Publicado 25/08/2020 17:23:01 +02:00CET

Investigadores explican el crecimiento lineal de las curvas del COVID-19

Investigadores españoles crean un test genético capaz de detectar contagios en menos de 3 horas
Investigadores españoles crean un test genético capaz de detectar contagios en menos de 3 horas - ASCIRES SISTEMAS GENÓMICOS - Archivo

MADRID, 25 Ago. (EUROPA PRESS) -

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 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.