Coronavirus: los problemas con los modelos matemáticos que están detrás de las estrategias de lucha contra el covid-19 en muchos países
“En esencia, todos los modelos están equivocados, pero algunos son útiles”, decía en 1976 el estadístico británico George Box.
44 años más tarde, sus palabras vuelven a cobrar sentido en medio de la profunda crisis sanitaria que golpea a todo el mundo ante la veloz propagación del covid-19.
En palabras simples, los modelos matemáticos son proyecciones estadísticas que, a partir de una cierta cantidad de datos, nos ayudan a hacer estimaciones respecto a diversos fenómenos o procesos.
En la ciencia y, específicamente en el estudio de las enfermedades, se suelen utilizar con frecuencia porque para los investigadores es una efectiva manera de entender con qué están lidiando.
Sin embargo, los modelos matemáticos no siempre son perfectos. Y en el caso del nuevo coronavirus, parece ser que al menos hasta ahora varios de ellos han dado resultados equivocados.
Pero ¿por qué es tan difícil hacer proyecciones con esta pandemia?
Confusiones con las proyecciones
Pongamos un ejemplo: el renombrado estudio del Imperial College de Londres que terminó por cambiar la estrategia del Reino Unido -basada hasta ese momento en la “inmunidad del rebaño”– para hacer frente al coronavirus.
El mensaje detrás del modelo de la universidad británica no podía ser más claro: o se cambiaba de estrategia o más de un cuarto de millón de personas iban a morir a causa del covid-19.
El panorama en Estados Unidos, según este mismo estudio, era aún más sombrío: se determinaba que podían morir entre un millón y 1,2 millones de personas si no se tomaban medidas inmediatas.
No obstante, días después, el propio creador del célebre modelo, Neil Ferguson, afirmó que el virus tiene una mayor capacidad de transmisión de la que se pensó originalmente.
Si existe una tasa más alta de contagios, entonces la tasa de mortalidad será más baja.
Además, el científico rebajó considerablemente el número de muertes en el Reino Unido, señalando que, tras las restricciones impuestas por el gobierno de Boris Johnson, no deberían sobrepasar las 20 mil.
Esto generó una serie de confusiones. Algunos investigadores salieron a cuestionar el estudio mientras Ferguson tuvo que hacer aclaraciones a través de su cuenta de Twitter.
Algo similar sucedió con un modelo hecho por la Universidad de Oxford que dio pie a titulares que declaraban que el coronavirus ya pudo haber contagiado a la mitad de la población del Reino Unido. Es decir, 34 millones de personas.
Pero, según los creadores de este modelo, esa cifra correspondía al resultado más extremo, añadiendo que hay otro extremo donde solo una pequeña proporción ha estado expuesta a la enfermedad.
¿Cuánta gente, entonces, podría haber padecido covid-19 según el estudio de Oxford? Puede ser mucha o muy poca. Nadie lo sabe.
Y ese es precisamente el problema: muchos de estos modelos estánhoy utilizando suposiciones pues no hay datos concretos.
“Los modelos son tan buenos como los datos que tú tienes”
Hasta ahora, es muy difícil saber cuánta gente hay realmente contagiada de coronavirus a lo largo del mundo.
El número de personas que supuestamente padecen la enfermedad varía extraordinariamente dependiendo del país y de cuántas pruebas se estén realizando en ese país.
Por ejemplo, Alemania -que está haciendo 160 mil pruebas a la semana-, tiene una tasa de mortalidad de casi 0,4%, mientras que la de Italia supera el 9%.
Y esto, según expertos, se explica en parte porque el número de contagiados confirmados en Alemania es altísimo gracias a la cantidad de pruebas que se están haciendo, lo que inmediatamente reduce su tasa de letalidad.
En Italia, en cambio, solo se está examinando a quienes llegan al hospital, en condiciones muy precarias.
Así, si no hay claridad en los números de base, tampoco habrá suficiente claridad en las proyecciones sobre la enfermedad.
“Los modelos son tan buenos como los datos que tú tienes. Y en el coronavirus, los modelos van a tener un índice de error bastante alto porque los datos que tenemos son en general muy malos”, explica a BBC Mundo el investigador del Instituto de Salud Pública y Psiquiatría de la Universidad de Cambridge, Andrés Roman-Urrestarazu.
“La única manera de hacer estimaciones -agrega- es hacerlo como lo hacen los alemanes: haciéndoles tests a 160 mil personas por semana”.
El académico explica que, de esta forma, los alemanes pueden tener una idea de cuánta es la efectividad de sus medidas de aislamiento, pero también qué tan mortal es este virus.
“Porque si calculamos las tasas de contagiados solo con la gente que llega al hospital, entonces la tasa de mortalidad será muy alta”, dice.
¿Cómo afecta esto a las decisiones de los gobiernos?
Teniendo esto en cuenta, el trabajo de quienes están detrás de las estrategias de los gobiernos para hacer frente a la enfermedad se hace aún más difícil.
Así lo explica a BBC Mundo Kit Yates, investigador y profesor de biología matemática de la Universidad de Bath.
“Pequeños cambios en los datos pueden hacer grandes cambios en el modelo. Y esto realmente puede afectar la forma en que un gobierno toma decisiones. Es una tarea muy difícil, no me gustaría ser hoy parte de un gobierno tratando de resolver esto”, dice.
De esta forma, el autor del libro “Los números de la vida” añade que “la tarea de quien hace los modelos es advertir de los supuestos en los que se basa y también de la incertidumbre que hay detrás“.
Asimismo, Yate dice que es importante que los modelos se actualicen si es que surgen datos nuevos.
“Sería ridículo no actualizar nunca un modelo con un brote como este. Así es como funciona la ciencia; tenemos que estar preparados para cuestionar nuestras conclusiones originales y actualizarlas con la nueva evidencia. Y eso no es un signo de debilidad sino de fortaleza”, dice.
¿Es correcto comparar los casos entre países?
Otro de los problemas es que existen proyecciones que se han basado en comparaciones entre países. Con ello, se han hecho estimaciones que en muchos casos son incorrectos.
“Comparar entre países en términos de casos es algo realmente difícil de hacer. Porque si no están haciéndole pruebas a muchas personas, entonces no encontrarás muchos casos y los números se verán más pequeños que en otros países”, explica Yate.
Además, según el investigador, en el coronavirus hay una variable que hace aún más difícil el trabajo de los estadísticos: los enfermos asintomáticos.
“Hay muchas personas que contraen coronavirus con síntomas leves, o incluso sin síntomas, que no necesariamente lo informarán y eso hace que la tasa de mortalidad parezca más alta de lo que es porque reconocemos todas las muertes, pero no necesariamente todos los casos”, dice.
“Esto hace que tener un buen manejo del virus sea un trabajo muy, muy difícil“, agrega.
Así, mientras el virus sigue avanzando en el mundo, los científicos, investigadores y matemáticos siguen intentando a contrarreloj resolver preguntas en un terreno que no parece estar demasiado firme todavía.
Y es que, tal como dice Andrés Roman-Urrestarazu, puede que parte del problema sea que la gente hoy quiere respuestas que, para la ciencia, demoran mucho tiempo.