Un equipo internacional de investigadores ha desarrollado una nueva herramienta matemática que podría ayudar a los científicos a entregar predicciones más precisas de cómo las enfermedades, incluido COVID-19, se propagan por pueblos y ciudades de todo el mundo.
Rebecca Morrison, profesora asistente de ciencias de la computación en la Universidad de Colorado Boulder, dirigió la investigación. Durante años, ha dirigido un taller de reparación de modelos matemáticos, esas cadenas de ecuaciones y suposiciones que los científicos usan para comprender mejorel mundo que los rodea, desde la trayectoria del cambio climático hasta cómo se queman los productos químicos en una explosión.
Como dijo Morrison, "Mi trabajo comienza cuando los modelos comienzan a fallar"
Ella y sus colegas recientemente se fijaron en un nuevo desafío: los modelos epidemiológicos. ¿Qué pueden hacer los investigadores, en otras palabras, cuando sus pronósticos de propagación de enfermedades infecciosas no coinciden con la realidad?
En un estudio publicado hoy en la revista Caos , Morrison y el matemático brasileño Americo Cunha recurrieron al brote de 2016 del virus Zika como un caso de prueba. Informan que un nuevo tipo de herramienta llamada "operador de discrepancia incrustado" podría ayudar a los científicos a corregir modelos que no alcanzansus objetivos: alinear efectivamente los resultados del modelo con los datos del mundo real.
Morrison señala rápidamente que los hallazgos de su grupo son específicos del Zika. Pero el equipo ya está tratando de adaptar sus métodos para ayudar a los investigadores a adelantarse a un segundo virus, COVID-19.
"No creo que esta herramienta vaya a resolver ninguna crisis epidemiológica por sí sola", dijo Morrison. "Pero espero que sea otra herramienta en el arsenal de epidemiólogos y modeladores que avancen".
cuando los modelos fallan
El estudio destaca un problema común que enfrentan los modeladores.
"Hay muy pocas situaciones en las que un modelo se corresponde perfectamente con la realidad. Por definición, los modelos se simplifican de la realidad", dijo Morrison. "De alguna manera u otra, todos los modelos están equivocados".
Cunha, profesor asistente en la Universidad Estatal de Río de Janeiro, y sus colegas se encontraron con ese mismo problema hace varios años. Intentaron adaptar un tipo común de modelo de enfermedad, llamado Susceptible, Expuesto, Infectado o Recuperado Modelo SEIR: para recrear el brote del virus del Zika de principio a fin. En 2015 y 2016, este patógeno se extendió por Brasil y otras partes del mundo, causando miles de casos de defectos congénitos graves en los bebés.
El problema: no importa lo que intentaron los investigadores, sus resultados no coincidieron con el número registrado de casos de Zika, en algunos casos calcularon erróneamente el número de personas infectadas por decenas de miles.
Tal déficit no es infrecuente, dijo Cunha.
"Las acciones que tome hoy afectarán el curso de la enfermedad", dijo. "Pero no verá los resultados de esa acción durante una semana o incluso un mes. Este efecto de retroalimentación es extremadamente difícil de capturar en unmodelo."
En lugar de abandonar el proyecto, Cunha y Morrison se unieron para ver si podían arreglar el modelo. Específicamente, preguntaron: si el modelo no estaba replicando datos del mundo real, ¿podrían usar esos datos para crear un modelo mejor?
Ingrese el operador de discrepancia incrustado. Puede imaginar esta herramienta, que Morrison desarrolló por primera vez para estudiar la física de la combustión, como una especie de espía que se encuentra dentro de las entrañas de un modelo. Cuando los investigadores introducen datos en la herramienta, ve yresponde a la información, luego reescribe las ecuaciones subyacentes del modelo para que coincida mejor con la realidad.
"A veces, no sabemos las ecuaciones correctas para usar en un modelo", dijo Cunha. "La idea detrás de esta herramienta es agregar una corrección a nuestras ecuaciones".
El método funcionó. Después de dejar que su operador hiciera lo suyo, Morrison y Cunha descubrieron que casi habían eliminado la brecha entre los resultados del modelo y los registros de salud pública.
Siendo honesto
El equipo no se detiene en Zika. Morrison y Cunha ya están trabajando para implementar su misma estrategia para tratar de mejorar los modelos de la pandemia de coronavirus.
Morrison duda de que algún modelo de enfermedad sea 100% exacto. Pero, dijo, estas herramientas siguen siendo invaluables para informar las decisiones de salud pública, especialmente si los modeladores son francos sobre lo que sus resultados pueden o no decirle sobreuna enfermedad.
"Esta epidemia ha revelado lo difícil que es modelar un sistema real", dijo Morrison. "Pero espero que la gente no tome eso como que no debemos confiar en nuestros científicos".
Fuente de la historia :
Materiales proporcionado por Universidad de Colorado en Boulder . Original escrito por Daniel Strain. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :