Predicciones, escenarios y pronósticos. Desde la aparición de la pandemia del COVID-19, las simulaciones de propagación del virus han dictado políticas públicas y en parte redefinido nuestras vidas. Con distintos enfoques, estos modelos han determinado confinamientos que alcanzaron a la mitad de la humanidad. Pero con resultados tan desiguales: ¿son confiables?
Con fundamentos más o menos científicos, sus conjeturas han actuado como profecías de moda en todo el planeta. Sin embargo todas se enfrentan a la falta de datos y a un virus que para la ciencia tiene “escasez de certezas”. Además, los modelos son específicos para cada equipo de investigadores y de rendimiento desigual. Se estima que alrededor de treinta son utilizados durante la crisis de salud, a menudo dando pronósticos muy diferentes.
Como una bitácora de navegación, algo probable, el estadista británico George Box en 1976 suma a la polémica que hoy tiene plena vigencia: “En esencia, todos los modelos están equivocados, pero algunos son útiles”. Su frase cobra sentido en medio de la veloz propagación del COVID-19 que al momento ha contagiado a más de 9 millones de personas en el mundo y provocado la muerte a casi medio millón.
¿Pronósticos fiables?
Hasta ahora sabemos que los gobiernos de todo el mundo se han basado en proyecciones matemáticas para guiar sus decisiones sanitarias por el coronavirus. ¿Pero cuál es su fiabilidad? El mayor ejemplo de dudosa acertividad, es el modelo matemático del prestigioso Imperial College de Londres. En ausencia de contención de la población predijo “aproximadamente 510.000 muertos en el Reino Unido de COVID-19 y 2,2 millones de muertes solo en los Estados Unidos “.
Al menos ocho de sus investigadores son miembros del Grupo Científico Asesor para Emergencias (SAGE), el comité científico que asesora al gobierno del primer ministro Boris Johnson o subcomités oficiales. Sus modelos se utilizaron como apoyo al gobierno para decidir la entrada en la contención, tarde en el Reino Unido, el 23 de marzo. En particular, el 16 de marzo de 2020, dirigido por Neil Ferguson, vicedecano de la facultad de medicina del Imperial College, dictó la suerte de encierro del país.
Pero así como algunos llevaron a decidir cuarentenas, otros explican los beneficios de su imposición. En Francia, ¿la contención dispuesta realmente salvó más de 60.000 vidas en un mes, como lo declaró el doctor Pascal Crépey, profesor-investigador en epidemiología y bioestadística en la Escuela de Estudios Avanzados en Salud Pública? A fines de abril, los cálculos de su equipo concluyeron que si no se hubiera implementado ninguna cuarentena, el 23% de la población francesa, o 15 millones de personas, se habrían infectado entre el 19 de marzo y el 19 de abril, y 600.000 personas más deberían haber sido hospitalizadas. Eso es 140,000 pacientes adicionales deberían haberse unido a servicios de reanimación saturados, unas 60 mil hubieran sumado a los fallecidos.
Los modelos son abstracciones
En el caso del investigador francés Pascal Crépey, las proyecciones son resultado de un trabajo de años en el modelado de episodios de influenza, desarrollado un esquema de “captura de la dinámica de la epidemia”, una imagen de la historia de un virus.
El especialista europeo aceptó conversar sobre la confiabilidad de los modelos en cuestión y explicar los motivos de opiniones tan divergentes, y con frecuencia, varios cambios de puntos de vistas.
-Usted ha dirigido un modelo que han estudiado el curso de la epidemia en Francia, país donde al día de hoy han muerto unas 30.000 personas. ¿Cómo se hacen las simulaciones?
-Con modelos matemáticos que reproducen los procesos de transmisión del virus en la población de acuerdo con los parámetros y características de la población. Los modelos pueden tener diferentes niveles de complejidad según la pregunta que desea que respondan. Cualquier modelo es una abstracción, una simplificación de la realidad que permite comprender mejor un fenómeno, confirmar o invalidar una hipótesis. Los modelos no son bolas de cristal, son herramientas que permiten traducir hipótesis en estimaciones que luego podemos enfrentar con la realidad.
-¿Por qué cree que hay cuestionamientos sobre los diferentes enfoques o metodologías?
-El conocimiento se construye en el debate científico, las hipótesis se formulan y luego se invalidan o confirman. La iluminación de los medios tiende a transformar el debate científico y el debate público y a confundirse con el debate político, lo cual es un error. Cualquier científico puede estar equivocado y ser llevado a revisar sus hipótesis para mejorar su trabajo. Así es como los diferentes grupos terminan convergiendo. Por lo tanto, es normal que haya muchas preguntas, diferentes enfoques, debates. Es parte del proceso científico. Sin embargo, la urgencia de la crisis de salud ciertamente contribuye a exacerbarla.
-Teniendo en cuenta los primeros resultados, donde contenciones estrictas han tenido muchos contagios y fallecidos y otros flexibles que lograron contener el virus, ¿cree que los gobiernos han sobredimensionado los modelos?
-No. Ante un nuevo riesgo, una epidemia sin precedentes, el riesgo habría sido confiar demasiado en las experiencias y creencias pasadas. El SARS-CoV-2 no es gripe, ni el SARS-CoV-1, solo los modelos pueden mostrar cómo estas epidemias son diferentes y cómo las estrategias deben adaptarse en consecuencia. Sin embargo, los modelos deben estar anclados en la realidad de las observaciones de campo. Son los datos de campo los que les permiten no ser objetos teóricos sino, por el contrario, herramientas para ayudar a la decisión pública.
