Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Trabajo final de grado Ingeniería de Sistemas Biológicos Cómo los modelos computacionales permiten representar la epidemia de COVID-19, ayudando en la comprensión de su dinámica y en la evaluación de estrategias de control Autor: Ricardo dos Santos Ribeiro Tutora: Marta Ginovart Gisbert 1 de julio de 2022 Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 1 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Resumen Tras haber superado la peor fase de la pandemia de COVID-19 (enfermedad contagiosa causada por el coronavirus SARS‐CoV‐2), e inmersos en una crisis sanitaria y socioeconómica sin precedentes, la presencia de modelos en los diferentes medios de comunicación fue, y es, recurrente e importante. Nos presentan gráficos, tablas de cifras y porcentajes, nos dibujan curvas y nos hablan de la forma de estas curvas, y nos explican la existencia y desarrollo de diferentes tipos de modelos para hacer estimaciones de parámetros epidemiológicos y predicciones futuras. Una epidemia o la aparición generalizada de una enfermedad infecciosa en una comunidad en un momento determinado es un proceso dinámico y, por tanto, susceptible de ser modelizado o representado mediante estrategias o perspectivas diversas. El objetivo final de este trabajo es elaborar un modelo computacional basado en agentes, o basado en el individuo, que permita abordar el estudio de esta epidemia representando de forma aproximada una población con individuos infectados, para ayudar en la comprensión de las evoluciones temporales de un conjunto de variables ligadas a las dinámicas observadas, y facilitar el ensayo de diferentes estrategias de actuación para su control. Se ha elaborado una breve introducción sobre la historia de la epidemiología, algunas de las enfermedades infecciosas más famosas de la historia, sus efectos sobre las sociedades humanas y los avances de la medicina moderna, con el fin de comparar con aspectos específicos de la COVID-19. Se han introducido algunas ideas sobre distintas perspectivas de modelización, y se han presentado algunos de los modelos utilizados recientemente en el ámbito de la epidemiología, especialmente aquellos que conciernen al estudio de la COVID-19. Se ha diseñado un modelo basado en el individuo para representar la propagación de la COVID-19 y se ha implementado en el entorno de programación NetLogo, obteniendo un simulador que es una buena herramienta para avanzar en la comprensión de la dinámica de la epidemia, valorar estrategias de control, y ensayar distintos escenarios de simulación. Los experimentos virtuales realizados con el simulador (calibrado para representar de forma aproximada la población de l’Arboç) muestran resultados compatibles con la realidad observada, y han permitido valorar distintos efectos a nivel de población de las estrategias de control diseñadas y aplicadas sobre los individuos que la configuran. El simulador construido se prevé tenga un valor pedagógico al ser utilizado en el ámbito académico para la divulgación del funcionamiento de una epidemia y su posible control, y pueda ser un precursor de un modelo útil en el ámbito de la investigación epidemiológica de la COVID-19. 2 _______________________________________________________________________ Resum Després d’haver superat la pitjor fase de la pandèmia de COVID-19 (malaltia contagiosa causada per el coronavirus SARS-CoV-2), immersos en una crisis sanitària i socioeconòmica sense precedents, la presencia de models en diferents mitjans de comunicació ha sigut i segueix sent recurrent i important. Ens presenten gràfiques, taules amb xifres i percentatges, dibuixos de corbes i textos sobre la seva forma, ens expliquen la existència de diferents tipus de models i paràmetres epidemiològics i intenten predir el futur de la pandèmia. Una epidèmia o l’aparició generalitzada d’una malaltia infecciosa en un moment determinat és un procés dinàmic i, per tant, susceptible de ser modelitzat o representat mitjançant estratègies o perspectives directes. L’objectiu final d’aquest treball és elaborar un model computacional basat en agents, o basat en l’individu, que permeti abordar l’estudi d’aquesta epidèmia representant de forma aproximada una població amb individus infectats, per ajudar en la comprensió de les evoluciones temporals d’un conjunt de variables lligades a les dinàmiques observades, i facilitar l’assaig de diferents estratègies d’actuació per al seu control. S’ha elaborat una breu introducció sobre l’historia de la epidemiologia, algunes de les malalties infeccioses més famoses de l’historia, els seus efectes sobre les societats humanes i els avanços de la medicina moderna, amb la finalitat de comparar amb aspectes específics de la COVID-19. S’han introduït algunes idees sobre diferents perspectives de modelització, i s’han presentat alguns dels models utilitzats recentment en l’àmbit de l’epidemiologia, especialment aquells relacionats amb l’estudi de la COVID-19. S’ha dissenyat un model basat en l’individu per representar la propagació de la COVID-19 i s’ha implementat en l’entorn de programació NetLogo, obtenint un simulador que és una bona eina de per avançar en la comprensió de la dinàmica de la epidèmia, valorar estratègies de control i assajar diferents escenaris de simulació. Els experiments virtuals realitzats amb el simulador (calibrat per representar de forma aproximada el poble de l’Arboç) mostren resultats compatibles amb la realitat observada, i han permès valorar diferents efectes a nivell poblacional de les estratègies de control dissenyades i aplicades sobre els individus que la configuren. Es preveu que el simulador desenvolupat tingui un valor pedagògic en ser utilitzat en l’àmbit acadèmic per la divulgació del funcionament d’una epidèmia i el seu possible control, i pugui ser un precursor d’un model útil en l’àmbit de la investigació epidemiològica de la COVID- 19. Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 3 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Abstract After overcoming the COVID-19 pandemic (a disease caused by the coronavirus SARS- CoV-2) and a huge unprecedented sanitary and socioeconomic crisis, computational models were and still are everywhere in the social media. They show us graphics, tables, numbers, percentages, curves and explain about these curves shapes and forms, and explain the existence of different models and epidemiologic parameters used to understand and predict the evolution of the pandemic. An epidemic (as any other infectious disease outbreak) in a community at a defined moment is a dynamic process and therefore can be modelized and studied. There’s a great variety of methods or types of models classified according to multiple criteria. The decision of which kind of model is the most appropriate depends on the objectives of the study and the available information. The main objective of this work is to develop a computational agent-based or individual- based model that allows the study of this epidemic, representing a virtual population with infected individuals, to help in the comprehension of the evolution over time of different variables linked to the observed dynamics, and to facilitate the experimentation with different control strategies. A brief introduction was elaborated about the history of epidemiology, some of the most famous infectious diseases of all time, their effects over human societies and the advances of modern medicine, all to compare with specific characteristicsof COVID-19. Some ideas were introduced about different modelling perspectives, and some of the most recent models used to study both epidemiology and specially COVID-19. An individual-based model was designed to represent COVID-19 and it was later implemented into the NetLogo programming environment, creating a simulator that can be a good tool to advance in the comprehension of the epidemic dynamics, evaluate control strategies and try different simulation scenarios. The virtual experiments done with the simulator (calibrated to represent the town of l’Arboç) shows results comparable with reality, and allowed to evaluate the different effects of individual restrictions in a populational level. The simulator built is supposed to have a pedagogic value when used in the academic context, for the divulgation of how an epidemic works and how is it possible to control, and may be a useful resource in the epidemiological investigation about COVID-19. 4 _______________________________________________________________________ Índice Resumen ............................................................................................................................. 1 Resum ................................................................................................................................. 2 Abstract .............................................................................................................................. 3 Introducción ........................................................................................................................ 6 Algunas epidemias de la historia .............................................................................................. 6 La peste negra del siglo XIV ...................................................................................... 6 La gripe española ...................................................................................................... 