Una característica común parece emerger de la dinámica de los casos de Covid-19 en diferentes partes del mundo: después de un periodo inicial de crecimiento lento, se llega a un punto de inflexión a partir del cual la epidemia comienza a progresar rápidamente. En un preprint reciente medRxiv (trabajo aún no revisado por pares), investigadores de Uruguay y Chile identificaron la presencia de este punto de inflexión en datos de 127 países y 532 condados de los EEUU. A partir del modelado del desarrollo de la epidemia, proponen que esta dinámica es producto de la saturación de las medidas de contención, como el distanciamiento, el uso de barbijos o el rastreo de contactos.
Conversamos sobre este tema con uno de los autores de este trabajo, Matías Arim. Matías es Doctor en Ecología, integrante del Departamento de Ecología y Gestión Ambiental del Centro Universitario Regional Este (CURE) de la Universidad de la República y miembro del Grupo Uruguayo Interdisciplinario de Análisis de Datos de COVID‑19.
Ustedes han publicado que la epidemia de covid tiene un punto de inflexión, a partir de cierto número de casos las medidas no farmacéuticas (distanciamiento, rastreo, barbijos, etc.) pierden efectividad.
El trabajo está subido al medRxiv y actualmente en revisión. También tiene una versión de difusión publicada por el Grupo uruguayo Interdisciplinario de Análisis de Datos de Covid-19, GUIAD. Es un Grupo de la Universidad de la República, Uruguay (UdelaR) que ha generado varias notas y actividades tratando de aportar al manejo de la Epidemia.
Para entender un poco antes de empezar, ¿qué es un punto de inflexión (tipping point)? ¿Podrías dar algún ejemplo de la naturaleza o de la vida cotidiana?
El ejemplo típico es cuando te hamacas en una silla. Te vas recostando, se levantan dos patas y la silla tiende a volver a pararse en sus cuatro patas, que es su punto de equilibrio. Pero si superás el umbral de inclinación, la silla ya no va a la posición original, su nuevo equilibrio es acostada horizontalmente, ahí es cuando superaste el punto de inflexión o “tipping point”, y cuando te caes al piso.
¿Cómo llegaron a este modelo?
En un momento Uruguay tenía más de cien casos activos pero presentaba una dinámica sostenida de reducción de casos. Esto contradecía los modelos utilizados e indicaba que nos faltaba “algo” importante para comprender la dinámica. Por otro lado, sabíamos que el trazado y testeo de contactos, que en Uruguay se escaló muy rápido gracias al trabajo del Instituto Pasteur y la UdelaR, podría saturarse.
Esto nos sugirió que habría una relación positiva entre el número de infectados y el crecimiento de la enfermedad. Cuanto más hay, peor te anda el sistema y más contagios se generan por persona enferma. En segundo lugar, esa relación positiva entre crecimiento y número de individuos es un fenómeno muy estudiado en dinámica de poblaciones, llamado efecto Allee. Este efecto se asocia con los puntos de inflexión donde por debajo de una cantidad de individuos la población (personas enfermas en el caso de COVID-19) tiende a extinguirse, pero por encima de ese número la población crece de forma sostenida.
Lo que hicimos fue primero formalizar estas ideas en un modelo, mostrando como las características del sistema de contención de la enfermedad pueden generar este efecto debido a su saturación con el aumento de casos. En segundo lugar, incorporamos este efecto a los modelos tradicionales mostrando cómo genera cambios abruptos en la dinámica desde tasas bajas a muy altas de acumulación de casos cuando se supera un umbral de epidemia. Por último, mostramos que esto es congruente con la dinámica de la enfermedad en muchas regiones del planeta.
Una vez superado el umbral, ¿por qué sucede que una medida que parece lógica (como el distanciamiento) en cierto punto deje de cumplir su rol protector?
Las medidas no farmacológicas utilizadas para la contención de COVID-19 involucran diversas estrategias como tapabocas, distancia física, cuarentena, identificación y aislamiento de casos, higiene personal y limpieza de espacios u objetos, etc. En su conjunto, estas medidas tienen el potencial de contener o atenuar la magnitud de la epidemia. Puede ser más difícil asignarle un impacto específico a cada medida. En su conjunto e individualmente estas medidas tienden a saturarse en su capacidad de contención al aumentar el número de enfermos en la población. Por un lado, más concentración de virus en el aire puede disminuir la eficiencia de las barreras y medidas higiénicas. Por otro, la identificación de personas enfermas y el trazado de sus contactos de riesgo está limitada por la cantidad de test que se pueden realizar, las personas asignadas para reconstruir contactos y la velocidad con que estos realizan estos procesos. Al ser estos recursos finitos su impacto en frenar la propagación de la enfermedad disminuye con el aumento en cantidad de enfermos.
