Coronavirus: ¿Qué predicen los científicos sobre el pico de la pandemia en la Argentina?

Hace algunas semanas, ante una posible saturación por la pandemia de las capacidades de su hospital, El Cruce, en Florencio Varela, la neurocientífica e investigadora del Conicet Silvia Kochen se comunicó con investigadores de la Facultad de Ciencias Exactas de la UBA para pedirles que desarrollaran un sistema que permitiera optimizar el uso de los recursos sanitarios. Diez días más tarde, ya estaba listo y en este momento se utiliza para administrar eficientemente los recursos de El Cruce y otros nueve hospitales de la zona.

Este desarrollo, de Inés Caridi y Leonardo Boechi, del Instituto de Cálculo, es solo uno de los ejemplos de numerosos modelos, simulaciones y prototipos que, con distinto grado de avance, está preparando un grupo de más de 50 matemáticos, estadísticos y científicos de datos de la UBA con colaboradores de la Universidad Nacional de San Martín, de Quilmes y de General Sarmiento, entre otras.

Uno de los resultados interesantes que surge de las simulaciones es que, si la situación no varía sustancialmente y si se implementan ciertas estrategias, no se produciría el famoso "pico" con miles de casos, sino una sucesión de pequeñas elevaciones "administradas" producto de intervenciones, pero de órdenes de magnitud muy inferiores a lo que se imagina como el pico natural de la epidemia.

"Armamos varios grupos pensando en las capacidades que tenemos para aportar al trabajo en la pandemia –cuenta Diego Garbervetsky, subdirector del Instituto de Ciencias de la Computación y coordinador del grupo (junto con Willy Durán, director del Instituto de Cálculo)–. Algunos son muy fuertes en temas de probabilidades, como el que dirigen Victor Yohai (premio Bunge y Born), Ana Bianco y Graciela Boente, que sigue temas de estadística aplicada. Otros investigan en modelado numérico, simulaciones a escala nacional, otros que trabajan más en teoría de grafos y redes para hacer estos modelos en el nivel ‘micro’; es decir, que pueden ser aplicados en barrios, localidades, asentamientos. Son herramientas muy potentes para asistir en la toma de decisiones".

Los estadísticos aplican diferentes métodos para hacer lo que se llama "clustering", que permite analizar, por ejemplo, a qué país de los que ya pasaron por distintas etapas se parece más la Argentina y así entender hacia dónde puede ir la curva. Otros se ocupan de calcular, para las simulaciones, lo que se llama "intervalos de confianza" para lograr mayor robustez estadística. También trabajan en "machine learning", que puede ayudar con el triage (o cribado, que es la clasificación rápida de urgencias). "Ahora no, porque la situación está controlada, pero si tuviéramos 10.000 ingresos por día se necesitaría asistencia computacional –dice Garbervetsky–. Otro prototipo muy importante es el que analiza las comorbilidades y da un estimador, con cierto margen de error que se va mejorando con el tiempo, de cuál es la chance de que esa persona necesite un respirador o internación en terapia intensiva. Todo esto puede ayudar a predecir qué necesidades habrá por zonas o a hacer un diagnóstico asistido. Siempre pensando en lo peor, aunque por supuesto uno desea que no pase nada".

La idea de los científicos es tener todos estos instrumentos listos para el momento en que podría ser necesarios. "En un par de semanas o menos de un mes podemos estar en condiciones de dar respuestas relevantes y útiles –afirma Rodrigo Castro, director del Laboratorio de Simulación–. Hay preguntas que podemos responder muy rápido".

Escenarios hipotéticos

En particular, el grupo de Castro desarrolló varios miles de escenarios hipotéticos con aislamiento intermitente o alternado de distinta cantidad de días de acuerdo con el índice de reproducción (el famoso número R0, que indica a cuántas personas un portador puede transmitirle el virus). "Uno le pide al modelo que los analice y nos diga cuál es compatible con el requisito de que no se sature el sistema de salud –explica el investigador–. En este caso, el objetivo no es erradicar la epidemia, sino mantenerse por debajo de la capacidad del sistema sanitario". Para encarar estas preguntas en forma interdisciplinaria, el Laboratorio de Simulación del ICC colabora con investigadores en epidemiología clínica y salud pública del Instituto de Efectividad Clínica y Sanitaria (IECS).

Una simulación es un modelo simplificado de un cierto fenómeno que nos permite analizar distintos comportamientos para tomar decisiones informadas. En el caso de la propagación de la pandemia de Covid-19 en la Argentina, el hecho de que en otros países el brote se había iniciado antes permitió ir teniendo estimaciones valiosas del comportamiento del patógeno en otras sociedades, otros climas, y otros estilos de manejo político de la situación.