7 VIH o SIDA ................................................................................................................. 8 La viruela................................................................................................................... 9 Historia de la vacunación ........................................................................................................ 10 La COVID-19 ............................................................................................................................ 11 Contexto histórico ................................................................................................... 11 Definición, estructura y mecanismo de acción ....................................................... 13 Mecanismos de contagio ........................................................................................ 15 Síntomas y letalidad ............................................................................................... 15 Modelos en epidemiología ..................................................................................................... 17 Introducción a la modelización ............................................................................... 17 Modelos SIR y variantes .......................................................................................... 18 Modelos computacionales ...................................................................................... 20 Objetivos ........................................................................................................................... 22 Modelos utilizados para estudiar la COVID-19 .................................................................... 23 Modelos basados en ecuaciones diferenciales ....................................................................... 23 Modelos empíricos y predictivos ............................................................................................ 26 Modelo mecanicista ................................................................................................................ 28 Algunos modelos basados en agentes .................................................................................... 32 Modelo de K. Li et al. .............................................................................................. 32 Modelo Virus de NetLogo ....................................................................................... 34 Modelo EpiDEM de NetLogo ................................................................................... 35 Modelo de VIH de NetLogo ..................................................................................... 35 Modelo argentino ................................................................................................... 36 El protocolo ODD. ¿Qué es y para qué sirve? ......................................................................... 39 Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 5 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech La construcción de un nuevo modelo basado en el individuo implementado en NetLogo ..... 40 Visión general ......................................................................................................................... 40 Propósito ................................................................................................................. 40 Entidades, escalas y variables de estado ................................................................ 40 Programación ......................................................................................................... 42 Conceptos del diseño .............................................................................................................. 44 Principios básicos .................................................................................................... 44 Interacción .............................................................................................................. 44 Aleatoriedad ........................................................................................................... 45 Observación ............................................................................................................ 46 Detalles ................................................................................................................................... 47 Inicialización ........................................................................................................... 47 Submodelos............................................................................................................. 48 Resultados y discusión ....................................................................................................... 55 Outputs del simulador ............................................................................................................ 55 Experimento 0: Replicación .................................................................................................... 58 Experimento 1: La infecciosidad ............................................................................................. 62 Experimento 2: La cantidad de movimiento ........................................................................... 65 Experimento 3: Incorporación de medidas de restricción ...................................................... 67 Experimento 4: Replicando con medidas de restricción ordenadas cronológicamente ........ 69 Discusión general .................................................................................................................... 74 Conclusiones .....................................................................................................................76 Referencias ....................................................................................................................... 77 ANEJO 1: GLOSARIO DE EPIDEMIOLOGÍA Y MODELIZACIÓN ................................................ 83 Epidemia y pandemia ............................................................................................. 84 Prevalencia e incidencia.......................................................................................... 84 R0 o número de reproducción básico ...................................................................... 84 Rt o ritmo reproductivo efectivo ............................................................................. 85 Inmunidad de rebaño ............................................................................................. 86 ANEJO 2: CÓDIGO DEL PROGRAMA DE NETLOGO................................................................ 89 ANEJO 3: INTERFAZ DEL PROGRAMA DE NETLOGO ........................................................... 100 6 _______________________________________________________________________ Introducción El tema para el trabajo final de grado puede ser una decisión sumamente difícil. Es el final de una etapa, y un trabajo en el que se suele invertir mucho tiempo y esfuerzo. Por esos motivos quise relacionar este trabajo con los temas que más interesantes me resultaron a lo largo de esta carrera —la programación, la modelización, la estadística y las matemáticas. Por otro lado, quería tratar el que quizá es el tema más importante de la actualidad, la pandemia de COVID-19, provocada por el SARS-CoV-2, que está provocando cambios en las sociedades de todo el mundo. La atención de los medios de comunicación y los estudios realizados sobre la evolución de esta pandemia son temas que tratan muchos de los trabajos de los ámbitos de la modelización y la simulación En la introducción de este trabajo explicaré los conceptos básicos y el contexto necesario para entender la epidemiología y la modelización. Haré un recorrido inicial por las principales epidemias de la historia de la humanidad para después dar un resumen sobre la solución preventiva moderna que se encontró para solucionar estas epidemias: la vacunación. Tras esta breve introducción, se presenta un resumen sobre la COVID-19 y sus principales características para enlazarlo con una introducción a la modelización orientada a la epidemiología y a la COVID-19. Al final, en el Anejo 1, se encuentra un apartado con un glosario para explicar los principales términos y conceptos relacionados con la epidemiología. Algunas epidemias de la historia No está de más recordar, antes de empezar, algunos conceptos asociados a las epidemias que la humanidad vivió a lo largo de su historia, para luego trabajar sobre la que nos concierne en este momento, la COVID-19, habiendo previamente conocido otras que nos servirán para comparar y aprender sobre su funcionamiento. En el Anejo 1 podemos encontrar la diferencia que existe entre pandemia y epidemia. La peste negra del siglo XIV Una de las enfermedades más discutidas en los libros de historia es la peste negra. Se piensa que esta fue la epidemia más mortífera de la historia de la humanidad pues, según indican los estudios habría matado entre 50 y 200 millones de personas a nivel europeo, asiático y en parte de África. Esto significa que, en la más positiva de las estimaciones habría cobrado tantas víctimas como la gripe española del pasado siglo, Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 7 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech pero cabe recordar que la