Contexto

Para atopar as formas adecuadas nas que se debe atalla un brote epidémico, é preciso facer prediccións sobre o seu comportamento futuro.

Isto ten conducido a unha ampla variedade de ferramentas matemáticas e computacionais de diversa precisión e complexidade.

Moitos destes modelos son análogos aos empregados noutros campos. Os modelos SIS, empregados en enfermidades que non outorgan inmunización duradeira, como a gripe, poden ser empregados para predicir a variación de poblacións que se relacionan mediante unha rede trófica dentro dun ecosistema, caso no que os denominamos sistemas de Lotka-Volterra.

Dende este punto de vista, non é sorprendente pensar que moitos comportamentos que exhibe a propagación dunha epidemia son tamén propios doutros sistemas que tamén modelamos.

Por exemplo, a "percolación" ou "capacidad de atravesar un sistema" tal e como un incendio forestal pode atravesar un bosque (existe percolación) ou pode autoextinguirse (non hai percolación) en función da distribución de masa forestal ou a súa compoñente de liberación de enerxía, é análoga á propagación dunha enfermidade, dependente da súa virulencia, da estrutura poblacional e a distancia social, do coñecemento que temos dela, etc

Ou tamén a "histéresis" ou "dependencia do estado previo", que determina que as decisións que se toman nun determinado momento durante a xestión do brote non teñan efectos visibles ata pasado un certo tempo. O concepto de histéresis é común a unha infinidade de campos pero, cecais, un dos máis coñecidos, sexa o da ciencia de materiais.

Pero se hai algo que diferenza a propagación dunha epidemia dun incendio ou do fluxo de auga nun solo granular é a súa compoñente humana, que é difícil de parametrizar.

Esta situación complicase cando temos en conta que a resposta do sistema a moitos destos factores é aproximadamente sigmoidal. Variacións moi leves nalgún dos seus parámetros poden determinar a diferenza entre unha holoendemia cunha razón de infección do 100% ou a autoextinción do brote.

Neste proxecto, xeramos poblacións sintéticas de millóns de individuos virtuais. Cada uno deles posee contactos sociais, con diferentes graos de proximidade e pertence a comunidades que se interrelacionan de forma variable.

Simulamos unha epidemia que se propaga a través desa comunidade, tamén con diversos parámetros. O obxectivo final é reconstruír, mediante métodos de aprendizaxe automático e os datos acumulados nesas simulacións, os parámetros propios da infección e do seu medio durante unha epidemia real.

Específicamente, os datos que nos proporciones axudarannos a modelar o fluxo de información sobre medidas de prevención e contención dentro da rede de individuos.

Isto é importante no que concerne á adopción de medidas de prevención e control dado que unha adopción moi temperá, na que a percepción do risco sexa baixa respecto á severidade das medidas, conducirá a tasas de adherencia moi baixas que lastrarán a adopción de medidas posteriores. Por outra parte, o retraso na toma de decisións, incluso en escalas de tempo de horas, pode representar unha gran diferenza no resultado final.