Contexto

Para encontrar las formas adecuadas en las que se debe atajar un brote epidémico, es necesario hacer predicciones sobre su comportamiento futuro.

Esto ha conducido a una amplia variedad de herramientas matemáticas y computacionales de diversa precisión y complejidad.

Muchos de estos modelos son análogos a los empleados en otros campos. Los modelos SIS, empleados en enfermedades que no otorgan inmunización duradera, como la gripe, pueden ser empleados para predecir la variación de poblaciones que se relacionan mediante una red trófica dentro de un ecosistema, en cuyo caso los denominamos sistemas de Lotka-Volterra.

Desde este punto de vista, no es sorprendente pensar que muchos comportamientos que exhibe la propagación de una epidemia son también propios de otros sistemas que también modelamos.

Por ejemplo, la "percolación" o "capacidad de atravesar un sistema" tal y como un incendio forestal puede atravesar un bosque (existe percolación) o puede autoextinguirse (no hay percolación) en función de la distribución de masa forestal o su componente de liberación de energía, es análoga a la propagación de una enfermedad, dependiente de su virulencia, de la estructura poblacional y la distancia social, del conocimiento que tenemos de ella, etc

O también la "histéresis" o "dependencia del estado previo", que determina que las decisiones que se toman en un determinado momento durante la gestión del brote no tengan efectos visibles hasta pasado un cierto tiempo. El concepto de histéresis es común a una infinidad de campos pero, quizás, uno de los más conocidos, sea el de la ciencia de materiales.

Pero si hay algo que diferencia la propagación de una epidemia de un incendio o del flujo de agua en un suelo granular es su componente humano, que es difícil de parametrizar.

Esta situación se complica cuando tenemos en cuenta que la respuesta del sistema a muchos de estos factores es aproximadamente sigmoidal. Variaciones muy leves en alguno de sus parámetros pueden determinar la diferencia entre una holoendemia con una razón de infección del 100% o la autoextinción del brote.

En este proyecto, generamos poblaciones sintéticas de millones de individuos virtuales. Cada uno de ellos posee contactos sociales, con diferentes grados de proximidad y pertenece a comunidades que se interrelacionan de forma variable.

Simulamos una epidemia que se propaga a través de esa comunidad, tambien con diversos parámetros. El objetivo final es reconstruír, mediante métodos de aprendizaje automático y los datos acumulados en esas simulaciones, los parámetros propios de la infección y de su medio durante una epidemia real.

Específicamente, los datos que nos proporciones nos ayudarán a modelar el flujo de información sobre medidas de prevención y contención dentro de la red de individuos.

Esto es importante en lo que concierne a la adopción de medidas de prevención y control dado que una adopción muy temprana, en la que la percepción del riesgo sea baja respecto a la severidad de las medidas, conducirá a tasas de adherencia muy bajas que lastrarán la adopción de medidas posteriores. Por otra parte, el retraso en la toma de decisiones, incluso en escalas de tiempo de horas, puede representar una gran diferencia en el resultado final.