Todo el mundo conoce los modelos de infección y muerte por COVID-19 y el concepto de "aplanar la curva", pero es difícil saber en qué modelos podemos confiar.
Los modelos han cambiado de forma notable el comportamiento de los funcionarios de salud, los responsables de políticas y los ciudadanos.
Los cambios de comportamiento han reducido así el número de muertes, lo que hace que las estimaciones de los modelos originales parezcan imprecisas.
En la historia de la humanidad, quizá ningún modelo de datos haya sido más reconocible que las curvas de infección y muerte por COVID-19. Prácticamente todo el mundo, desde el agricultor en la India hasta el director de los Centros para el Control y la Prevención de Enfermedades (CDC) de los EE. UU., ya las conoce.
Pero los modelos también han recibido críticas por sus incoherencias. Uno de los primeros modelos, desarrollado por el Imperial College London, predijo más de 2,2 millones de muertes en Estados Unidos, pero modelos posteriores (por ejemplo, el IHME, Instituto de Métricas y Evaluación de la Salud, de la Universidad de Washington) proyectaron un número de muertes significativamente menor. ¿En qué modelos podemos confiar?
Mientras el COVID-19 sigue extendiéndose por el mundo a un ritmo alarmante y feroz, a menudo difundiendo desinformación a su paso, los gobiernos, las organizaciones y las personas reclaman la verdad sobre las medidas de protección, sobre cómo podemos combatirlo de manera eficaz y sobre cuánto durará esta pesadilla. Para obtener estas respuestas, necesitamos modelos precisos y completos. Y para construir esos modelos, debemos examinar con exactitud cómo funcionan.
“Todos los modelos son erróneos, pero algunos son útiles.”
Esta afirmación se atribuye al estadístico británico George Box, quien más tarde escribió: “Todos los modelos son aproximaciones.”
Por tanto, la pregunta que debemos plantear no es: “¿Es verdadero el modelo?” (Nunca lo es). Debemos preguntar: “¿Es el modelo lo suficientemente bueno para esta aplicación concreta?”
Un modelo, por su propia definición, es una representación de un sistema que destaca determinados componentes e ignora otros. Por ello, nunca puede reflejar todos los aspectos de la realidad.
Aun así, sigue siendo instructivo comprender cuándo y por qué los modelos fallan.
Los modelos se basan en supuestos sobre qué debe incluirse y excluirse de la realidad. También se basan en supuestos sobre cómo interactúan los distintos componentes del modelo. Por ejemplo, existe una familia de modelos epidemiológicos que incluyen algunos aspectos de la enfermedad e ignoran otros. Los modelos SIR analizan la Susceptibilidad, la Infección y la Recuperación (SIR, por sus siglas en inglés) de los individuos, mientras que los modelos SIS analizan la Susceptibilidad, la Infección y, de nuevo, la Susceptibilidad (SIS), como en la recurrencia del resfriado común. Los modelos SIRD añaden “Fallecido” a los modelos SIR, y los modelos SEIR tienen en cuenta la “Exposición” cuando una enfermedad infecciosa tiene un periodo de incubación. Los modelos SEIR y SIRD son los dos tipos comúnmente utilizados para el COVID-19.
Los datos son fundamentales para construir modelos y validar su precisión, y alimentar los modelos con datos inexactos producirá resultados inexactos. En el caso del COVID-19, debemos introducir en los modelos el número de casos, hospitalizaciones y muertes debidas al coronavirus a nivel nacional, estatal o de condado. Podemos disponer de datos incompletos (por ejemplo, en zonas remotas puede resultar difícil recopilar y compartir datos) o de datos inexactos (por ejemplo, en las primeras etapas de una pandemia, las muertes pueden asociarse a otras afecciones secundarias y haber sido clasificadas erróneamente).
Por último, a pesar de nuestros mejores esfuerzos, existe incertidumbre : aspectos del modelo que desconocemos y que quizá nunca conozcamos con certeza. Aún existe mucha incertidumbre en torno a la tasa de infección, el periodo de incubación y la tasa de recuperación del COVID-19, factores que influyen en la tasa de reproducción. Además, seguimos sin conocer el impacto del virus en los distintos segmentos de la población. Además de la incertidumbre sobre la enfermedad, también existe incertidumbre en materia de políticas y de comportamiento. No podemos afirmar cómo intervendrán los distintos gobiernos e instituciones en esta crisis, ni cómo se comportarán los ciudadanos y los empleados en estas circunstancias de estrés.
Entonces, si los modelos pueden ser erróneos, ¿por qué construirlos? ¿Para qué sirven?
Tradicionalmente, los modelos se han construido con los siguientes usos en mente:
Explicación. Muchos modelos se construyen para explicar un determinado fenómeno, abstraerse del “desorden” del mundo real o extraer conclusiones que puedan utilizarse en escenarios futuros. Por ejemplo, construir modelos para comprender la tasa de reproducción de brotes anteriores de enfermedades infecciosas, como el ébola y la gripe aviar, puede ayudar a desarrollar intervenciones. Conocer cómo se propagó el SARS-CoV (síndrome respiratorio agudo severo) en varios países en 2003 puede aportar pistas útiles sobre el COVID-19 o el SARS-CoV-2.
