cifras significan cosas distintas.
Así que, aunque es útil estudiar lo que ocurre en otros países, no se pueden trasladar las tendencias de una epidemia de un país a otro sin examinar en qué difieren los contextos.
Sé que hay empresas tecnológicas que no están de acuerdo conmigo, pero no creo que se puedan reflejar con precisión las emociones y el comportamiento humanos en una ecuación, y menos aún en una situación sin precedentes como la pandemia actual.
Dra. Sheetal Silal
¿Qué otros ejemplos hay de situaciones en las que, como especialista en modelización, debe tener especial cuidado para asegurarse de interpretar correctamente los datos?
Sostendría que esto se aplica a todas las fuentes de datos que se incorporan a un modelo, aunque algunas nos dan más problemas que otras. A grandes rasgos, pueden dividirse en dos tipos de «puntos ciegos»: los que existen ahora, pero pueden corregirse en el futuro cuando haya más datos disponibles, y aquellos que casi nunca pueden tenerse en cuenta.
Un ejemplo del primer tipo son las preguntas actuales sobre la inmunidad innata en las poblaciones. ¿La inmunidad cruzada frente a otros coronavirus u otros mecanismos contribuyen a las menores tasas de infección de algunos países? Por ahora, podemos incluir estas ideas en nuestros modelos como hipótesis y probar escenarios específicos: si existe inmunidad innata en el X por ciento de la población, ¿cómo cambia la propagación del virus o la carga para los hospitales? Pero debo recalcar que este tipo de pruebas de escenarios sirve para construir una imagen más completa del abanico de futuros posibles, no para orientar decisiones de política pública. Estas deben basarse mucho más en información respaldada por datos claros.
Un ejemplo del otro tipo de punto ciego es el comportamiento humano. Sé que hay empresas tecnológicas que no están de acuerdo conmigo, pero no creo que se puedan reflejar con precisión las emociones y el comportamiento humanos en una ecuación, y menos aún en una situación sin precedentes como la pandemia actual. Esto se debe a varios motivos: desde el azar al comienzo del brote —por ejemplo, los eventos de superpropagación a menudo dependen de la casualidad— hasta las diferencias que observamos en el cumplimiento de las medidas de confinamiento por parte de la población. Intentamos tenerlo en cuenta y ejecutar múltiples escenarios, pero sigue siendo una de las mayores incógnitas.
¿Podría explicar un poco más cómo parece responder la gente de manera diferente a los confinamientos?
Claro. Naturalmente, la situación sigue evolucionando, pero parece que los países que impusieron el confinamiento más tarde, cuando el virus ya estaba muy extendido entre la población, han observado un mayor cumplimiento de las directrices gubernamentales de quedarse en casa. Esto podría atribuirse a una respuesta emocional: en esos países, era más probable que la gente tuviera amigos o familiares que enfermaran o murieran. Quizá el miedo al virus fue un fuerte incentivo para quedarse en casa.
Por otro lado, si se inició el confinamiento pronto, con el objetivo de contener la propagación todo lo posible, puede que la población no se lo tomara tan en serio porque nunca llegó a ver plenamente los efectos del virus. Es lo que se conoce ampliamente como la «paradoja de la preparación»: la única forma de adelantarse a la curva es tomar decisiones que en ese momento —y también en retrospectiva— parecen reacciones exageradas.
Una vez que se han reunido todas las fuentes de datos necesarias y se ha construido el modelo, ¿cómo se utiliza para ayudar a orientar la respuesta del Gobierno?
Lo primero que hay que decir es que la modelización matemática de enfermedades no es una bola de cristal. No predice el futuro; es una herramienta que ayuda a comprender el abanico de futuros posibles, dadas ciertas hipótesis. Nuestro propósito es proporcionar esta información al Gobierno de manera que resulte útil al tomar decisiones de política pública.
Para mí está muy claro, sobre todo en el contexto de Sudáfrica como país de ingreso bajo y mediano (PIBM), que estas decisiones de política pública no pueden basarse exclusivamente en la salud ni exclusivamente en los modelos. También deben integrar factores económicos y sociales.