"En nuestro grupo, decidimos adecuar una variedad de modelos con los que investigamos usualmente para dar respuesta a un conjunto de preguntas relevantes –destaca Castro–. Una de las primeras fue si era posible mantener la epidemia bajo control sin saturar el sistema de salud aplicando una única intervención de aislamiento de duración muy larga. Y si la respuesta fuera negativa, ¿cuál sería una alternativa viable?".

Esto depende fuertemente de la cantidad de infectados diarios (el R, o número de reproducción). Si el R es mayor (>) que 1 la cantidad de infectados crece más rápido que la de recuperados. Este escenario es conocido como "mitigación", y es lo que podemos asociar con la idea de "aplanar la curva", y para distintos valores de R0 corresponderán distintas fechas para los picos de esta curva. En cualquier caso de R>1 el crecimiento sigue siendo exponencial, solo que se suaviza tanto la velocidad del crecimiento que en una ventana de tiempo de pocos días puede parecer como un crecimiento suave.

Si es R=1 la cantidad de nuevos infectados diariamente se equipara con la de personas que dejan de estarlo, lo que equivale a decir que el "stock" de infectados activos se mantiene constante. En este escenario, la curva de infectados activos queda (idealmente) plana. Esto elimina la noción de pico, porque la curva de infectados activos no crece.

Si es R es menor (<) que 1 la curva decrece y estamos en un escenario de "supresión". Idealmente esta situación haría tender la cantidad de infectados a cero, pero no hay que confundirlo con haber eliminado la epidemia, ya que al no haber conseguido inmunidad de grupo ni contar al momento con una vacuna, ni bien se libere la medida de supresión el proceso comenzaría nuevamente con su carácter exponencial.

"Diversos escenarios que consideran a R en un rango cercano a 1 (por ejemplo entre 0,85 y 1.15) –detalla Castro–, muestran que, de liberarse abruptamente el distanciamiento social hacia fines de abril y si se regresara a valores de R en torno de 3.5, como los previos al aislamiento, la dinámica retomaría una velocidad de crecimiento que haría saturar el sistema sanitario. Con una capacidad efectiva de camas de terapia intensiva para pacientes Covid-19 de aproximadamente 5000, se superaría la capacidad de las unidades de terapia intensiva a mediados de mayo. Varios otros escenarios con valores de R poscuarentena que consideren un comportamiento de distanciamiento social administrado (por ejemplo mitigaciones administradas con flexibilizaciones que representen un R equivalente de 1,5) dan como resultado que la demanda se superaría hacia mediados de junio. Si se ampliase la capacidad en un 50%, estas fechas se moverían solo una o dos semanas hacia el futuro. Es decir, nuestra conclusión parcial es que la estrategia de mitigación actual, exitosa hasta el momento, no es compatible en lo sanitario con un relajamiento en el corto plazo".

Posibles alternativas

Al mismo tiempo, un aislamiento indefinido es poco realista desde el punto de vista social y económico. ¿Cuál sería una alternativa viable?

"Analizamos los aislamientos administrados e intermitentes, una idea ya sugerida por investigadores del Imperial College de Londres a mediados de marzo –continúa el científico–. Se trata de administrar ventanas de tiempo intermitentes de mitigación y de supresión. Por ejemplo, entre dos y tres semanas de un tipo, seguidas por dos o tres de otro tipo. Las duraciones no tienen porqué ser iguales, e incluso podrían ir adaptándose a lo largo del el tiempo. Con este enfoque se podría hacer descender la curva lo suficiente como para aliviar la demanda del sistema sanitario e implementar reactivaciones moderadas y administradas de la actividad socioeconómica. Estos análisis tendrían que ser complementados con estrategias de selectividad geográfica. Es decir, diferentes localidades con distintas necesidades y estructuras socioeconómicas pueden ser administradas de manera tal que las ventanas de tiempo se adapten de manera razonable a esas poblaciones, manteniendo un control importante sobre las vías de comunicación entre ciudades".

Los equipos de investigadores y muchos de los becarios dejaron de lado sus papers y están ciento por ciento dedicados a esto. Y lo más importante, ponen sus habilidades a disposición de quienes las necesiten. "Estos modelos y herramientas de simulación están a disposición de todas las administraciones, desde las municipales hasta la nacional, para complementar la batería de recursos disponibles para asesorar la toma de decisiones y la definición de políticas públicas. Nuestro objetivo es ayudar", resume Garbervetsky.