n medio de una enorme incertidumbre sobre el futuro de la pandemia de Covid-19, los modelos epidemiológicos son herramientas críticas de planificación para los encargados de formular políticas, los médicos y los profesionales de la salud pública. Algunos modelos con conclusiones aparentemente conflictivas han recibido una importante cobertura de prensa, dando la impresión de que los modelos matemáticos en general no son confiables o tienen fallas inherentes. Pero el modelado de enfermedades infecciosas es un campo expansivo con una larga historia, que abarca una variedad de métodos y suposiciones que no son necesariamente directamente comparables, o incluso diseñadas para el mismo propósito (ver recuadro ).

CINCO PREGUNTAS PARA HACER SOBRE LOS RESULTADOS DEL MODELO.

  1. ¿Cuál es el propósito y el marco temporal de este modelo? Por ejemplo, ¿es un modelo puramente estadístico destinado a proporcionar pronósticos a corto plazo o un modelo mecanicista que investiga escenarios futuros? Estos dos tipos de modelos tienen limitaciones diferentes.
  2. ¿Cuáles son los supuestos básicos del modelo? ¿Qué se supone sobre la inmunidad y la transmisión asintomática, por ejemplo? ¿Cómo se incluyen los parámetros de contacto?
  3. ¿Cómo se muestra la incertidumbre? Para los modelos estadísticos, ¿cómo se calculan y muestran los intervalos de confianza? La incertidumbre debería aumentar a medida que avanzamos hacia el futuro. Para los modelos mecanicistas, ¿qué parámetros se están variando? Las descripciones de modelado confiables generalmente incluirán una tabla de rangos de parámetros: verifique si esos rangos tienen sentido.
  4. Si el modelo se ajusta a los datos, ¿qué datos se utilizan? Es poco probable que los modelos ajustados a casos confirmados de Covid-19 sean confiables. Los modelos ajustados a los datos de hospitalización o muerte pueden ser más confiables, pero su confiabilidad dependerá de la configuración.
  5. ¿Es el modelo general o refleja un contexto particular? Si es esto último, ¿la escala espacial (nacional, regional o local) es apropiada para las preguntas de modelado que se hacen y los supuestos son relevantes para el entorno? La densidad de población desempeñará un papel importante en la determinación de la adecuación del modelo, por ejemplo, y es probable que los parámetros de la tasa de contacto sean específicos del contexto.

Los estudios de modelado de Covid-19 generalmente siguen uno de los dos enfoques generales a los que nos referiremos aquí como modelos de pronóstico y modelos mecanicistas. Aunque existen enfoques híbridos, estos dos tipos de modelos tienden a abordar diferentes preguntas en diferentes escalas de tiempo, y abordan de manera diferente la incertidumbre.

Los modelos de pronóstico a menudo son de naturaleza estadística, ajustando una línea o curva a los datos y extrapolando desde allí, como ver un patrón en una secuencia de números y adivinar el siguiente número, sin incorporar el proceso que produce el patrón. Los marcos estadísticos bien construidos se pueden usar para pronósticos a corto plazo, utilizando aprendizaje automático o regresión, por ejemplo, para analizar datos epidemiológicos del pasado o una ubicación diferente y proyectar casos de SARS-CoV-2 en el futuro. Estos modelos producen proyecciones cuantitativas que los encargados de formular políticas pueden necesitar a corto plazo para asignar recursos o planificar intervenciones.

Las versiones originales del modelo controvertido del Instituto de Medición y Evaluación de la Salud (IHME) cayeron en esta categoría, aproximando la forma de la curva epidémica de los brotes en China e Italia y aplicándola en otros lugares (ver tabla ). Dado que los enfoques puramente estadísticos no explican cómo se produce la transmisión, generalmente no son adecuados para las predicciones a largo plazo sobre la dinámica epidemiológica (como cuándo ocurrirá el pico y si ocurrirá un resurgimiento) o para inferencia sobre la eficacia de la intervención. 1 Por lo tanto, varios modelos de pronóstico limitan sus proyecciones a una semana o unas semanas más adelante.

Los modelos mecanicistas, como los marcos Susceptible-Expuesto-Infeccioso-Recuperado, imitan la forma en que el SARS-CoV-2 se propaga y pueden usarse para pronosticar o simular futuros escenarios de transmisión bajo varios supuestos sobre los parámetros que rigen la transmisión, la enfermedad y la inmunidad. A diferencia de los modelos puramente estadísticos, los enfoques mecanicistas incluyen retroalimentación no lineal importante: cuantas más personas se infectan, más rápido se propaga la enfermedad. Debido a que estos modelos reflejan el proceso de transmisión subyacente, los parámetros específicos de la enfermedad que lo impulsan pueden modificarse para probar cómo la pandemia puede cambiar bajo varios supuestos sobre la enfermedad y la implementación de medidas de control.