Ningún Gobierno tiene un presupuesto de salud ilimitado y, en particular en los PIBM, es importante tener en cuenta que el dinero destinado a combatir la COVID-19 deja de estar disponible para otros objetivos —también importantes—. Los Gobiernos deben tomar decisiones difíciles para equilibrar todos estos factores, y quienes trabajamos en modelización hacemos todo lo posible para que estén bien informados sobre el aspecto sanitario de esta ecuación.
¿Hay argumentos a favor de intentar integrar directamente los impactos sociales y económicos en los modelos centrados en la salud?
Es posible; lo hacemos con otras enfermedades establecidas y estoy segura de que hay grupos en todo el mundo que lo hacen para la COVID-19. Pero la ironía es que, en los países donde más podrían importar los impactos socioeconómicos de políticas sanitarias como los confinamientos —los PIBM—, a menudo no hay datos, o no hay suficientes, para incluirlos de manera útil. Si a esto sumamos todo lo que aún debemos aprender sobre la COVID-19, creo que un buen enfoque es centrarse en la enfermedad y complementar los modelos centrados en la salud colaborando con economistas en análisis de costo-efectividad y macroeconómicos, y con científicos sociales en métodos tradicionales de recopilación de información, como encuestas, entrevistas, etc., para incorporar los impactos socioeconómicos.
¿Cuál es su valoración de la respuesta del público general a su trabajo? ¿Se comprende y comunica bien el papel de la modelización?
En las últimas tres semanas, aproximadamente, desde que publicamos nuestros informes para el público, ha habido mucho interés en los resultados y los métodos utilizados. Está muy claro que la transparencia gubernamental es un factor común en la respuesta de los países que hasta ahora han gestionado bien el virus, así que estoy totalmente de acuerdo en que el interés público exige que nuestro trabajo sea visible y esté sujeto a escrutinio.
Por otro lado, no todo el mundo se dedica a la modelización de enfermedades y, si se presentan fuera de contexto, las previsiones sobre el número de infecciones futuras o la carga para los hospitales pueden contribuir al estrés que muchas personas están experimentando actualmente. Como es la primera vez que vemos un gran interés público en este campo, consideramos que tenemos la responsabilidad de esforzarnos especialmente por explicar cómo deben interpretarse los modelos: que cada previsión viene acompañada de incertidumbres conocidas y salvedades; que se trata de un proceso iterativo, sujeto a revisiones casi constantes a medida que se conocen nuevos datos; y que comprender los modelos exige más matices de los que suelen permitir los titulares de prensa. Creemos que hasta ahora esto va bien y agradecemos que muchos medios de comunicación hayan adoptado un enfoque mesurado al informar sobre nuestro trabajo de modelización.
De cara al futuro, ¿cómo está cambiando la experiencia de responder a la COVID-19 el campo de la modelización de las enfermedades infecciosas?
Una de las novedades que surgió rápidamente fue la creación de muchas nuevas redes y colaboraciones internacionales. Son bienvenidas y espero que continúen incluso después de que hayamos superado la pandemia, pues nos ayudan a distribuir información y técnicas. Si se produce otro brote, también nos ayudarán a responder con mayor eficacia en el futuro. Estar bajo la mirada del público también nos ha llevado a reflexionar mucho sobre nuestra responsabilidad de relacionarnos con la ciudadanía, y espero que los esfuerzos iniciados en este ámbito también continúen.
En cuanto al trabajo de modelización de enfermedades en sí, este campo lleva más de 100 años desarrollándose y, aunque la COVID-19 conmocionó a casi todos los sistemas, no ha cambiado la ciencia que sustenta nuestro trabajo. Sin duda, surgirán nuevas perspectivas, pero serán evoluciones del campo, no revoluciones.
Una consecuencia positiva de la pandemia es el renovado interés y la creciente popularidad de la modelización matemática de enfermedades. En mis viajes por el continente africano, he comprobado que contamos con matemáticos y estudiantes de matemáticas con mucho talento. En los últimos meses, he recibido numerosas solicitudes de estudios de posgrado en este campo. Es necesario aprovechar este talento y encauzarlo mediante financiación y proyectos de investigación para ayudar a los Gobiernos de nuestro continente a controlar las enfermedades que siguen devastando a nuestra población y a responder de manera local y eficaz a futuros brotes.