-Y teniendo en cuenta que la simulaciones son tan disímiles, ¿son fiables los modelos aplicados para una pandemia como esta?
-SARS en 2003, influenza aviar H5N1 en 2005, la pandemia de influenza A / H1N1 en 2009, más recientemente MERS-CoV, zika y ébola fueron crisis de salud que permitieron a los equipos de modeladores de enfermedades infecciosas probar sus metodologías para proporcionar respuestas útiles a los responsables de la toma de decisiones. Pero un modelo debe basarse en el conocimiento de la enfermedad. En el caso de COVID-19, el conocimiento ha venido con el flujo de agua, con el flujo de la información que se empezó a formar del virus, y los modelos también mejoran a ese mismo ritmo.
Pedagogía epistemológica
No hay un único modelo. Cada equipo de investigadores tiene su simulación y por lógica rendimientos distintos. Se calcula que alrededor de treinta son utilizados durante la crisis del coronavirus.
Los modelos SIR más simples utilizan supuestos básicos. Postulan que todos tienen las mismas posibilidades de infectarse en un entorno humano homogéneo y entienden que las personas pasan por tres estados: (S) susceptibles que se infecten, (I) se infecten, (R) recuperadas o fallecidas. Los datos con los que se alimentan son estimaciones igualmente hipotéticas, extraídas de análisis imperfectos, como la tasa de reproducción básica que indica el número promedio de personas infectadas con un portador de virus.
Para acercarse a la realidad, los modelos más avanzados verifican los datos más detallados: sobre densidad de población, la piramide de edad, movilidad, entre otros. Suman otras secuencias para esto y luego introducen el virus en estas ensayos virtuales para un mundo real. Una mélange de grandes cantidades de datos para reproducir comportamientos sociales.
Jorge Paz, doctor en Economía y Doctor en Demografía, es Investigador Principal del CONICET, y ha dirigido el reciente documento Notas sobre la demografía del COVID-19 en Argentina, una proyección de la pandemia para nuestro país en la cual el virus habría dejado de sumar casos recién en diciembre del año 2022.
El investigador, que presentó este modelo epidemiológico desde el Instituto de Estudios Laborales y del Desarrollo Económico (IELDE) del Consejo Superior de la Universidad Nacional de Salta.
-Usted mismo adelanta al presentar su modelo epidemiológico para Argentina que el mismo puede quedar expuesto a cambios. ¿Por qué las proyecciones tienen tantas vacilaciones?
-Estamos estudiando una enfermedad que no conocemos con modelos ideados para enfermedades conocidas. En este mismo sentido se aplican medidas de contención como si se tratara de enfermedades infecciosas conocidas. Lo que quiero decir con esto: no se trata de predecir la evolución de los contagios por gripe, sino de una enfermedad que desconocemos cómo ataca. Dado que esto cambia diariamente habría que recalibrar los modelos al menos una vez por semana, lo que demanda datos que no disponemos, o al menos a la velocidad con que los necesitamos.
-Por cada equipo investigador puede haber una simulación. De hecho existirían unos 30 modelos distintos y utilizados. ¿Cómo pueden coexistir tantas proyecciones?
-No sé si son muchos o pocos. Son los modelos conocidos de pronósticos. Pero insisto en que desconocemos la base biológica y los detalles médicos para poder hacer predicciones más certeras. Tampoco tenemos a disposición los datos necesarios para probar y conocer mejor a la enfermedad. Creo que faltaron modelos. Para juzgar la precisión de los modelos primero hay que usarlos.
-Pero estas mismas predicciones han definido decisiones de política sanitaria. ¿Cree correcto atarlas a estos “pronósticos”?
-Las decisiones de política pública deben basarse en datos y en modelos. Si así no fuera, ¿qué argumentos usar para definir una política pública? ¿La intuición? Así se hacía antes en los albores de la medicina y de la medicina sanitaria…cuando la esperanza de vida al nacer de las poblaciones era 40 años más baja.
-¿Y en este caso se pudo haber construido modelos más acertados o predictivos?
-Creo que no es el momento adecuado para decir lo que se pudo hacer y que no se hizo o lo que se hizo y no debería haberse hecho. Se actuó de acuerdo a la circunstancia y con la incertidumbre de desconocer la reacción del enemigo: el virus. Estamos conociéndolo cada vez más y aprendiendo a convivir con él. Creo sí, y lo digo enfáticamente, que debemos estudiar más el fenómeno y sus consecuencias. Para eso necesitamos que los datos se pongan a disposición de los investigadores y que no se usen sólo para sacar una ventaja oportunista y egoísta.
Una historia en aprendizaje de la incertidumbre
La concurrencia de varios modelos epidemiológicos demuestra la certeza de la convivencia con la incertidumbre. Las simulaciones no son mejores que los supuestos en los cuales se construyen, datos escasos e incluso en algunos casos dudosos.
La divulgación científica, en el eje del debate, cuando sus predicciones son volátiles. Pero la polémica del rol de las matemáticas en las ciencias de la vida, hoy en auge, no comenzó ayer. Un trabajo de 1760, del científico suizo Daniel Bernoulli (1700-1782), que a través de un modelo matemático cuantificó la propagación de epidemias, es el hito que marca el nacimiento de una rama científica y, aún más, la inmersión de los matemáticos a intervenir en asuntos médicos.
Los resultados tienen sensación de ambigüedad en el marco de una crisis de salud sin precedentes. Una experiencia y aprendizaje de convivir con la incertidumbre, a tal punto de poner en debate los criterios en los que se presenta la ciencia, muchas veces apremiada por exigencias sociales y políticas que no le son propias.
