Usando modelos espaciales para analizar las estrategias de cierre de COVID-19

Ahora que muchos países y regiones han aplicado estrategias de bloqueo para mitigar los efectos de COVID-19, los investigadores se preguntan si se podrían haber ideado estrategias mejores o más específicas.

A la luz de las lecciones aprendidas, la modelización espacial está emergiendo como un área que puede proporcionar mejores respuestas y estrategias la próxima vez que nos enfrentemos a una pandemia importante.

Los investigadores que estudian las enfermedades infecciosas han aplicado típicamente modelos de susceptibilidad-infección-recuperación (SIR) para examinar la probabilidad de que las enfermedades infecciosas se propaguen en las comunidades. Muchos de estos modelos han carecido de dimensiones espaciales claras o al menos de un uso consistente de la cobertura espacial. Se ha demostrado que los modelos basados en el individuo o en el agente (ABM) representan procesos ascendentes, utilizando comportamientos y acciones individuales, como base para los modelos de exploración espacial que pueden utilizarse potencialmente para predecir los resultados probables de la propagación de la infección.

Otros modelos aplican enfoques descendentes o agregados, como la dinámica de sistemas, Monte Carlo o los modelos de elementos finitos. Estas diferentes formas de modelos tienen sus ventajas, ya que los ABM son mucho más detallados y pueden demostrar cómo los comportamientos individuales pueden afectar a la propagación de la enfermedad, mientras que los modelos agregados son generalmente más fáciles de probar.

Independientemente del enfoque, lo que es crítico es que las unidades espaciales relativamente pequeñas, que pueden actuar de forma independiente o explícita desde otras regiones, son el mejor enfoque para modelar la propagación de la pandemia, ya que permite que las circunstancias dentro de las áreas pequeñas afecten de la mejor manera posible el modelado.

Esto permite que los modelos también sean aplicables a escalas espaciales pequeñas, es decir, a escalas subnacionales, de modo que las medidas o estrategias de bloqueo puedan aplicarse más específicamente a un área, como ciudades, vecindarios o regiones pequeñas para ver cuán efectivas pueden ser[1].

Dos modelos espaciales diferentes de COVID-19 en Nueva Zelanda: la visualización de la izquierda muestra “cúmulos en su contexto geográfico y hace hincapié en los casos de transmisión interregional que se han producido”. La visualización de la derecha muestra “cúmulos separados de sus ubicaciones geográficas para enfatizar la distribución de los tamaños y la estructura de los cúmulos”. Figura: O’Sullivan y otros, 2020.

Dos modelos espaciales diferentes de COVID-19 en Nueva Zelanda: la visualización de la izquierda muestra “cúmulos en su contexto geográfico y enfatiza los casos de transmisión interregional que han ocurrido”. La visualización derecha muestra “cúmulos separados de sus ubicaciones geográficas para enfatizar la distribución de los tamaños y la estructura de los cúmulos”. Figura: O’Sullivan y otros, 2020.

En los casos en que se han aplicado estudios y datos empíricos utilizando modelos espacialmente explícitos sobre determinados países, como Italia, se ha demostrado que la transmisión de COVID-19 ha disminuido significativamente cuando se reduce la movilidad general (en el caso de Italia, una reducción de más del 40% de la transmisión). En este caso, un modelo de conectividad basado en la red susceptible-expuesto-infectado recuperado (SEIR) que considera las provincias y subregiones conectadas en función de las pautas de movilidad puede ajustarse para observar las tasas de movilidad entre zonas.

El modelo pudo demostrar que las medidas utilizadas en determinadas regiones para restringir el movimiento ayudan a limitar drásticamente las tasas de infección simplemente limitando la movilidad. No obstante, el modelo no tiene una escala muy fina, lo que limita su utilidad a nivel urbano o de comunidades específicas[2]. Un enfoque utilizó el modelado de regresión espacial para mostrar que la demografía, y no sólo la movilidad, tiene un gran impacto en la mortalidad con COVID-19. Las regiones con poblaciones mucho más antiguas tendían a tener tasas de mortalidad mucho más altas en Europa.

Así pues, las medidas que también se dirigen a las poblaciones vulnerables, además de restringir la movilidad en determinadas regiones, también tienen más éxito a la hora de limitar las muertes generales[3]. Otro modelo espacial mostró que la distancia a los lugares de prueba de COVID-19 podría ser un factor de transmisión.

Las zonas con baja densidad de población o con escaso acceso a las pruebas podrían tener tasas desproporcionadamente más altas de COVID-19 basándose en el hecho de que las pruebas no eran tan frecuentes y la transmisión en la comunidad se hacía alta sin pruebas adecuadas para determinar quién podía infectar a otros.

Si se ubicaban los sitios de prueba de manera más uniforme en todas las áreas, independientemente de la densidad de población y de las instalaciones de atención médica, entonces las tasas de infección podrían haber sido más bajas y la propagación podría haber sido más limitada en algunas partes de los Estados Unidos. Este estudio destaca cómo la desigualdad en la atención sanitaria es también un importante factor de base espacial en la propagación de COVID-19, ya que se ha descubierto que las comunidades minoritarias y más pobres también tienen en general un menor acceso a las pruebas, a pesar de que los estudios han sugerido que estas poblaciones podrían ser potencialmente más vulnerables a la muerte por infección que otros grupos demográficos[4].

En general, los modelos con explicaciones espaciales ponen de relieve cómo COVID-19 tiene varios factores espaciales que pueden afectar a su propagación y a sus tasas de mortalidad. Se ha demostrado que la conectividad regional, la movilidad, las pautas demográficas y las zonas en que se dispone de pruebas afectan a la tasa de infección y muerte.

La creación de modelos con explicaciones espaciales significará que, para futuras pandemias, estos y otros factores deberán estar representados en los modelos a fin de aumentar la eficacia de la modelización SEIR/SIR. Los modelos también tienen que ser más finos y capaces de manejar cómo las circunstancias específicas de las regiones, como las diferencias demográficas, podrían afectar a las tasas generales de infección y muerte.

Referencias

[1]    O’Sullivan, D., Gahegan, M., Exeter, D., Adams, B., 2020. Spatially‐explicit models for exploring COVID‐19 lockdown strategies. Transactions in GIS tgis.12660. https://doi.org/10.1111/tgis.12660.

[2]    Gatto, M., Bertuzzo, E., Mari, L., Miccoli, S., Carraro, L., Casagrandi, R., Rinaldo, A., 2020. Spread and dynamics of the COVID-19 epidemic in Italy: Effects of emergency containment measures. Proc Natl Acad Sci USA 117, 10484–10491. https://doi.org/10.1073/pnas.2004978117.

[3]    Sannigrahi, S., Pilla, F., Basu, B., Basu, A.S., 2020. The overall mortality caused by COVID-19 in the European region is highly associated with demographic composition: A spatial regression-based approach. arXiv:2005.04029 [q-bio].

[4]    Rader, B., Astley, C.M., Sy, K.T.L., Sewalk, K., Hswen, Y., Brownstein, J.S., Kraemer, M.U.G., 2020. Geographic access to United States SARS-CoV-2 testing sites highlights healthcare disparities and may bias transmission estimates. Journal of Travel Medicine taaa076. https://doi.org/10.1093/jtm/taaa076.

Traducido desde: gislounge

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.