Crónica de
Cantabria
Investigadores explican el crecimiento lineal de las
curvas del COVID-19
cronicadecantabria.com/cr/investigadores-explican-el-crecimiento-lineal-de-las-curvas-del-covid-19/
Científicos del Complexity Science Hub Vienna (Austria) son
los primeros en ofrecer una explicación del crecimiento lineal
de la curva de infección del COVID-19, dentro de un artículo
publicado en la revista científica Proceedings of the National
Academy of Sciences .
«Al principio de la pandemia, las curvas mostraron el
crecimiento exponencial esperado. Esto puede explicarse bien
por el llamado efecto bola de nieve: Una persona infectada infectaría a otras pocas, y en
una reacción en cadena, éstas pasarían el virus a otras pocas también. Con medidas
como el distanciamiento social, los gobiernos trataron de empujar la tasa de
crecimiento por debajo de la tasa de recuperación y por lo tanto reducir masivamente el
número de nuevas infecciones. En esta lógica, sin embargo, los individuos habrían
infectado menos que otra persona, y la curva se habría aplanado, llegando finalmente a
cero, algo que no ocurrió», explica el líder del estudio, Stefan Thurner.
«Lo que vimos en cambio fue un nivel constante de infecciones con un número similar
de nuevas infecciones cada día. Explicar esto con modelos epidemiológicos estándar
sería básicamente imposible», añade el coautor de la investigación, Peter Klimek.
El uso de los modelos epidemiológicos tradicionales habría requerido un gran ajuste de
los parámetros, haciendo el modelo cada vez más inverosímil. «Si se quiere equilibrar
las mediciones para que el número de reproducción efectiva R se mantenga
exactamente en 1, algo que explicaría el crecimiento lineal, habría que reducir los
contactos en el mismo porcentaje exacto y constante. En realidad eso es
extremadamente improbable», apunta Klimek.
De hecho, la probabilidad de observar el crecimiento lineal en estos modelos
compartimentales estándar es prácticamente cero, según estos científicos. Por lo tanto,
se inspiraron para ampliar el modelo y buscar más explicaciones.
Los científicos explicaron la forma lineal de las curvas a través de una forma de
propagación diferente a la inicialmente esperada: Asumieron que la dinámica de
propagación continuaba en pequeños y limitados cúmulos. «La mayoría de la gente fue
a trabajar, se infectó y se propagó a dos o tres personas en casa, y luego esas personas
fueron al trabajo o a la escuela de nuevo. La infección se propagaba básicamente de un
1/2
grupo a otro. El cambio de las curvas de la infección de tener forma de S a un
comportamiento lineal es claramente un efecto de red, una dinámica muy diferente de
los grandes eventos de súper propagación», detalla Stefan Thurner.
Los científicos mostraron que hay un número crítico de contactos, que ellos llaman
grado de redes de contacto o Dc, por debajo del cual debe ocurrir un crecimiento lineal y
una baja prevalencia de infección. Encontraron que el Dc es igual a 7,2, suponiendo que
las personas circulan en una red relevante para el coronavirus de unas cinco personas,
lo que es aún más bajo durante un cierre efectivo (2,5 personas en promedio).
En lugar de tener que afinar los parámetros, su modelo permite una amplia gama de
posibilidades que mantienen lineales las curvas de infección. Esto explica por qué las
curvas de infección lineales aparecen en tantos países, independientemente de la
magnitud de las medidas impuestas.
Los científicos compararon a Austria, un país que respondió con un severo
confinamiento desde el principio, y a Estados Unidos, que inicialmente no impuso
medidas severas. Según Peter Klimek, su modelo funciona para ambos escenarios:
«Ambos tipos de países mostraron curvas lineales, pero en el caso de EEUU y otros
países como Suecia, solo ocurrieron en un nivel mucho más alto».
El modelo no solo explica la aparición de un crecimiento lineal, sino que también
explica por qué la epidemia podría detenerse por debajo de los niveles de inmunidad de
la manada por el consiguiente distanciamiento social. Para el procedimiento de
modelización estándar, los científicos utilizan el llamado modelo compartimentado con
modelos SIR, ampliándolo con la transmisión de brotes descrita.
Con factores de riesgo adicionales como el regreso de las personas de vacaciones en
otros países y el aumento del tiempo que pasan en el interior, la propagación de la
enfermedad podría cambiar. «Si las infecciones vuelven a aumentar, existe la
posibilidad de que las curvas lineales se conviertan de nuevo en un crecimiento
exponencial, algo que la gente describe como una segunda ola», concluye Klimek.
2/2