El modelado mecanicista es una de las únicas formas de explorar posibles resultados epidemiológicos a largo plazo. Por ejemplo, el modelo de Ferguson et al. que se ha utilizado para guiar las respuestas políticas en los Estados Unidos y Gran Bretaña examina cuántas muertes de Covid-19 pueden ocurrir en los próximos 2 años bajo diversas medidas de distanciamiento social. Kissler y col. pregunte si podemos esperar epidemias recurrentes estacionales si la inmunidad contra el SARS-CoV-2 funciona de manera similar a la inmunidad contra los coronavirus más leves que transmitimos estacionalmente. En un modelo mecanicista detallado de la transmisión en el área de Boston, Aleta et al. simular varias “estrategias de salida” de bloqueo Estos modelos son una forma de formalizar lo que sabemos sobre la transmisión viral y explorar posibles futuros de un sistema que involucra interacciones no lineales,

Sin embargo, la precisión del modelo está limitada por nuestro conocimiento del virus. Con una enfermedad emergente como Covid-19, muchas características biológicas de transmisión son difíciles de medir y siguen siendo desconocidas. La fuente más obvia de incertidumbre, que afecta a todos los modelos, es que no sabemos cuántas personas están o han sido infectadas. Los problemas actuales con las pruebas virológicas significan que sin duda estamos perdiendo un número considerable de casos, por lo que es probable que los modelos ajustados a casos confirmados sean altamente inciertos (como lo demuestran Lu et al.). 2El problema de usar casos confirmados para ajustar modelos se complica aún más por el hecho de que la fracción de casos confirmados es espacialmente heterogénea y varía en el tiempo. Las hospitalizaciones y muertes de Covid-19 son datos más confiables, aunque todavía pueden subestimar la carga de la enfermedad, pero se deben hacer suposiciones sobre cómo se relacionan con los casos en la comunidad. 3

De hecho, muchos parámetros asociados con la transmisión Covid-19 son poco conocidos. La incertidumbre del modelo resultante no siempre se calcula o informa de manera estandarizada. Los consumidores de resultados epidemiológicos deben saber que los intervalos de confianza presentados en figuras o paneles pueden no capturar adecuadamente los muchos aspectos inciertos del modelo; de hecho, por lo general solo se presenta un tipo de incertidumbre, lo que puede crear una sensación inflada de confianza en los resultados. En los modelos estadísticos, la incertidumbre de la predicción generalmente se presenta como intervalos de predicción calculados estadísticamente alrededor de una estimación, como en el modelo IHME. Dado que lo que ocurra dentro de un mes dependerá de lo que ocurra en el ínterin,

En los modelos mecanicistas, la incertidumbre en un parámetro epidemiológico clave o un conjunto de parámetros (la duración de la infecciosidad, por ejemplo) puede presentarse como un rango alrededor de una trayectoria media, reflejando simulaciones a través de los valores plausibles o medidos de un parámetro, o como simulaciones separadas . Estos análisis de sensibilidad proporcionan una idea de cuán robustos son los hallazgos del modelo para entradas particulares. Tanto la trayectoria media como los límites superior e inferior pueden ser útiles de diferentes maneras; por ejemplo, podemos estar interesados ​​en conocer el número máximo de casos que podrían resultar razonablemente de lo que sabemos sobre un parámetro en particular. Los intervalos de confianza de un modelo mecanicista también pueden representar los resultados bajo un único conjunto de parámetros, pero a través de simulaciones múltiples con aleatoriedad o procesos estocásticos incluidos, como en los modelos de eficacia de intervención de Hellewell y Aleta. Menos frecuente, pero igualmente importante, es la incertidumbre asociada con la estructura del modelo en sí misma: el grado en que nuestra descripción de la transmisión refleja la verdad sobre cómo se propaga el virus. Juntas, estas incertidumbres reflejan lagunas de datos e incertidumbres inherentes sobre el comportamiento humano y las intervenciones futuras.

Tres parámetros del modelo en particular limitan nuestra capacidad de predecir el futuro de la pandemia de Covid-19. Primero, seguimos sin estar seguros acerca del alcance de la inmunidad protectora. 4 4Si la infección por SARS-CoV-2 produce una inmunidad fuerte y duradera, entonces el riesgo de brotes anuales recurrentes es menor. Si hay una disminución, solo parcialmente protectora, o no hay inmunidad, entonces las epidemias pueden reaparecer con frecuencia o estacionalmente, como explora el modelo de Kissler. La mayoría de los modelos (como los modelos Ferguson, Aleta y Hellewell) suponen que la inmunidad protege completamente contra la infección durante al menos un año o dos, a menudo la duración de la simulación. Hasta que tengamos mejores datos sobre la cinética de los anticuerpos y la protección contra la reinfección, los modelos serán útiles para explorar posibilidades en lugar de hacer predicciones sólidas sobre la dinámica de la enfermedad a largo plazo.

En segundo lugar, el grado de transmisión e inmunidad entre las personas con síntomas nulos o mínimos (incluidos los niños) desempeña un papel importante en las predicciones: si hay muy poca infección asintomática, probablemente todavía estamos lejos del pico epidémico. Si hay mucha transmisión asintomática, hay muchos casos no observados, pero podemos estar más avanzados en la curva epidémica de lo que pensábamos, asumiendo cierta inmunidad protectora. Las encuestas serológicas cuidadosamente diseñadas aclararán este problema, pero mientras tanto, los modelos varían en sus supuestos, afectando principalmente las estimaciones sobre el momento pico y la duración de la epidemia.

Para ver el artículo completo dar clic en el siguiente enlace:

https://www.nejm.org/doi/full/10.1056/NEJMp2016822?query=TOC