población mundial de la edad media era mucho más reducida que la de la época de la gripe española. A diferencia de la pandemia de SARS-CoV-2, la peste negra no estaba provocada por un virus sino por una cepa especialmente contagiosa y agresiva del bacilo Yersinia pestis, la misma bacteria de la peste bubónica. A pesar de no haber consenso sobre el origen y vectores de contagio exactos de la peste negra, las principales teorías apuntan a que habría surgido en oriente y que el principal vector de contagio serían las ratas y otros roedores. Sin embargo, con el pasar de los años, la peste desapareció; algunos científicos creen que la rata migratoria procedente de Asia sustituyó al final a la rata común y que la primera tiene menos contacto con los seres humanos por el simple hecho de ser más tímida. Otros opinan que la variante tan agresiva y mortífera acabó siendo desplazada por otras cepas. Casi todos están de acuerdo en que el fin de la peste coincidió con la mejora de la higiene personal y de las condiciones de vida de las personas (Sánchez- David, 2008). La gripe española Al contrario de la anterior mencionada peste negra, y a semejanza de la SARS-CoV-2, la gripe española, como todas las gripes, se trata de un virus. Los síntomas de la gripe fueron descritos por la humanidad hace ya 2.400 años por Hipócrates, así que no se trata de algo nuevo. La gripe española guarda muchas semejanzas con otras variedades de gripe, e incluso con el SARS-CoV-2. Se piensa que esta enfermedad se convirtió en pandemia debido a los movimientos de tropa que había en Europa en la época de la Primera Guerra Mundial. Debido al mismo motivo, casi todos los países de Europa decidieron ignorar u ocultar la existencia de la enfermedad, mientras España, por ser neutral durante esa guerra, le prestó más atención en los medios de comunicación. Por ese motivo se le llama gripe española, a pesar de haber aparecido probablemente en EEUU. La diferencia entre epidemia y pandemia estriba en la extensión de la enfermedad. Una pandemia es una epidemia que se ha extendido a un espacio geográfico mayor. Para combatir el gran brote de gripe española de 1918 algunos países decidieron mejorar las condiciones sanitarias de sus ciudades y controlar la entrada de inmigrantes en los mismos países. Se usaba como método de prevención limpiezas con fenol, creolina (un derivado del petróleo que también se usa de insecticida) y bicloruro de mercurio. También se recomendaba lavar la boca con agua oxigenada. A día de hoy, sin embargo, podemos contar con métodos más seguros y eficaces para combatir y controlar una pandemia vírica como la del 1918. En el caso del SARS-CoV-2 8 _______________________________________________________________________ vemos que, a pesar de la desventaja de que las poblaciones se muevan con mayor facilidad, actuando como vectores de contagio con mayor eficiencia, las vacunas han sido desarrolladas y administradas en tiempo récord. En el caso de la pandemia de gripe española no se encontró una vacuna efectiva hasta 1945 (Lüthy et al., 2018). VIH o SIDA El VIH (virus de la inmunodeficiencia humana) o SIDA (síndrome de inmunodeficiencia adquirida) es una de las enfermedades contagiosas más conocidas y recientes. Fue descubierta en el siglo pasado y, al contrario de las enfermedades anteriormente mencionadas, y aquella que nos concierne a lo largo de este trabajo, el VIH es un virus transmitido sexualmente. En este caso, los métodos usados para controlar la propagación de la enfermedad son básicamente la abstinencia sexual o el uso de protección eficaz (el preservativo). También pueden darse casos por transfusiones de sangre, pero estas son menos habituales en España puesto que existe un sistema de seguridad hematológica (la sangre donada siempre es testada para evitar estos contagios). Esta enfermedad ataca el sistema inmune humano haciendo que el individuo infectado padezca otras enfermedades que una persona con el sistema inmune sano no padecería. A pesar de que la vacuna sigue enfase experimental, al ser un retrovirus el VIH es difícil de comparar con el SARS-CoV-2. La diferencia principal entre un retrovirus como el VIH y un coronavirus como el SARS-CoV-2 está en su estructura y mecanismos a nivel microscópico. En el apartado dedicado a la COVID-19, se explica la estructura y mecanismo de acción del SARS-CoV-2. Ambos están compuestos por una cadena monocatenaria de ARN, envuelta normalmente por una cápside y una envoltura proteica. Pero mientras el SARS-CoV-2, al entrar en la célula, suelta el ARN y usa los ribosomas de la célula para replicarse, el VIH tiene además una transcriptasa inversa que usa para insertar la información genética en la célula que procederá a parasitar. Es decir, esta enzima cumple la función de transformar el ARN monocatenario del virus en una cadena de ADN bicatenario que se unirá a la célula y empezará a funcionar como una parte más de la misma. Por este motivo el VIH se convierte en un problema tan difícil de resolver; una vez empieza a infectar células, su información genética se convierte en parte de la información genética de las células que parasita. Ahora bien, aquellos medicamentos que mejores resultados han dado contra el VIH son medicamentos que inhiben el funcionamiento de la retrotranscriptasa, una enzima del mismo virus. Como el SARS-CoV-2 no usa este tipo de retrotranscriptasas, sino que usa las transcriptasas, otro tipo de enzima, en su proceso de transcripción, estos medicamentos (antirretrovirales) no son eficaces. Por otro lado, aquellos que sí se han Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 9 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech probado (sobre todo el remdesivir) parecen reducir en gran medida la probabilidad de hospitalización y de muerte. Este medicamento actúa, al contrario de los antirretrovirales que mencionamos antes, sobre la ARN polimerasa, enzima encargada de replicar el ARN vírico. Una de las propiedades importantes de este tipo de medicamentos es que están concebidos en laboratorio para sólo inhibir la actividad de la polimerasa específica de los virus que se quieren tratar, en el caso de la COVID-19, la polimerasa del SARS-CoV-2 y del MERS (Beigel et al., 2020). Otra de las características importantes que diferencian el VIH del SARS-CoV-2 son las células que cada una infecta, pues mientras la primera enfermedad ataca los linfocitos y células del sistema inmunológico, la segunda parece atacar sobre todo tejidos del sistema respiratorio. La viruela La viruela es una enfermedad importante en el ámbito que nos concierne pues se trata de la primera enfermedad para la cual ha existido una vacuna y la primera en ser erradicada gracias a la acción humana. Se erradicó oficialmente en el 1979 gracias a una campaña de vacunación a nivel global sin precedentes. Es una enfermedad que no tiene cura ni tratamiento. Tiene un período de incubación de entre 7 y 17 días en el que, al contrario de la COVID-19, no puedes contagiar a terceros. Sus síntomas más habituales son fiebre, malestar, dolores de cabeza y espalda, fatiga y vómitos. También se forman ampollas de pus en todo el cuerpo, sobre todo antebrazos, manos y cara que más tarde dejarán cicatrices. Algunas variedades de la viruela más comunes son muy letales, llegando a tasas de mortalidad del 30 %. En algunas personas también puede provocar ceguera y otras secuelas graves para el resto de la vida (Viruela, Síntomas y Causas, [Mayo Clinic], s.f.). La importancia histórica de la viruela radica en lo que comentamos anteriormente (la primera vacuna de la historia y la primera enfermedad erradicada) y también en sus efectos sobre la sociedad a lo largo de la historia. Se piensa que la viruela apareció hace 3.000 años. Una de las evidencias de la antigüedad de la viruela más famosas son los restos momificados del faraón egipcio Ramsés V, que murió el 1157 a.C. Se estima también que casi el 90 % de las muertes de indígenas en Sudamérica tras su descubierta por parte de Colón el 1492 se debieron a enfermedades —entre ellas la viruela. Se estima, además, que en el siglo XX aproximadamente 300 millones de personas murieron víctimas de la enfermedad. Uno de los datos más curiosos reseñados es que hace 2.000 años en Asia se infectaban personas de forma deliberada con costras de la piel de alguien infectado en la nariz con 10 _______________________________________________________________________ el objetivo de que padecieran una viruela más leve, desarrollaran inmunidad y no fallecieran víctimas de la enfermedad (Viruela [National Geographic], s.f.). El reciente brote de viruela símica (viruela del mono o monkeypox) a mediados de 2022 muestra una enfermedad de la misma familia de la viruela humana (que está erradicada) con síntomas semejantes, pero sustancialmente menos contagiosa y agresiva. Además, mientras esta es una enfermedad zoonótica (es decir, el paciente cero humano se contagió de un simio), la enfermedad de la que hablamos a lo largo de este apartado (es decir, la viruela humana o smallpox) es exclusiva de los seres humanos, y sólo estos la transmiten y se infectan. Historia de la vacunación El ser humano históricamente intentó superar y prevenir las enfermedades con las que tuvo que convivir. Sin embargo, ninguna solución en la historia de la humanidad se ha demostrado tan eficaz como la vacunación. Esta debe estar, junto a los antibióticos, entre los grandes avances