En este punto ser conscientes de la acción conjunta de las medidas no farmacológicas es fundamental. Un nivel de distanciamiento físico que combinado con otras medidas contiene la enfermedad a bajos números de infectados, puede ya no ser eficiente cuando los infectados aumentan y saturaron a las otras medidas de contención.
¿Cuánto se aleja esto de los modelos tradicionales? Por ejemplo, en un ensayo famoso, Tomás Pueyo postuló utilizar alternativamente “el martillo y la danza”, según la situación de la epidemia. En Argentina la fases de aislamiento (del 1 más estricto al 5 prácticamente normal) se determinan en base a el tiempo de duplicación y algunos otros indicadores, que no tienen en cuenta estos puntos de no retorno.
Nuestros resultados no cuestionan las estrategias de fases de aislamiento, si no que lo que proponen es saber cuál es la zona de danza, para no tener que usar el martillo. Incorporan una comprensión explícita sobre la dinámica de la enfermedad que puede ser utilizada para el desarrollo de estrategias. También sustentan la atención a algunos indicadores del estado de contención de la epidemia. Por ejemplo, el número de casos sin nexo epidemiológico o el número de días que transcurren desde que un individuo tiene un contacto de riesgo y esa persona es estudiada y/o puesta en cuarentena, serían indicadores tempranos sobre la evolución de la enfermedad y su tendencia a la contención o crecimiento.
Desde el punto de vista de la modelación, nuestro estudio pone el foco en la importancia de incorporar el efecto de saturación de las medidas no farmacológicas para la comprensión de la dinámica y la proyección de su avance o respuesta a estrategias. Esta saturación no está presente explícitamente en la mayoría de los modelos utilizados. Mostramos que esta saturación puede ser un importante determinante de la dinámica de la epidemia, en particular a bajos números (cuando aún no creció o cuando se reduce su incidencia luego de una ola de casos).
Algunos modelos basados en agentes, donde se considera el comportamiento de cada individuo sanos o enfermos, con trazadores que aíslan a los enfermos, pueden incluir implícitamente saturación, incluso sin ser conscientes de este punto y su papel en la dinámica. Desde esta perspectiva el estudio ayuda a comprender la dinámica predicha por los modelos de agentes y considerar alternativas en su implementación.
Ustedes han señalado la importancia del rastreo de contactos y testeo, y muchos señalan que esto es parte del éxito uruguayo comparado con otros países sudamericanos. ¿Cuál es el rol de esta medida en un proceso que puede salir abruptamente de control?
Uruguay hace alrededor de 100 veces más tests por enfermo detectado que otros países de América. Esto implica mantener una atención fuerte a la red de contactos por donde puede difundir la enfermedad. Cuando una persona infectada comienza el período donde transmite la enfermedad es mucho más probable en este contexto que esté aislada, sin generar nuevos contagios o limitándose los contagios a su entorno inmediato (ej. contagio intra domicilio). Al evitarse una circulación comunitaria significativa y la escalada en el número de casos, no se supera el umbral de epidemia. Esto refuerza el estado de contención, porque los test disponibles por caso enfermo se mantienen altos y la fracción de la población en cuarentena es chica, lo cual es sostenible en el tiempo.
Además, al testear a los que fueron contactos de un caso confirmado, permite ir a buscar segundas posibles contactos, y así reducir aún más los períodos en que contactos de contactos pueden ser contagiosos.
Varios hemos señalado el reduccionismo de muchos modelos, donde las “culpa” del incremento de los casos se achaca a comportamientos individuales. Pero sabemos que eso no es realista, los parámetros como el tiempo de duplicación son promedios que encubren realidades, donde tanto lo individual como características sociales (acceso a la vivienda, al sistema de salud, etc.) determinan el aumento. ¿Cómo podemos considerar esta heterogeneidad en las recomendaciones para contener la epidemia?
