Los responsables de la toma de decisiones se basan en pronósticos sobre el coronavirus para definir políticas, por lo que es vital que pregunten cómo se hicieron las proyecciones, escriben dos científicos.
Desde por qué se creó el modelo hasta qué datos se utilizaron, estas son cuatro preguntas clave.
El 8 de abril, el gobernador de Nueva York, Andrew Cuomo, anunció que su estado estaba «aplanando la curva» de la pandemia de COVID-19. Pero apenas dos semanas antes, varios modelos habían proyectado que el pico de hospitalizaciones en Nueva York podría ser varias veces más alto de lo que finalmente fue. Al comparar el número real de hospitalizaciones por COVID-19 con esas proyecciones, Cuomo se preguntó «¿Cómo se obtiene una curva real tan distinta de lo que predijeron esos expertos?»
La pregunta de Cuomo resume el desafío al que se enfrentan quienes toman decisiones cuando trabajan con modelos predictivos. Cuando hay mucho en juego y las proyecciones basadas en modelos son una guía fundamental, ¿cómo deberían proceder los responsables de políticas?
Es una pregunta pertinente, no solo durante una pandemia. La crisis financiera de 2008 puso de relieve el poder (y los riesgos) de los modelos económicos y financieros, y la dependencia de estas herramientas no hará más que crecer en una era de macrodatos y gran capacidad de cómputo. Como científicos que elaboramos habitualmente modelos para el análisis de políticas, proponemos cuatro preguntas que quienes toman decisiones deberían plantear al utilizar los resultados de esos modelos.
En primer lugar, ¿por qué se creó el modelo?
Todo modelo simplifica la realidad, y las decisiones de quien lo crea sobre qué simplificar (y cómo), qué incluir y qué dejar fuera dependen principalmente de las preguntas que el modelo se diseñó para explorar. El propósito específico de un modelo orienta la elección de las ecuaciones matemáticas y los métodos que se utilizan.
Cuando se reutiliza un modelo para investigar preguntas para las que no fue concebido originalmente, los resultados serán tan buenos como lo sea la correspondencia entre las preguntas y el diseño del modelo. Por ejemplo, un modelo creado para estimar el uso de camas hospitalarias puede ser muy distinto de uno centrado en comprender la dinámica de propagación de una enfermedad y las consiguientes implicaciones para las políticas.
En segundo lugar, ¿cuáles son los supuestos clave del modelo y son todos válidos para la situación en cuestión?
No solo importa la pregunta para la que se diseñó el modelo. Por ejemplo, algunos modelos epidemiológicos de enfermedades infecciosas suponen que la población es fija. Esto puede ser válido en algunas regiones, pero no en ciudades donde cada día entra y sale mucha gente, tanto infectada como sana.
Otros supuestos pueden referirse a qué aspectos del pasado se mantendrán iguales en el futuro. Muchos modelos simplemente ofrecen un escenario de un futuro posible si las cosas siguen el mismo curso que antes. Estos análisis son útiles porque muestran qué podría ocurrir si no nos adaptamos. Esta información puede contribuir a impulsar medidas para evitar un futuro indeseable y crear otro más prometedor.
Nuestras sociedades son dinámicas, y la mayoría de las personas responde constantemente a la nueva información con distintos grados de demora. Por ello, la mera difusión pública de una predicción puede alterar la trayectoria futura. Así pues, los responsables de políticas necesitan saber qué aspectos del mundo real supone el modelo que son fijos. También deben preguntar cómo cambian los resultados de un modelo si algunos de sus supuestos clave no son del todo válidos para una situación concreta.
En tercer lugar, ¿de dónde proceden los datos que se introducen en el modelo y hasta qué punto son aplicables al contexto actual?
Los modelos utilizan datos para calcular resultados específicos, por lo que es fundamental saber de dónde proceden y cuán precisos son. Lo ideal es que los datos provengan de fuentes fiables, abarquen la región para la que se considera la política en cuestión y estén lo más actualizados posible. En realidad, los datos pueden ser limitados, poco detallados o corresponder a un contexto distinto. En tal caso, quienes elaboran los modelos deberían dejarlo claro.
Por ejemplo, algunas de las primeras estimaciones sobre cuántas camas hospitalarias y cuánta capacidad de cuidados intensivos se necesitarían para los pacientes de COVID-19 en Estados Unidos se basaron en datos de China. Pero si los médicos estadounidenses aplican criterios de hospitalización distintos de los de sus homólogos de Wuhan, los datos chinos tendrán una aplicabilidad limitada.
A menudo, los responsables de políticas deben aprovechar al máximo los datos disponibles, pese a sus deficiencias. Señalar debidamente esos defectos o limitaciones aporta un contexto importante para las decisiones y también pone de relieve la urgencia de obtener mejores datos cuanto antes.
Por último, ¿cuán inciertos son los resultados?
Centrarse en un único pronóstico sin dar la debida importancia a su incertidumbre puede ser peligroso y costoso. Quienes elaboran modelos y las noticias que se refieren a ellos deberían comunicar claramente las fuentes y el alcance de cualquier incertidumbre. Al mismo tiempo, los responsables de políticas deben procurar comprender el margen de error de un modelo y tenerlo presente al tomar una decisión.
Dado que quienes toman decisiones dependen cada vez más de un torrente creciente de pronósticos sobre la COVID-19 y otros asuntos importantes, es más necesario que nunca que pregunten cómo se hicieron las proyecciones. Los modelos nunca pueden predecir el futuro a la perfección. Pero, si se construyen con cuidado y se utilizan con humildad, pueden ser como telescopios en un barco bajo la lluvia: ofrecer imágenes borrosas que nos ayuden a discernir lo que podría aguardar más adelante, para que podamos decidir si trazamos un rumbo distinto y mejor.