médicos de los últimos siglos. La vacunación se trata de un método preventivo; una vacuna es un preparado que contiene un elemento genético del virus o bacteria que se quiere combatir y lo introduce en el cuerpo para que el sistema inmunológico adquiera inmunidad ante un futuro ataque de la enfermedad. De cierta forma, aquello que la vacuna consigue es acostumbrar el sistema inmunológico a un agente infeccioso inofensivo para que, cuando un agente infeccioso semejante pero peligroso entre en contacto con el cuerpo sea más fácilmente identificado y combatido. Se ha estudiado mucho la efectividad de las vacunas a lo largo de los últimos cien años; cien años en los que se han demostrado muy eficaces en el combate a enfermedades como la gripe, la hepatitis, la difteria, la tos ferina, la polio, el virus del papiloma humano, el sarampión, la rubiola, la meningitis y el tétanos; de hecho, estas son algunas de las diversas enfermedades cuya vacunación se recomienda a los niños en España y forma parte de un plan de vacunación público. Gracias a esta vacunación apenas leemos noticias de este tipo de enfermedades y, lógicamente, la morbilidad entre niños y jóvenes que solían padecer algunas de estas enfermedades descendió desde que se empezó a vacunar a la población (Jiménez Sarmiento et al., 2020) Pero, ¿cómo se inventaron estas vacunas? La vacuna surgió como una respuesta a una enfermedad que en la época parecía no tener solución; era altamente contagiosa y la tasa de mortalidad superaba el 30 %. Esa enfermedad era la viruela. Como se menciona en el apartado sobre la viruela, esta es la única enfermedad humana erradicada. Esa erradicación se debe sobre todo a la vacunación. Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 11 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech El 14 de mayo de 1796, Edward Jenner, conocido como el padre de la inmunología, tomó material de una pústula (lesión de la piel) provocada por la viruela bovina, que obtuvo de la mano de una ordeñadora que se había infectado de su vaca lechera, y lo inoculó en el brazo deun joven de 8 años llamado James Phipps. Meses más tarde inoculó al niño con material proveniente de un enfermo de la variedad peligrosa de la viruela y, tras asegurar que no había contraído la enfermedad, declaró que estaba inmunizado. Sabemos hoy que la variedad de viruela bovina es más leve que la viruela humana y, de hecho, ya en la época de Jenner se creía popularmente lo mismo. Esta vacuna permitía que las personas fuesen inoculadas por esa variedad de viruela teóricamente inofensiva y el sistema inmunológico se acostumbraba y preparaba para la variedad humana, más agresiva y mortífera. A pesar de que Edward Jenner es considerado el primer hombre que inoculó esta variedad de viruela y consiguió buenos resultados, existen casos anteriores que también habían llegado a las mismas conclusiones y que habían probado ellos mismos experimentos semejantes al de Jenner. El nombre vacuna (del latín vacca y vaccinus) procede del experimento de Jenner asociado al virus de la viruela bovina (Quezada, 2020). La COVID-19 Contexto histórico Los coronavirus fueron, durante las últimas décadas, objetivo de muchos estudios científicos. En los últimos 20 años hubo 2 epidemias provocadas por dos virus de la familia de los coronavirus, el MERS y el SARS. En el trabajo de Zhou et al. (2020) sobre el origen del COVID-19 se presenta la idea de que, antes de la pandemia ya se creía que un brote de coronavirus de murciélago podría algún día ser un problema a gran escala. Según el mismo artículo, el SARS-CoV-2 comparte el 79,6 % del genoma de otro conocido coronavirus, el SARS-CoV, y conserva un 96 % de similitud con un coronavirus específico de los murciélagos. Por este motivo, se piensa que el origen de este coronavirus es zoonótico, es decir, se transmitió de un huésped animal a otro humano (Zhou et al., 2020). Se identificó por primera vez el SARS-CoV-2 en diciembre de 2019, en la ciudad de Wuhan, en la provincia de Hubei, en China, después de que diversos pacientes acudieran al hospital con síntomas de neumonía. Se cree que los primeros casos surgieron en el mercado mayorista de mariscos de la ciudad, que cerró posteriormente para evitar nuevos contagios (Huang et al., 2020). Se da por hecho que, en Europa, antes de los primeros contagios contabilizados, el virus ya se estaba extendiendo sigilosamente por el continente. Existe evidencia científica de 12 _______________________________________________________________________ la presencia de ARN del virus en aguas residuales de algunas de las ciudades italianas más afectadas (Turín, Milán y Bolonia) a mediados de diciembre de 2019 y principios/mediados de enero de 2020. Sin embargo, los primeros casos sólo fueron contabilizados a mediados de febrero. Estos datos apuntan justamente a la presencia inadvertida del coronavirus en las zonas más afectadas de Italia, lo cual evidencia que la expansión del coronavirus sin cualquier tipo de alarma o prevención puede traer consecuencias muy graves (Errecalde et al., 2020). También se piensa que el estudio de las aguas residuales podría ser una herramienta muy útil en el combate y en la prevención del coronavirus. Existen motivos para pensar que monitorizar y cuantificar el ARN de SARS-CoV-2 en el agua residual puede dejarnos entrever qué medidas de prevención deberíamos tomar, cuántos casos aproximados puede haber e incluso en que partes de una ciudad están esos casos (Michael-Kordatou et al., 2020). En España, el primer caso de COVID-19 fue diagnosticado el 31 de enero de 2020 en el municipio canario de San Sebastián de la Gomera y el primer fallecimiento documentado tuvo lugar en Valencia el día 13 de febrero del mismo año. Se llevaron a cabo diversas medidas de contención a nivel nacional con el objetivo de disminuir el ritmo de contagio. Fue decretado en varias ocasiones el estado de alarma y, después de un período de confinamiento obligatorio que empezó en marzo del 2020, siguieron otras medidas como el uso obligatorio de la mascarilla, las restricciones de movilidad por municipio, comarca o provincia y otras restricciones cuyo principal objetivo era restringir la movilidad y el contacto con otras personas, evitando así los contagios (Plan de Desescalada, Consejo de Ministros [La Moncloa], 2020). Una de las grandes esperanzas para disminuir los efectos de la pandemia era la vacunación. Las primeras dosis de la vacuna se administraron entre diciembre de 2020 y enero de 2021, priorizando grupos de riesgo y personal sanitario. En septiembre de 2021, en España, se había vacunado ya al 70 % de la población, llegando así al porcentaje en que, según la teoría, se alcanza la conocida inmunidad de grupo o de rebaño. No obstante, llegados a este punto, la pandemia ya había dejado una huella imborrable en España que, tras meses de parón económico y social, aún tardará en recuperarse de los efectos de la COVID-19 (España Alcanza El 70% de Personas Con Pauta Completa de Vacunación Frente a La COVID-19, Sanidad [La Moncloa], 2021). Durante los años que siguieron al inicio de la pandemia de COVID-19 aparecieron además diferentes variantes o mutaciones de la COVID-19. Estas variantes son el mismo virus (SARS-CoV-2) con suficientes diferencias para considerarlos una variante nueva. Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 13 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Estas variantes pueden ser sustancialmente diferentes en lo que se refiere a la letalidad e infecciosidad, además de disminuir el efecto de la inmunidad dada por la vacuna. Definición, estructura y mecanismo de acción La Organización Mundial de la Salud (2020) define como COVID-19 la enfermedad provocada por el virus SARS-CoV-2. COVID-19 es el acrónimo de Coronavirus disease of 2019 (enfermedad por coronavirus de 2019) y SARS-CoV-2 es el acrónimo de Severe acute respiratory syndrome coronavirus 2 (síndrome respiratorio agudo severo del coronavirus 2). Se añade el número 2 al nombre oficial de este nuevo coronavirus para no confundirlo con otro, el SARS-CoV, que surgió en el sudeste asiático el 2003. Los coronavirus son algunos de los virus más comunes e importantes que pueden hospedar seres humanos y otros vertebrados. Pueden afectar el sistema respiratorio, gastrointestinal, hepático y nervioso. Se suelen dividir taxonómicamente en alfa, beta, gamma y deltacoronavirus. El SARS-CoV-2, según estudios genéticos realizados pertenece al grupo de los betacoronavirus (Pastrian-Soto, 2020). La estructura y el mecanismo de acción de los distintos coronavirus que hospeda el ser humano suele ser bastante similar. Son estructuras pequeñas, con un genoma de aproximadamente 30.000 nucleótidos y que se esparce a través de la inhalación de pequeñas gotas que expele una persona infectada al respirar, hablar o toser. Su reducido genoma codifica cuatro proteínas estructurales, la nucleocápside, la proteína de membrana, el espigón o espiga y la proteína que envuelve el virus. Además, produce otras proteínas no estructurales de menor relevancia. Se piensa que el mecanismo de acción también es parecido al de otros coronavirus. Para reproducirse, el SARS-CoV-2 infecta la célula incorporándose a partir de su membrana gracias a una de sus proteínas estructurales. Se funde con la membrana de la célula huésped y suelta su ARN dentro del citoplasma. Los ribosomas celulares empiezan a traducir y multiplicar el ARN vírico. Se empiezan a formar las estructuras necesarias para constituir un virión (Figura 1). Una vez formado el virión, se desprende del citoplasma de la célula lisiando su membrana. Una de las consecuencias de este proceso es la muerte celular al romperse su membrana (Boopathi et al., 2020).14 _______________________________________________________________________ Figura 1. Esquema del mecanismo de acción del SARS-CoV-2 a nivel celular en el ser humano. Recogido de Boopathi et al., 2020. Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 15 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Mecanismos de contagio Según afirman fuentes del CDC (Centro para el control y prevención de enfermedades de los EEUU) existen evidencias de que el coronavirus se transmite al mantener estrecho contacto con un individuo contagiado. También indican que las personas contagiadas que no muestren ninguno de los síntomas pueden contagiar a otros. Una de las características de este virus es la facilidad con la que puede infectar. De hecho, se piensa que este virus es más contagioso que la gripe común, aunque es menos infeccioso que el sarampión. La evidencia recogida indica además que el contagio entre personas ocurre a causa de las minúsculas gotas que expulsamos al hablar, al estornudar, al toser e incluso al respirar. Al inspirarlas, las minúsculas gotas se depositan en las mucosas húmedas del sistema respiratorio. Por ese motivo mantener una prudencial distancia de seguridad y usar mascarilla puede evitar contagios. Además, la carga vírica presente en las gotitas disminuye con el tiempo. Otro de los vectores de transmisión estudiados es el contacto con superficies contaminadas, pero se piensa que es menos común. El CDC también constata que en raras ocasiones el virus se transmite de animales domésticos a seres humanos o viceversa (NCIRD, 2020). Síntomas y letalidad En un artículo publicado poco después de que apareciera el COVID-19 en China se recogen algunos de los síntomas que tenían los pacientes que acudieron al hospital de Wuhan. Para empezar, debe decirse que en cualquiera de estos estudios los síntomas recogidos varían dependiendo de la edad o de la misma fisiología de la persona. Los síntomas que mostraban los pacientes a los que les fue diagnosticado el COVID-19 fueron fiebre (98 % de los casos), tos (76 %), mialgia (44 %), expectoración (28 %), cefalea (8 %) y hemoptisis (5 %). Sin embargo, este estudio incluía sólo a los pocos sujetos que fueron al hospital esos primeros días de la pandemia (Huang et al., 2020). Varios meses después, y disponiendo de más datos, se confirma que los síntomas provocados por el COVID-19 son muy variables. Se manifiesta de distinta forma dependiendo de la persona afectada, desde casos asintomáticos o leves a casos graves e incluso la muerte. Los síntomas más comunes son fiebre, tos y falta de aire o dificultad para respirar. Otros síntomas reportados son fatiga, incomodidad corporal, respiración dificultosa o anormal, mialgia, dolor de garganta e incluso pérdida del gusto y del olfato. En los casos más severos, la enfermedad puede llegar a provocar la neumonía, leucopenia y fallos en los riñones y otros órganos. La diarrea, las náuseas y la expectoración han sido otros de los síntomas menos comunes detectados en pacientes. El diagnóstico clínico de la enfermedad se basa en primer lugar en los síntomas manifestados y, en segundo lugar, en la RT-PCR, las pruebas por rayos-X de los pulmones 16 _______________________________________________________________________ y pruebas serológicas de sangre. No existe, por el momento, ningún tratamiento completamente eficaz y los tratamientos que se usan se basan en prevenir fallos orgánicos, reforzar el sistema inmunológico y usar los antiinflamatorios u otros medicamentes para combatir algunos de los síntomas más graves como la fiebre o la tos seca. En los casos más graves puede ser incluso necesaria la respiración asistida (Esakandari et al., 2020). Se ha evidenciado que uno de los factores que influencian en mayor medida los efectos del COVID-19 es la edad. En un estudio llevado a cabo en EEUU entre febrero y marzo de 2020 se mostró, como podemos comprobar en la Figura 2, que los casos de muertes aumentan según la edad de los afectados. Según el mismo artículo, 80 % de los fallecidos eran personas mayores de 60 años. Sin embargo, la hospitalización se puede dar en cualquier rango de edad sin presencias notables entre los 0 y 19 años, donde esta es casi inexistente. Esto puede ocurrir por un mayor número de casos asintomáticos o porque, a pesar de ser sintomáticos, los individuos no tienen los problemas más graves producidos por la COVID-19 (Bialek et al., 2020). Figura 2: Hospitalizaciones, ingresos en las Unidades de Cuidados Intensivos y fallecidos por COVID-19 en EEUU entre el 12 de febrero y el 16 de marzo de 2020. Recogido de Bialek et al., 2020. En otro estudio llevado a cabo en Corea del Sur se estimó que la letalidad del virus era de 0,9 por cada 100.000 habitantes. De los 14.873 infectados hasta 14 de agosto de 2020, 305 fallecieron. La letalidad variaba entre el 0,1 % en personas de 30 a 35 años y el 25 % entre los mayores de 80 años (Soneji et al., 2021). También explican que los resultados se ven afectados por la situación económica individual, los cuidados de salud en determinada región y los métodos de prevención y diagnóstico empleados por cada país. Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 17 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Modelos en epidemiología Introducción a la modelización Es conveniente entender qué son y qué tipos existen de modelos cuando tenemos el propósito de representar aproximadamente una realidad. Un modelo es, en esencia, un esquema teórico que se usa para representar, manejar e investigar una realidad compleja. Su propósito es variado, pero suele consistir en encontrar relaciones entre ciertos parámetros y los sistemas reales que pretende representar e interpretar esas relaciones y parámetros. Son representaciones abstractas de diferentes aspectos de la realidad. Los modelos se pueden distinguir según sus diferentes características, y estas características varían según el objetivo para el cual se construye el modelo. Algunos de los tipos más conocidos de modelos, sus características y sus objetivos son: 1. Según la información que se introduce en el modelo, este puede considerarse heurístico (también llamado mecanicista) o empírico. Basamos la construcción del modelo heurístico en los fenómenos o procesos naturales que queremos estudiar y los mecanismos que relacionan o provocan los mismos fenómenos o procesos. Por otro lado, un modelo empírico se limita a usar la información o los datos de la experimentación para encontrar esas relaciones. 2. Según si consideran o no el paso del tiempo, los modelos pueden ser estáticos o dinámicos. 3. Según aquello que pretenden representar pueden ser cualitativos o cuantitativos, siendo los primeros los que tienen como objetivo mostrar una tendencia o patrón y los segundos ponen mayor énfasis en comparar valores numéricos. 4. Según la presencia de la aleatoriedad pueden ser deterministas o estocásticos, siendo que en los primeros cuando se calcula el resultado de cierta salida, ésta depende únicamente de los valores de entrada. En los segundos, el cálculo de una salida depende de los valores de entrada y del azar, por lo que para una entrada se pueden obtener diferentes salidas. En un modelo estocástico se trabaja con distribuciones de probabilidad para determinar los valores de ciertas variables (variables aleatorias), lo cual condiciona y permite variabilidad en los resultados simulados. 5. Según su función u objetivo principal pueden ser predictivos,evaluativos, de optimización o explicativos y su nombre indica cuál es su objetivo en cada caso. 6. Y, por fin, los modelos pueden ser discretos o continuos según si las variables que tratan del espacio y del tiempo son enteras o reales respectivamente. 18 _______________________________________________________________________ Decidir qué modelo construir está estrechamente relacionado con el tipo de modelo que mejor se adapta al objetivo. Por eso se constata en los trabajos consultados que, para predecir la evolución de la pandemia de COVID-19 a corto plazo se usa más comúnmente un modelo empírico (que usa los datos de los días anteriores), dinámico (pues tiene en cuenta el paso del tiempo), cuantitativo (pues compara valores numéricos), determinista (pues no interviene el azar sino sólo una función matemática), discreto o continuo dependiendo de cómo se tratan las variables involucradas. A largo plazo las dinámicas de COVID-19 son muy difíciles de prever y la utilidad de los modelos creados queda limitada por la escasa capacidad predictiva. No obstante, la incorporación en la investigación de otros tipos de modelos permite avanzar en el conocimiento del sistema que se pretender estudiar. Modelos SIR y variantes En epidemiología (la disciplina que estudia la relación entre enfermedades y poblaciones humanas) los modelos son especialmente importantes pues simplifican sistemas que de otra forma serían muy difíciles de estudiar e investigar y ayuda a descubrir los factores de riesgo, mecanismos de contagio y las tendencias de una enfermedad para después prevenir o controlar su propagación y permiten comprobar o experimentar si una estrategia de