Un punto a resaltar es la enorme diversidad de modelos que han sido utilizados en relación a la pandemia de COVID-19. En general se piensa que el objetivo de un modelo es tener un oráculo, al que le podemos preguntar cómo va a avanzar la enfermedad en el tiempo o espacio, y qué efecto tendrían las posibles medidas sobre esta dinámica. A todos nos gustaría tener ese modelo, pero en la mayoría de los casos eso linda con la utopía, que nos puede permitir caminar, pero no deja de ser utópico. Esto se debe fundamentalmente a la falta de datos y/o a la falta de modelos previamente validados en la zona de estudio.
En una bolsa podemos poner una cantidad de modelos “de juguete” que se han hecho. Modelos que pueden representar la dinámica de una enfermedad hipotética pero no capturan aspectos relevantes de la dinámica de COVID-19 o de la población de interés. Luego tenemos un importante número de modelos que han contribuido a comprender el riesgo de esta epidemia, las consecuencias de tomar o no medidas. Más allá de los énfasis y estrategias de análisis, los modelos razonablemente basados en el conocimiento contemporáneo han dado algunos mensajes consistentes. Primero, las características de transmisión del SARS-CoV2 determinan su potencial de generar epidemias de gran magnitud, con letalidades significativas, colapso del sistema sanitario e importantes impactos asociados. Segundo, las medidas de contención pueden reducir la magnitud de la epidemia y la concentración temporal de casos, reduciendo el impacto sanitario de la enfermedad. Tercero, las medidas tomadas habrían salvado millones de vidas. Las dinámicas de COVID-19 en ausencia de medidas o cuando estas no pueden ser sostenidas sustentan esos mensajes. Por supuesto, estas son valoraciones desde el punto de vista de la dinámica de la enfermedad que no ponderan aspectos sociales o económicos.
Cómo se consideran, o no, las heterogeneidades entre los individuos de una población es una importante diferencia entre los abordajes al modelado de la enfermedad. Esta heterogeneidades puede tener un papel importante en la dinámica de la epidemia y en el efecto de las medidas de contención. En relación a nuestro trabajo, la heterogeneidad socioeconómica puede implicar diferentes umbrales de epidemia. Si grupos humanos dentro de una población involucran a personas que se mueven más, perciben diferencialmente el riesgo, se cuidan distinto o interactúan con distinta cantidad de personas, implicarán diferentes umbrales de enfermos para el pasaje de contención a epidemia. La velocidad y la “fuerza” del sistema de trazado de contactos (número de test por día, personal contactando casos y reconstruyendo sus contactos) puede ajustarse a esas heterogeneidades subiendo el umbral en los grupos más vulnerables.
Esto es factible de ser trabajado con modelos, en términos conceptuales o para casos explícitos. No obstante, ajustarlo a casos concretos suele requerir un nivel de información que no está disponible, al menos como quisiéramos. El desafío es entonces incorporar estas heterogeneidades y que el modelo siga reflejando el proceso o población que te interesa capturar. Es decir, al incorporar estas cosas a los modelos, estos se vuelven muy hambrientos de información, la cual lamentablemente solemos no tener.
Para terminar, su modelo tiene un visión un poco pesimista, donde al pasar un punto de no retorno la epidemia se descontrola hasta alcanzar, entiendo, la inmunidad de rebaño pero a un altísimo costo. ¿Cuáles entonces serían las medidas cuando ya se ha cruzado ese punto?
Es importante aclarar que el punto de inflexión implica un cambio en la dinámica en donde si no se aumentan las medidas de contención la enfermedad efectivamente aumentará. Pero no implica que no sea atenuable o controlable. El partido se complica pero no está perdido. En este contexto, el estudio también indica la importancia de la velocidad y la magnitud de la respuesta. A medida que pasan los días desde que se supera el umbral la enfermedad crece y las medidas que se requieren para frenar esta dinámica crecen en proporción.
El reconocimiento del umbral de epidemia también aporta a las estrategias de contención y relajamiento posterior de medidas. Como dijimos, cuando se supera el umbral de epidemia se vuelve cada día más difícil volver a atrás y por eso es fundamental tratar que eso no pase. Ese ha sido el escenario de Uruguay en los últimos meses.
No obstante, también puede ser alentador para el control una vez disparada la epidemia. Cuando existe este umbral, el desafío no es llevar los infectados a cero para contenerla sino bajarlos por debajo de un número en donde la epidemia tienda a disminuir y tu asignación a la contención pueda irse progresivamente relajando. Es decir, trabajar con ese umbral de epidemia, aumentándolo con las medidas o llevando a las infecciones por debajo del mismo, es una herramienta de manejo que puede contribuir al desarrollo de estrategias exitosas con las capacidades disponibles. | 
