MADRID, 22 Abr. (EUROPA PRESS) -
Científicos del Laboratorio Nacional Brookhaven del Departamento de Energía (DOE) y la Universidad de Illinois Urbana-Champaign (UIUC) de EEUU han desarrollado un nuevo modelo matemático para predecir cómo se propagan epidemias como COVID-19, que muestra que los picos de casos de COVID-19 reflejan la actividad social de la población en el tiempo y no la inmunidad colectiva.
Este modelo no solo tiene en cuenta la susceptibilidad biológica variable de los individuos a la infección, sino también sus niveles de actividad social, que naturalmente cambian con el tiempo. Utilizando su modelo, el equipo demostró que un estado temporal de inmunidad colectiva, al que denominaron "inmunidad colectiva transitoria", surgió durante las primeras etapas aceleradas de la epidemia.
El estudio, publicado en 'Proceedings of the National Academy of Sciences', señala se predice que aparecerán "oleadas" posteriores, o aumentos repentinos en el número de casos, debido a cambios en los comportamientos sociales debido a la fatiga pandémica o variaciones en las mitigaciones impuestas.
La epidemia de COVID-19 llegó a Estados Unidos a principios de 2020 y se extendió rápidamente por varios estados en marzo. Para mitigar la propagación del coronavirus, los estados emitieron órdenes de quedarse en casa, cerraron escuelas y negocios y establecieron mandatos de máscaras. En las principales ciudades como Nueva York y Chicago, la primera ola terminó en junio. En el invierno, estalló una segunda ola en ambas ciudades; de hecho, han surgido oleadas posteriores de COVID-19 en todo el mundo.
Las epidemias muestran con frecuencia este patrón común de una ola inicial que termina, solo para ser seguida inesperadamente por olas posteriores, pero ha sido un desafío desarrollar una comprensión detallada y cuantitativa de este fenómeno genérico. Los modelos matemáticos de epidemias se desarrollaron por primera vez hace casi 100 años, pero no necesariamente pueden captar perfectamente la realidad. Uno de sus defectos es no tener en cuenta la estructura de las redes de contacto de persona a persona, que sirven como canales para la propagación de enfermedades infecciosas.
"Los modelos epidemiológicos clásicos tienden a ignorar el hecho de que una población es heterogénea, o diferente, en múltiples niveles, incluso fisiológica y socialmente", señala el autor principal Alexei Tkachenko, físico del Grupo de Teoría y Computación del Centro de Nanomateriales Funcionales (CFN).
La inmunidad colectiva es el porcentaje de la población que debe lograr la inmunidad para que termine una epidemia. "La inmunidad colectiva es un tema controvertido", ha señalado Sergei Maslov, un usuario de CFN y profesor y becario de la facultad de Bliss en UIUC, con nombramientos de profesores en los Departamentos de Física, Bioingeniería y en el Instituto Carl R. Woese de Biología Genómica.
Según Nigel Goldenfeld, profesor Swanlund de Física en UIUC y líder del Grupo de Biocomplejidad en el Instituto Carl R. Woese de Biología Genómica, el concepto de inmunidad colectiva no se aplica en la práctica al COVID-19, recuerda que "la actividad social de las personas aumenta y disminuye, especialmente debido a bloqueos u otras mitigaciones".
Por lo tanto, continúa, "una ola de la epidemia puede parecer desaparecer debido a las medidas de mitigación cuando los grupos susceptibles o más sociales han sido infectados colectivamente, algo que denominamos inmunidad colectiva transitoria. Las medidas se relajan y las redes sociales de la gente se renuevan, puede comenzar otra ola, como hemos visto con estados y países abriéndose demasiado pronto, pensando que lo peor ya pasó".
Ahmed Elbanna, miembro de la facultad Donald Biggar Willett y profesor de ingeniería civil y ambiental en la UIUC, señaló que la inmunidad colectiva transitoria tiene profundas implicaciones para las políticas públicas. "Las medidas de mitigación, como el uso de máscaras y evitar grandes reuniones, deben continuar hasta que se logre el verdadero umbral de inmunidad colectiva a través de la vacunación", afirma.
Para estimar la contribución social al factor de inmunidad, el equipo aprovechó estudios previos en los que los científicos monitorearon activamente el comportamiento social de las personas. También observaron la dinámica de la epidemia real, determinando el factor de inmunidad más consistente con los datos sobre hospitalizaciones relacionadas con COVID-19, admisiones en unidades de cuidados intensivos (UCI) y muertes diarias en Nueva York y Chicago. El equipo también pudo extender sus cálculos a los 50 estados de EEUU, Utilizando análisis anteriores generados por científicos del Imperial College de Londres.
A nivel de ciudad y estado, el número de reproducción se redujo en mayor medida en lugares gravemente afectados por COVID-19. Por ejemplo, cuando el número de susceptibles se redujo en un 10 por ciento durante la temprana y acelerada epidemia en Nueva York y Chicago, el número de reproducción se redujo en un 40 a 50 por ciento, lo que corresponde a un factor de inmunidad estimado de cuatro a cinco.
"Ese es un factor de inmunidad bastante grande, pero no es representativo de una inmunidad colectiva duradera. En una escala de tiempo más larga, estimamos un factor de inmunidad mucho más bajo de aproximadamente dos. El hecho de que una sola onda se detenga no significa que usted esté a salvo. Puede regresar", afirma Tkachenko.
Las personas cambian su comportamiento social con el tiempo. Por ejemplo, las personas que se aislaron a sí mismas durante la primera ola (quedarse en casa, no recibir visitas, ordenar alimentos en línea) posteriormente comienzan a relajar sus comportamientos. Cualquier aumento en la actividad social significa un riesgo de exposición adicional. Como se muestra en la figura, el resultado puede ser que haya una falsa impresión de que la epidemia ha terminado, aunque hay más oleadas por venir.