prevención o control de una enfermedad produce los efectos deseados. Muchas veces, y más recientemente, los modelos usados en epidemiología son modelos computacionales, es decir, que requieren de la implementación de un código explícito y de su esquema conceptual y de los recursos de la informática para desarrollarse. Sin embargo, los primeros modelos epidemiológicos fueron los modelos SIR (de susceptibles, infectados y recuperados) y fueron desarrollados en los años 20 del siglo XX, cuando todavía no existían ordenadores. Y, a pesar de que actualmente usamos la ingeniería informática para perfeccionarlos, no requieren de la computación para existir. El primer modelo SIR fue creado por Kermack y McKendrick en los años 20 y básicamente divide la población en tres grupos, los susceptibles, los infectados y los resistentes y genera un flujo de transición de un grupo a otro de la siguiente forma: 𝑆 → 𝐼 → 𝑅 Los susceptibles son los individuos que todavía no se han infectado y, por lo tanto, no han creado anticuerpos y pueden infectarse. Los infectados son aquellos que han contraído la enfermedad, y por lo tanto pueden infectar a los susceptibles, convertirse en resistentes o fallecer. Los resistentes son la población que, habiendo superado la enfermedad han desarrollado una resistencia contra la misma. Las tres ecuaciones que Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 19 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech representarían este modelo idealizado y que representa una población sin nacimientos ni muertes, serían las siguientes: 𝑑𝑆 𝑑𝑡 = −𝛽 · 𝑆 · 𝐼 El número de susceptibles disminuye de forma proporcional a β (tasa de contagios, ritmo con el que los individuos pasan de susceptibles a infectados), al número de susceptibles (S) y al de infectados (I). Es decir, β representa la infecciosidad, y cuántos más individuos infectados y susceptibles existan, más rápido disminuirá en el tiempo el número de susceptibles, que se transformarán en infectados. 𝑑𝐼 𝑑𝑡 = 𝛽 · 𝑆 · 𝐼 − 𝛾 · 𝐼 El número de infectados crece de acuerdo con la ecuación anterior; pero, sin embargo, el número de infectados disminuye proporcionalmente al mismo número de infectados y al parámetro γ, que representa el tiempo que un individuo permanece infectado. 𝑑𝑅 𝑑𝑡 = 𝛾𝐼 La tercera ecuación de este flujo representado por el modelo SIR muestra cómo aumenta el número de resistentes de forma proporcional a γ (tiempo medio de infección) y al número de infectados. Existen de este modelo versiones más modernas y sofisticadas que, con ayuda de la computación, hacen predicciones más fiables y realistas. Por ejemplo, al modelo SIR habitual se podría añadir una variable que sumara o restara individuos susceptibles para representar las tasas de nacimiento y morbilidad de una población, otra variable que hiciera crecer los resistentes no sólo según el tiempo medio de infección, sino también según las personas susceptibles que se convierten en resistentes por medio de la vacunación e incluso otra que representara la letalidad de la enfermedad y que, por tanto, simulara la muerte de los individuos. Estos modelos pueden incorporar más elementos y ser más complejos. Un ejemplo de esa complejidad son los modelos que presentaremos en apartados más adelante, los SEIR. En estos añadimos una categoría de “Expuestos” que serían los contagiados asintomáticos antes de que pasaran a estar enfermos. En el SARS-CoV-2, por ejemplo, existen casos de personas que pasan del grupo susceptible al infectado sin tener síntomas y, después de haber superado la enfermedad, 20 _______________________________________________________________________ vuelven al grupo de los susceptibles (los asintomáticos). Sería importante conocer estadísticamente cuantos casos se dan de estos para poder mejorar el modelo colocando una variable que representara estos casos. Por este motivo, cuantos más estudios se hagan sobre una enfermedad en concreto y de cuanta más información dispongamos, mejores modelos podremos construir (de León y Gómez Corral, 2020). Modelos computacionales Los modelos computacionales se definen como aquellos modelos que requieren de los recursos de las ciencias computacionales para desarrollarse y funcionar. Ejemplos de este tipo de modelo son los sistemas basados en agentes y los sistemas basados en algoritmos evolutivos. Los primeros, basados en agentes, son modelos que tratan con entidades discretas y autónomas dentro de un entorno, en un espacio bidimensional o tridimensional. Una plataforma o entorno de programación muy popular para este tipo de modelo computacional es NetLogo. NetLogo es un programa y plataforma informática que permite crear un entorno con agentes (entidades autónomas y discretas) que tienen unas características particulares individuales y siguen unas instrucciones o reglas dadas por el desarrollador del modelo. Existen 4 tipos de agente dentro de la plataforma: las turtles (o agentes con posibilidad de movimiento en el espacio, su traducción a tortugas proviene de sus orígenes en el lenguaje de programación Logo), los patches (o agentes inmóviles, parcelas que configuran el reticulado del espacio), los links (o enlaces, conexiones de diferente naturaleza entre turtles) y el observer (un observador que se encuentra fuera del sistema virtual y da las instrucciones en el “mundo virtual”). Las turtles (cuya forma se puede modificar) son los agentes principales que habitan el mundo, entorno computacional que se crea en la plataforma. Las parcelas de terreno que conforman el mundo son como los cuadrados del tablero de ajedrez bidimensional por el cual se mueven los agentes móviles. Los enlaces conectan los agentes turtles, unos con otros, y el observador es un elemento externo al mundo que podemos imaginar flotando por encima de este entorno bidimensional y dando instrucciones a los agentes. El mundo reticulado de NetLogo tiene unas coordenadas cartesianas que definen la posiciónde los agentes (excepto del observador, que no está dentro de ese mundo, y de los enlaces que son líneas de conexión entre agentes turtles y pueden dejar de existir). En este tipo de modelo, el tiempo es una variable discreta. El tiempo se divide en pasos de programa (ticks), y en cada uno de estos pasos (saltos en el tiempo) se realizarán las acciones o instrucciones diseñadas para los agentes (las cuales se corresponderán a la naturaleza de las entidades que representen), de forma que se irán actualizando los valores de las variables del sistema (NetLogo 6.2.2 User Manual: Programming Guide [NetLogo], s.f.). Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 21 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Estos modelos permiten estudiar qué efectos producen las relaciones entre esos agentes independientes dentro de ese entorno virtual. La aleatoriedad aparece en estos modelos como una parte esencial, ya que la probabilidad define como los agentes autónomos se moverán dentro del medio ambiente creado en la plataforma. Por ello, suelen ser modelos estocásticos con un fin explicativo más que predictivo. Los modelos basados en el individuo deben su nombre al hecho de que mientras en los modelos basados en agentes el agente puede ser una entidad autónoma y discreta, los individuos se asocian a individuos biológicos con características propias asociadas al ambiente, el contexto o las características que se pretenden imitar de los individuos del caso real. Estas características podrían ser la edad, el sexo, la capacidad de reproducción, la masa, la vitalidad, entre muchos otros (Ginovart et al., 2019). En epidemiología, los modelos computacionales pueden ser muy útiles, pues permiten entender la evolución de diversas enfermedades y actuar en consecuencia. Además, los modelos computacionales han evolucionado en los últimos años gracias a la evolución de la tecnología en general, que permite rastrear el movimiento de los individuos y calcular o modelizar con cantidades enormes de datos. Y, a pesar de que no sustituyan al sistema sanitario, sí pueden dar una idea del gasto que conllevará, en el peor de los casos, promover la infraestructura necesaria o proveer de los medicamentos esenciales para tratar a todos los afectados de una enfermedad en concreto. El objetivo de los modelos en epidemiología es, por lo tanto, saber que debe esperar la sociedad de una enfermedad en concreto, conocer y prevenir la magnitud de cierta epidemia (Vespignani, 2018). 22 _______________________________________________________________________ Objetivos El objetivo principal del trabajo a elaborar es entender mejor la COVID-19 usando las herramientas que nos proporciona la modelización. A continuación, enumerados, están los objetivos específicos de cada apartado del trabajo que nos lo permitirán: 1) La presentación de algunos modelos de diferentes características, con diferentes objetivos y perspectivas, que se han utilizado, directa o indirectamente, para estudiar la pandemia de COVID-19. 2) El diseño de un modelo basado en el individuo que permita avanzar en la comprensión del comportamiento de la epidemia COVID-19 en una población, ensayar algunas estrategias de control, y evaluar los efectos de estas restricciones en la dinámica de contagios. 3) La implementación del nuevo modelo diseñado en el entorno de programación de la plataforma NetLogo, y su calibración con información disponible, que permita representar la realidad de la COVID-19 en una población con una determinada estructura de edades y plan de vacunación, que en este caso coincidirá con la población de l’Arboç. 