¿Cuánto se puede confiar en gráficos, modelos matemáticos y simulaciones de una enfermedad de la que tan poco se conocé

Todos los modelos están equivocados, pero algunos son útiles”, aseguraba en 1976 el estadístico británico George Box, uno de los más influyentes del siglo XX. El desafío es saber cuáles. La irrupción de la pandemia de COVID-19 provocó una explosión de curvas, modelos matemáticos y simulaciones de computadora para registrar, comparar y anticipar la evolución de la pandemia en los distintos países, con un protagonismo en medios y redes sociales que muy pocos podrían haber anticipado. La expresión “aplanar la curva” permeó en el lenguaje de los políticos y médicos y guió decisiones sanitarias críticas. Los gráficos y las proyecciones orientan sobre la eficacia de las medidas tomadas, la inminencia del pico o incluso las mejores estrategias para salir de la cuarentena. Pero, ¿cuán confiables son sus predicciones? ¿cuán manipulables pueden ser los datos que se muestrañ ¿cuáles son los resguardos a la hora de interpretarlos?

La matemática Lester Caudill, profesora de la Universidad de Richmond, Estados Unidos, aclara en The Conversation que los modelos matemáticos sobre la diseminación de infecciones son “versiones simplificadas de la realidad”. Y que modelar la expansión de COVID-19 es particularmente desafiante, debido a que, simplemente, los investigadores saben muy poco sobre la enfermedad. “¿Cuáles son las diferentes maneras en que puede transferirse entre personas? ¿Cuánto tiempo vive sobre picaportes o cajas de envíos de Amazoñ ¿Cuánto tiempo pasa desde el momento en que el virus entra al cuerpo de una persona hasta que esa persona es capaz de transmitirla a otrá”, se pregunta. 

“No es posible usar las simulaciones como se usa un modelo mecánico para predecir una trayectoria”, explica a FORBES Guillermo Abramson, doctor en física estadística e interdisciplinaria del Centro Atómico Bariloche y del Instituto Balseiro, quien actualmente forma parte de un grupo de estudio de la pandemia. 

Mirá los datos y estadísticas clave del

coronavirus en Argentina en este link.

“Los modelos, además, necesitan parámetros. ¿Y de dónde salen los valores de los parámetros? COVID-19 es una enfermedad nueva. A nosotros nos llegó un poco más tarde, así que tenemos acceso a los datos de lo que ocurrió en China, y a lo que está ocurriendo en Europa. Pero aun así hay muchas cosas que todavía se ignoran, cosas que sólo podrán saberse cuando se analice, en el futuro, el evento completo”, agrega Abramson. 

Los modelos también se enriquecen y ajustan más a la realidad en función de la aparición de nuevos datos. “La idea nuestra no es hacer futurología, sino presentar un abanico de opciones para la toma de decisiones”, declaró la codirectora del Centro Universitario de estudios en Salud, Economía y Bienestar de la Universidad Nacional del Comahue, Laura Lamfre, quien junto a colegas docentes provenientes del campo de la medicina, la matemática, la economía, la ingeniería y la estadística aplicada desarrolló un modelo de predicción local del número de infectados y de la necesidad de camas de internación y terapia intensiva.

Previo a la implementación de la cuarentena en Argentina, fueron también modelos del Ministerio de Salud los que, de acuerdo con lo que informó Alberto Fernández en conferencia de prensa el pasado viernes 9, proyectaban (en su escenario más pesimista) que para esa fecha podría haber 45.000 infectados con COVID-9 en Argentina y un 83% de ocupación de camas públicas de cuidados intensivos.  En la realidad, los números resultaron ser mucho mejores, pero el modelo sirvió como testigo posible de “lo que podría haber pasado”.  

Tensiones políticas alrededor de las curvas

El presidente también utilizó curvas de casos en función del tiempo para mostrar el crecimiento de contagios y decesos en el país y establecer comparaciones con la situación de otros países. Sin embargo, algunos de ellos no fueron bien diseñados, asegura en diálogo con FORBES Juan Andrés Fraire, un investigador del CONICET en la Universidad Nacional de Córdoba que, desde el inicio de la pandemia en el país, comenzó a elaborar y publicar en su cuenta de Twitter gráficos diarios de la evolución del COVID-19 a partir de los reportes diarios del Ministerio de Salud. Y que se transformaron en un éxito en las redes sociales.“Un problema de las curvas es cuando, casi hasta tres cuartas partes del eje horizontal (que es la línea de tiempo), los datos están acostados sobre ese eje y se solapan, no aportan información al receptor”, explica Fraire, un doctor en ciencia aplicadas que trabaja en el análisis de datos masivos para comunicaciones satelitales. “El problema es que se eligió mal la escala o el momento a partir del cual construir el gráfico”.

Otra disputa alrededor de los gráficos es que, para mostrar la evolución de una epidemia, que son fenómenos naturalmente exponenciales, las buenas prácticas científicas sugieren usar la escala logarítmica para reflejar el aumento de casos. “Esa escala es la que permite ver el detalle de lo que está sucediendo”, sostiene Fraire. En la escala logarítmica, la distancia entre 10 y 100 es la misma que hay entre 100 y 1000, por lo que los datos se “aplastan” en la parte de arriba del eje vertical. Sin embargo, los desconfiados sospechan que esa manera de graficar pretende diluir o atenuar el impacto de ver una curva de contagios que crece de manera tan pronunciada. 

Por último, Fraire cree que las comparaciones de curvas entre distintos países pueden ser algo injustas o engañosas, debido a que no todos están en el mismo momento de la pandemia. De todas maneras, él insiste en que aporta datos, no interpretaciones. 

Aun así, con todas las limitaciones, tanto las curvas y gráficos como los modelos son necesarios. Los primeros ayudan a sintetizar información de manera visual y persuasiva. Por su parte, “los modelos matemáticos de sistemas epidemiológicos no son bolas de cristal”, reflexiona Abramson, “pero sirven para pensar en las cosas de manera sistemática, para plantear escenarios, para analizar posibilidades y para hacer ?experimentos? que no se pueden hacer en el mundo real”.

A modo de ejemplo: este sábado 18, un modelo compartido en el servidor de preimpresión sin revisión por pares medRxiv proyecta que, para salir de la cuarentena en un país como Alemania, sin sobrepasar la capacidad de respuesta del sistema de salud, y asumiendo que no habrá antes una vacuna, se requieren nueve ciclos de “aislamientos” cortos y “liberación” en los próximos dos a tres años hasta alcanzar la inmunidad de rebaño, esto es, cuando la mayoría de la población ya tiene defensas que cortan la circulación viral.  Según los autores de Erlangen, Baviera, la cantidad de personas que pueden ser excluidas de esos confinamientos periódicos pueden rondar los 5 millones si se implementan testeos masivos de anticuerpos.

Nadie puede asegurar que los números sean precisos, pero son la mejor brújula que tenemos a la hora de tomar medidas. Completa la matemática Caudill: “Aunque los modelos de infecciones pueden proveer una perspectiva de lo que depara el futuro, son mucho más valiosos cuando ayudan a responder de qué manera las políticas pueden alterar ese futuro”. Justo lo que ahora más se necesita.

Por Matías Loewy (con Sofía Polcowñuk)