Proyección. Los modelos se utilizan para predecir el futuro cuando disponemos de datos históricos suficientes y estamos en un entorno relativamente estable. Sin embargo, cuando la incertidumbre es alta, los modelos suelen utilizarse para proyectar un rango de resultados que refleja la incertidumbre inherente. A medida que conocemos más sobre el virus y nuestra reacción ante él, podemos reducir esta incertidumbre. Los modelos actuales del COVID-19 suelen ofrecer un rango para el número de casos, hospitalizaciones y muertes.
Cambio de comportamiento. Los modelos pueden utilizarse para cambiar el comportamiento de las personas. Todos estamos familiarizados con los modelos que recomiendan qué libros deberíamos leer o qué productos deberíamos comprar. De forma similar, los modelos del COVID-19 han cambiado las actitudes y los comportamientos de los funcionarios de salud, los responsables de políticas, las instituciones gubernamentales y los ciudadanos.
Así, aunque podríamos argumentar que los modelos del COVID-19 son “erróneos”, han demostrado ser útiles.
Algunos modelos son útiles, y unos pocos cambian comportamientos.
En solo tres meses, el comportamiento de todos los segmentos de la sociedad ha cambiado de forma notable, en particular entre los funcionarios gubernamentales y los responsables de políticas, así como entre los ciudadanos.
Funcionarios de salud y responsables de políticas respondieron a las proyecciones de los modelos del COVID-19, por inciertas que fueran, adoptando medidas correctivas. El Coronavirus Government Response Tracker publicó el Índice de Rigurosidad, que examina 13 medidas adoptadas en respuesta al virus, entre ellas el cierre de escuelas y lugares de trabajo, la cancelación de eventos públicos y las restricciones de viaje, medidas que se considerarían draconianas en cualquier otra circunstancia.
En respuesta a las intervenciones gubernamentales, los ciudadanos han cumplido en gran medida las restricciones y modificado sus comportamientos. Viajan menos, se quedan en casa, mantienen el distanciamiento social y son más conscientes de la desinfección. También han cambiado sus hábitos de compra: compran más en línea en lugar de acudir a tiendas físicas, y consumen más ancho de banda, ya que las interacciones sociales y el entretenimiento se han trasladado en gran medida a internet.
Estos cambios de comportamiento han afectado, como es lógico, a los parámetros clave del COVID-19, modificando así los datos.
Cuando cambian los comportamientos, los nuevos datos prevalecen sobre los modelos.
Las curvas de infección, hospitalización y muerte por COVID-19 fueron amplificadas por los medios de comunicación en todos los países afectados, mientras se instaba a los ciudadanos a “quedarse en casa” y a “aplanar la curva”. Como resultado de los cambios de comportamiento, también cambiaron dos conjuntos de datos.
Datos de casos. A medida que más personas conocían el virus y recibían el mensaje de distanciarse socialmente, ignoraron o atendieron, total o parcialmente, las advertencias de seguridad. Las decisiones individuales dependieron de diversos factores: la edad, los valores sociales (deferencia a la autoridad o libertarismo) y la necesidad económica de trabajar, entre otros. Además, los nuevos casos y hospitalizaciones comenzaron a disminuir en distintos países y estados de EE. UU., lo que tuvo el efecto previsto de reducir las muertes, pero también, paradójicamente, hizo que las proyecciones originales parecieran poco realistas por pesimistas (erróneas), abriendo así a los desarrolladores de modelos a las críticas.
Datos de desempleo. Intervenciones como el cierre de empresas y escuelas paralizaron la actividad económica y provocaron una enorme reducción de la demanda de un gran número de bienes y servicios. Esto también elevó el desempleo a niveles récord en EE. UU. y otros países, a cifras no vistas desde la Gran Depresión de 1929. A su vez, esto dio lugar a un clamor para reabrir la economía. Si bien es necesario reactivar la actividad económica, la forma en que lo hagamos probablemente influirá de manera considerable en el número total de muertes causadas por esta pandemia.
El impacto de estas intervenciones llevó al Dr. Anthony Fauci, director del Instituto Nacional de Alergias y Enfermedades Infecciosas, a declarar, “Cuando llegan datos reales, los datos, en mi opinión, siempre prevalecen sobre cualquier modelo.”
¿Qué está haciendo el Foro Económico Mundial ante el brote de coronavirus?
Los modelos del COVID-19 se construyen, inicialmente, con los datos disponibles, junto con supuestos sobre la evolución de la enfermedad. Estos modelos destacan el rango de posibles resultados, lo que lleva a los responsables de políticas y a los ciudadanos a cambiar su comportamiento, con el resultado de que el número real de muertes es significativamente inferior al estimado originalmente.
Los modelos cumplieron su propósito al reducir el número de muertes, por lo que deben considerarse un éxito.
La pregunta contrafactual —“Si no hubiéramos tomado ninguna medida, ¿qué precisión habrían tenido los modelos?”— es una que, en teoría, podríamos responder. Pero la respuesta resulta demasiado costosa en vidas humanas como para intentarlo.