4) La experimentación virtual con el simulador construido a través de la generación de diferentes escenarios de simulación, valorando su buen funcionamiento y su capacidad de representación de la dinámica de la epidemia observada en una población. Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 23 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Modelos utilizados para estudiar la COVID-19 Modelos basados en ecuaciones diferenciales Algunos de los principales modelos que han aparecido durante la pandemia del COVID- 19 utilizaban, y siguen utilizando, sistemas de ecuaciones diferenciales. Los modelos derivados del tipo SIR, como el modelo SEIR, son los más conocidos desde los inicios de la epidemiologia (como se ha recogido en el apartado de la introducción). Sin embargo, como veremos en este apartado, para iniciar el estudio de la COVID-19, donde muchos de los parámetros que se necesitaban para su formulación eran aún desconocidos, demostraron tener una capacidad predictiva más limitada que otros modelos, como, por ejemplo, los modelos empíricos que únicamente utilizaban los datos observados. Si, como introdujimos en apartados anteriores, dividimos una población con N individuos entre S (susceptibles), I (infectados) y R (recuperados) y asumimos un flujo de un grupo a otro grupo de individuos de acuerdo con los parámetros 𝛽 (tasa de infección) y γ (tiempo medio de infección), llegamos a un sistema de ecuaciones diferenciales como el que sigue: { 𝑆′(𝑡) = − 𝛽 · 𝑆(𝑡) · 𝐼(𝑡) 𝑁 𝐼′(𝑡) = 𝛽 · 𝑆(𝑡) · 𝐼(𝑡) 𝑁 − 𝛾 · 𝐼(𝑡) 𝑅′(𝑡) = 𝛾 · 𝐼(𝑡) Con este sistema de ecuaciones diferenciales, y N como el número de personas en la población objeto de estudio, introducimos una I(0), una S(0) y una R(0) es decir, el número de individuos pertenecientes a cada uno de los grupos en el instante inicial y, usando métodos numéricos adecuados de algún programa matemático, resolvemos el sistema de ecuaciones diferenciales para hacer una predicción de la evolución de la pandemia. Para estimar los valores de 𝛽 y 𝛾 se puede utilizar el concepto del número básico de reproducción como lo hacen en el trabajo de Gutiérrez y Varona (2020): 𝑅0 = 𝛽 𝛾 Con este concepto y el de los parámetros γ−1 y β−1 (que son el periodo medio de recuperación y el tiempo típico entre contactos) podemos estimar usando los datos reales de la COVID-19 cada uno de ellos. Estudiando cual es el periodo medio de 24 _______________________________________________________________________ recuperación y, ya que podemos estimar aproximadamente cual es la R0, podemos estimar finalmente la 𝛽. El concepto de R0 lo podemos encontrar en el Anejo 1. En el trabajo de Gutiérrez y Varona (2020) añaden un ejemplo del funcionamiento de este modelo usando los parámetros N = 100.000 𝛽 = 1, 𝛾 = 1/4 e I0 = 2.000 cuyo resultado podemos comprobar en la Figura 3. Figura 3: Gráfico de la evolución de una epidemia del modelo descrito en Gutiérrez y Varona (2020). Tras exponer este modelo de características sencillas, en el mismo trabajo añaden al modelo un parámetro más, el de individuos expuestos, es decir, individuos que son portadores del virus, pero asintomáticos (E: expuestos). Este modelo (SEIR) tiene características semejantes al modelo SIR pero añade también la variable σ que es el tiempo medio de incubación. { 𝑆′(𝑡) = − 𝛽 · 𝑆(𝑡) · 𝐼(𝑡) 𝑁 𝐸′(𝑡) = 𝛽 · 𝑆(𝑡) · 𝐼(𝑡) 𝑁 − 𝜎 · 𝐸(𝑡) 𝐼′(𝑡) = 𝜎 · 𝐸(𝑡) − 𝛾 · 𝐼(𝑡) 𝑅′(𝑡) = 𝛾 · 𝐼(𝑡) Al añadir este parámetro facilitamos introducir variables que representen los métodos de prevención aplicados a la COVID-19, como, por ejemplo, un aislamiento de individuos infectados, pero no de los expuestos. Otra forma de hacer el modelo incluso más interesante y ajustado a la realidad es no suponer que los parámetros 𝛽, 𝜎 y 𝛾 sonconstantes a lo largo de la simulación, sino transformarlos también en variables dependientes, por ejemplo: 𝛽(𝑡) = { 𝛽0 𝑠𝑖 𝑡 < 20 𝛽0 = (1 − 𝛼) (1 − 0,05 · 𝐼(𝑡) 𝑁 ) 𝑘 𝑠𝑖 𝑡 ≥ 20 Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 25 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Según la ecuación anterior, la 𝛽 (tasa de contagios) se modifica después de t = 20 debido a las medidas de prevención impuestas. A partir de ese momento, 𝛽 se modifica según 𝛼 (que es un parámetro que, según el trabajo de Gutiérrez y Varona (2020) por ejemplo, va de 0,4 a 0,7 y depende de cuan estrictas son las medidas) y según el mismo número de infectados (I(t)) y k (que mide la intensidad de relación entre individuos y se puede modificar muchísimo, ya que algunas estimaciones usan 1117,3 pero este trabajo usa 100). Los resultados se pueden observar en la Figuras 4 y 5. Figura 4: Gráfico de un modelo SEIR en que se incluyen todos los parámetros del modelo expuesto en el trabajo de Gutiérrez y Varona (2020). Figura 5: Gráfico de los infectados usando diferentes valores de 𝛼 (0, 0,4 y 0,7) para representar diferentes niveles de medidas de prevención obtenido del trabajo de Gutiérrez y Varona (2020). De las Figuras 4 y 5 podemos deducir la gran utilidad que pueden tener estos modelos en una primera etapa de estudio y que se basan en información empírica para estimar parámetros y predecir la evolución de la pandemia. En la Figura 5, por ejemplo, vemos que estas ecuaciones diferenciales pueden adquirir el nivel de complejidad que creamos necesario para predecir de forma acertada la evolución de la COVID-19 en un momento y circunstancias concretas. 26 _______________________________________________________________________ No obstante, estos modelos continuos no permiten introducir muchas más variables de forma razonable, ya que la complejidad en la formulación de las ecuaciones diferenciales impide la correcta convergencia de los métodos numéricos utilizados para su reducción numérica y aproximada. Modelos empíricos y predictivos Se ha intentado modelizar de muchas maneras la pandemia de COVID-19. Muchas de ellas coinciden con la perspectiva que introdujimos anteriormente; un modelo SIR o SEIR (u otras variantes) que intentan representar una realidad compleja y cambiante. Por otro lado, existen modelos empíricos que usan funciones matemáticas con diversos parámetros o variables y que muchas veces no tienen conexión con variables o procesos reales. Una gran parte del trabajo del grupo de Biología Computacional y Sistemas Complejos (BIOCOMSC) de la Universidad Politécnica de Cataluña (UPC) sobre la COVID-19 y que se puede consultar en su web (https://biocomsc.upc.edu/en/covid-19), se ha realizado utilizando la función de Gompertz para ajustar los datos de las bases de datos de la Unión Europea a un modelo predictivo a corto plazo que genera buenas predicciones para pocos días sobre la evolución de la pandemia. Por su cercanía y relevancia en el panorama español, creo conveniente analizar los métodos descritos por el BIOCOMSC para modelizar la pandemia. El BIOCOMSC es un grupo de investigación de la UPC que durante la pandemia fueron los responsables de desarrollar diversos modelos predictivos y de forma recurrente aparecieron en los medios de comunicación para anunciar sus predicciones y ayudar a gestionar de esa forma la pandemia. El método principal para desarrollar un modelo de la pandemia consiste en recoger información de fuentes oficiales que siguen el avance de la pandemia en la Unión Europea (ECDC o European Centre for Disease prevention and Control). Dividen en dos partes la evolución de la pandemia: una en que predominan los casos importados del exterior y otra en que predominan los contagios internos, entre personas del mismo país o región. De esta forma construyen una sola predicción, pero que incluye tanto contagios internos como externos. Usando la plataforma de programación MATLAB y con los datos recogidos ajustan la línea temporal adecuada. Adaptan los datos obtenidos en un modelo que tiene en cuenta la media móvil de los últimos siete días y hace predicciones a corto plazo. El objetivo de usar la media móvil de los últimos siete días es aminorar las variaciones del Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 27 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech llamado efecto del fin de semana. Este efecto consiste básicamente en que, debido al menor número de pruebas diagnósticas realizadas durante el fin de semana, podemos llegar a la conclusión errónea de que durante el fin de semana hay menos contagios. Usan la función de Gompertz para ajustar los datos obtenidos a una función matemática: 𝑁(𝑡) = 𝐾 · 𝑒 − ln( 𝐾 𝑃0 )·𝑒−𝑎𝑡 Esta es una función similar a la función logística y la curva que describe es sigmoidea, es decir, crece de forma exponencial en un principio y su crecimiento se va estabilizando en un período de tiempo dado. Este modelo resulta más adecuado que el logístico o el de Bertalanffy para representar este caso concreto (es decir, el caso concreto de la COVID-19 con los datos recogidos por el BIOCOMSC de la ECDC anteriomente mencionados). La N(t) es el número de infectados en cada momento del tiempo. La K es el número máximo de infectados, una especie de capacidad de carga de infecciones y la a es la velocidad de crecimiento de los contagios. Ajustar la función de forma continua con el paso de los días significa ajustar los valores de sus parámetros para ir acercándose y corrigiendo el ajuste para obtener los valores reales nuevos que van apareciendo. Figura 6: