México debe mejorar los sistemas de predicción matemática de epidemias: UAM
Esto para disponer de más variables que expliquen fenómenos como la pandemia generada por el covid-19.
El investigador de la Universidad Autónoma Metropolitana, Pablo Oliva Sánchez, destacó la importancia de que en México se mejoren los sistemas de información para disponer de más variables que expliquen fenómenos como la pandemia generada por el covid-19.
Por ello, señaló que se deben mejorar los sistemas de predicción matemática de epidemias en el país.
Al participar en el Ciclo de foros académicos: La investigación UAM presente ante la pandemia, el investigador indicó que México utiliza el modelo Centinela, basado en una vigilancia pasiva en la que la población estudiada –a la que se aplica la prueba de detección viral– es aquella que en algún momento se consideró sospechosa o presentó síntomas.
Dijo que aunque no está mal ese procedimiento, se debería reforzar con otros patrones, incluidas las encuestas seroepidemiológicas que implican un muestreo complejo a nivel nacional en el que se hagan pruebas, sobre todo de tipo inmunológico, lo cual indicaría qué tantos infectados hay y cuántos tuvieron ya la enfermedad para hablar, no sólo de inmunidad de grupo, sino de barrera y usar la cifra de transmisiones para prevenir que los nuevos casos contaminen a personas que no han tenido contacto con el virus.
En este sentido, el profesor del Departamento de Atención a la Salud de la Unidad Xochimilco destacó la importancia de que la presentación de los datos o de los prototipos esté más orientada a ver cuál es la probabilidad de enfermar, ser hospitalizado o sufrir complicaciones –dados los contagios– que a simplemente identificar aquellos activos.
Reconoció que la parte más difícil es modelar el comportamiento de la gente, pues en una pandemia no sólo está en juego un patógeno, sino la localidad en su conjunto.
Informó que desarrolla un modelo clásico epidemiológico para entender la dinámica de la transmisión, que también incorpora la movilidad en la Ciudad de México, la zona conurbada y municipios del Estado de México.
A partir del modelo básico Seird se analiza a la población clasificada en S: susceptible; E: expuesta; I: infectada; R: recuperada, y D: muertos. “Es un método clásico utilizado con éxito en otros lugares, pero queremos incorporar la movilidad y la adaptación espacial, porque cada municipio tiene su propia dinámica de contagio y cada alcaldía tiene un grado de desarrollo sociológico, empleo y variables de movimiento, todo lo cual hace que lo podamos adaptar para que tenga cierto valor predictivo a otra escala”.
Por su parte, el doctor Luis Álvarez Icaza, académico del Instituto de Ingeniería de la Universidad Nacional Autónoma de México (UNAM), consideró que el desafío en la reproducción de la realidad es que se cuenta con información parcial.
“Los investigadores tomamos un prototipo epidemiológico que sólo nos permite saber cuánta gente llegó a las unidades de control de males respiratorios y tenemos una parte del problema, por lo tanto ¿cómo reproducir de manera certera lo que está pasando en el mecanismo de propagación del padecimiento cuando empleamos información incierta e incompleta?”.