Función de Gompertz ajustada a los datos observados en Corea. Obtenido de https://biocomsc.upc.edu/en/covid-19. Con el ajuste realizado hacen predicciones para un corto período de tiempo de 3 a 5 días e intentando estimar el número de contagios no diagnosticados que pueden existir, de forma a poder disminuir los efectos de ese error en los datos. Cada día se actualizan los parámetros de la función dependiendo de los datos empíricos obtenidos para poder hacer predicciones más exactas (Català et al., 2020). En el trabajo de Sánchez-Villegas y Codina (2020) también intentan modelizar la pandemia usando una función de Gompertz, pero de forma un poco distinta a como la 28 _______________________________________________________________________ presentan en el trabajo del BIOCOMSC. La fórmula o expresión del modelo enunciada en el trabajo de Sánchez-Villegas y Codina (2020) es la siguiente: 𝐺(𝑡) = 𝑎 · 𝑒−𝑒 𝑏·(𝑡−𝑐) Al derivar esta función obtenemos: 𝑔 (𝑡) = 𝑑𝐺 𝑑𝑡 = − 𝑎 · 𝑏 · 𝑒𝑏(𝑡−𝑐) · 𝑒−𝑒 𝑏(𝑡−𝑐) La primera función representa los casos acumulados y la segunda los casos diarios (o en el período de tiempo que decidamos utilizar). Los parámetros a, b y c no corresponden directamente a ningún concepto epidemiológico concreto (al contrario del ejemplo del trabajo del BIOCOMSC, en que las variables de la función de Gompertz sí coíncidian con ciertos aspectos de la realidad, como la velocidad de los contagios o el número máximo de infecciones) pero permiten el ajuste a una evolución temporal del tipo sigmoide. A pesar de las buenas predicciones en cortos plazos, la desventaja de este tipo de modelo es que se convierte en una gran dificultad saber si la pandemia remite gracias a las medidas impuestas por las instituciones, o por otras causas como el clima, una mutación menos contagiosa o la mera variabilidad intrínsecadel proceso de contagios. En el caso de algunos modelos basados en el individuo, sí podríamos tener en cuenta estas variaciones en un entorno virtual y así explicar el porqué de los cambios de tendencia. Y se convierte en una metodología ineficiente cuando la pandemia evoluciona de forma difícil de prever y, en vez de remitir, vuelven a surgir inesperados brotes que podrían ser modelizados como aleatorios. En el mismo trabajo de Sánchez-Villegas y Codina (2020), se advierte que las tendencias pueden sufrir cambios bruscos y que este modelo sólo pretende arrojar luz a corto o medio plazo sobre una tendencia en concreto para poder actuar sobre esa tendencia imponiendo ciertas medidas. Modelo mecanicista Los modelos mecanicistas son aquellos que se basan sobre todo en los fenómenos naturales o los mecanismos que relacionan o provocan esos fenómenos. En el caso de la pandemia, un buen ejemplo de este tipo de modelo es el del trabajo de Arenas et al. (2020). El primer autor, profesor del departamento de Ingeniería Informática i Matemáticas de la Universitat Rovira i Virgili (Tarragona) fue una persona relevante y con presencia notable en los grupos de trabajo que investigaron de forma rápida y eficiente la dinámica de la COVID-19. El modelo se diferencia de los empíricos que reseñamos anteriormente porque en este caso se centra sobre todo en los procesos naturales del paso de individuos de un estado a otro y en algunas características de estos individuos que condicionan estas transferencias entre estados. También cabe decir que Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 29 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech en este caso nos encontramos con más detalles de los procesos naturales que se presentan que en los típicos modelos continuos SEIR, como podemos observar en la Figura 7. Figura 7: S son los susceptibles, E los expuestos, A los asintomáticos infecciosos, I los infectados, R los recuperados, PH los individuos antes de ser hospitalizados, PD los individuos antes de fallecer debido a la infección, HR los individuos hospitalizados con buen diagnóstico que se recuperarán y HD los individuos hospitalizados que morirán. Obtenido del trabajo de Arenas et al. (2020). El flujo de individuos de un estado a otro (que se ejecuta a partir de un conjunto de ecuaciones correspondientes a una dinámica discreta en el tiempo, el paso de tiempo se corresponde a un día) está regulado por unos parámetros, de forma semejante a los modelos SEIR. No obstante, ahora se considera que los individuos pertenecen a distintos grupos demográficos en la población los cuales tienen diferente resistencia frente al impacto de la COVID-19, lo que conlleva distintos valores para los parámetros según el grupo. También se añade en el modelo el control del espacio, donde se incluyen algunos patrones de movilidad individual en las distintas regiones que configuran el espacio en el que se hallan estos individuos. El modelo esta formulado de manera que permite también incluir medidas restrictivas de movimiento y distancia entre individuos. Es importante destacar la gran cantidad de parámetros que se utilizan y se exploran en el trabajo de Arenas et al. (2020). En las Tablas 1, 2, 3 y 4 podemos observar los valores relacionados con la demografía española, los parámetros epidémicos de la COVID-19, los estados clínicos de los pacientes y los procesos de reducción de movilidad llevados a cabo gracias a las medidas de restricción respectivamente. Los parámetros fueron estimados y calibrados para representar España y poder modelizar y simular la realidad del país durante un brote de COVID-19. 30 _______________________________________________________________________ Tabla 1: Valores de los principales parámetros relacionados con los datos demográficos de España del modelo de Arenas et al. (2020). Tabla 2: Parámetros epidémicos estimados para la COVID-19 en España. Obtenido del trabajo de Arenas et al. (2020). Tabla 3: Parámetros clínicos estimados para la COVID-19 en España. Obtenido del trabajo de Arenas et al. (2020). Desarrollo de modelos computacionales para estudiar la pandemia de COVID-19 31 _______________________________________________________________________ Escola d’Enginyeria Agroalimentària i de Biosistemes de Barcelona UPC - BarcelonaTech Tabla 4: Parámetros que describen los procesos de reducción de movilidad en España durante la pandemia de COVID- 19. Obtenido del trabajo de Arenas et al. (2020). El trabajo de Arenas et al. (2020) se basa en otros estudios de metadatos relacionados con población y epidemiología desarrollados por los propios autores en trabajos anteriores, y sobre los cuales se fueron introduciendo aspectos propios de la COVID-19 a medida que se iban conociendo. Ese conocimiento previo en modelización epidemiológica, y sobre el que se sustenta este trabajo, fue fundamental para poder desarrollar un modelo mecanicista, discreto y espacial capaz de representar y simular la evolución de esta pandemia de forma tan completa. El modelo consiste en estados por los cuales pasan los individuos dependiendo de probabilidades, variables y parámetros recogidos de forma extensa en las tablas y en los apéndices que se encuentran en el propio trabajo publicado. En el modelo de Arenas et al. (2020) el espacio está dividido en parcelas, y la importación y exportación de casos entre parcelas se debe sobre todo a la movilidad de los individuos. Por este motivo, las limitaciones de esa movilidad se verán reflejadas en el número de contagios. Además, en cada parcela del espacio existirán individuos divididos en 3 grupos de edad: jóvenes (Y, hasta 25 años), adultos (M, hasta los 65 años) y mayores (O, mayores de 65 años). Las proporciones de individuos de cada grupo de edad afectarán la movilidad, el contacto entre grupos de edad, la letalidad y la infecciosidad. Cabe decir también que el modelo de Arenas et al. (2020) no se trata de un modelo basado en el individuo, y el espacio geográfico al que se refiere, así como las parcelas, son agrupaciones de personas que se consideran bien mezcladas (es decir, que dentro de esa parcela todos entran en contacto con todos, y existe la posibilidad de contagio entre individuos). La movilidad entre parcelas se representa en el modelo como una probabilidad de contactar con los individuos de una parcela cercana, y esta depende también del grupo de edad o de las limitaciones impuestas. 32 _______________________________________________________________________ Algunos modelos basados en agentes Para estudiar e investigar el comportamiento de la pandemia también se han desarrollado algunos modelos basados en agentes o en el individuo (o IBM, del inglés Individual Based Models) que pertenecen al conjunto de modelos computacionales expuestos en la introducción de este trabajo (Railsback & Grimm, 2019). Al contrario de los modelos clásicos usados en epidemiología (léase los modelos tipo SIR o el modelo de Gompertz), estos no tienen como objetivo hacer las predicciones a corto plazo, tan necesarias para aplicar medidas eficaces en un momento determinado, sino que más bien sirven como laboratorio virtual dónde experimentar con el comportamiento de los individuos de la población y la expansión del virus. Los modelos tipo SIR, por su sencillez intrínseca, no pueden tener en cuenta ciertos factores relacionados con las personas que padecen el virus, y se centran en variables globales, tratando a la población como un todo. Es decir, por su formulación no pueden tener en cuenta factores como el comportamiento humano o las tendencias relacionadas con
Compartir