Implicaciones de los modelos matemáticos predictivos en la previsión de recursos y servicios en el sector salud ante el COVID-19

Título de Paper 3
22/04/2020
Modelado Dinámico y el Sistema Médico-Hospitalario
04/05/2020
Show all

Implicaciones de los modelos matemáticos predictivos en la previsión de recursos y servicios en el sector salud ante el COVID-19

Implicaciones de los modelos matemáticos predictivos en la previsión de recursos y servicios en el sector salud ante el COVID-19

Creado por: José Iván Isaza-González, PhD. Investigador CIDETYS-AIP

El presidente de la República de Panamá en conferencia de prensa del martes 24 de marzo de 2020, declaró que estamos en guerra como país ante la pandemia del coronavirus. Por lo tanto, para poder vencer a un enemigo hay que conocerlo y en repetidas ocasiones los médicos, epidemiólogos, científicos han determinado que no conocen a este nuevo enemigo lo suficiente. En otras palabras, necesitamos fuentes de información constantes y en tiempo real para crear plataformas de equipo hombre-máquina y así vencer a este nuevo enemigo de la humanidad.

Iniciemos con el origen, la enfermedad del coronavirus (COVID-19) es causada por el coronavirus 2 del síndrome respiratorio agudo severo (SARS-CoV2) y fue declarado pandemia por la Organización Mundial de la Salud [1]⁠. Con su epicentro en Wuhan (China), el brote de COVID-19 se ha convertido una enfermedad potencialmente mortal y una preocupación mundial para la salud pública [2]⁠. En Panamá se han aplicado diversas medidas para reducir la transmisión de persona a persona de esta enfermedad con el fin de controlar el brote actual. Sin embargo, a pesar de estas medidas cada día se confirma un número creciente de casos con o sin antecedentes. Estos hechos respaldan las preocupaciones sobre posibles casos de infección de COVID-19 no identificados y no notificados, que podrían dar lugar a nuevos focos locales de la enfermedad [3]⁠.

La progresiva propagación de este virus ha conducido a la elaboración de estrategias que además de establecer la contención de los casos detectados también busquen la ralentización de la transmisión de enfermedades y de prevención de un exceso de morbilidad y mortalidad [4]⁠. Diariamente los funcionarios de salud necesitan saber quién está infectado para luchar adecuadamente contra la epidemia. En este sentido, la detección con antelación de los nuevos brotes de infección permite agilizar la toma de decisiones y concentrar los recursos para calibrar la respuesta ante este virus [5]⁠.

En este contexto, se han propuesto numerosos modelos matemáticos para predecir la evolución de la enfermedad COVID-19 alrededor del mundo [6]–[9]⁠. El propósito de estas predicciones es crear representaciones simplificadas de la realidad para orientar la toma de decisiones en esta pandemia [8]⁠. Las mismas suponen grandes implicaciones en cuanto a la rapidez y fuerza con que los gobiernos actúan en la contención de la enfermedad.  Se basan en tratar de entender cómo se mueven las personas entre tres estados principales, y con qué rapidez: las personas son susceptibles al virus; se han infectado; y después se recuperan o fallecen.

Sin embargo, el uso principal y eficaz de estos modelos persigue estimar el efecto relativo producido por diversas intervenciones realizadas por cada gobierno para reducir la tasa de morbilidad, más que producir predicciones cuantitativas precisas sobre el alcance o la duración de las tasas de morbilidad. El virus establece la línea de tiempo a seguir y como se mencionó antes, estos modelos están sujetos a las acciones realizadas por cada gobierno para prevenir su propagación. No obstante, con frecuencia el público, los políticos y los medios de comunicación, se centran en las predicciones cuantitativas de las infecciones y las estimaciones de la mortalidad [10]⁠. Esto puede contribuir a la incertidumbre y ansiedad debido a que se utilizan variables de las que no se tienen control en función del tiempo, y esto en muchos casos puede crear pánico desmedido ante la situación actual del país.

Aunque las simulaciones informáticas representan sólo una fracción del análisis de los datos que los equipos de modelización han realizado durante la crisis, estos representan una parte cada vez más importante de la formulación de políticas. Por lo que pueden ser instrumentos útiles a corto plazo, pero no deben ser interpretados excesivamente, en particular para proyecciones a largo plazo o características imperceptibles, como la fecha exacta de un número máximo de infecciones [11]⁠. Los mismos deben ser dinámicos y no fijos para tener en cuenta aspectos importantes e imprevisibles. Es poco probable que las epidemias sigan caminos idénticos en todas las regiones del mundo, por lo que los datos locales, como los resultados clínicos entre los pacientes deben utilizarse tan pronto como se disponga. Esto probablemente permitirá obtener conclusiones más exactas.

Teniendo en cuenta el comportamiento impredecible del SARS-CoV2 y el creciente número de infectados en Panamá, hace que cada vez resulte más necesaria la utilización de estos modelos para apoyar la toma de decisiones en materia de salud pública y asegurar el uso óptimo de los recursos para reducir la morbilidad y mortalidad causada por la pandemia de COVID-19. En este escenario, las previsiones pueden ofrecer proyecciones referentes a la demanda de asistencia sanitaria, incluido el número de camas que se necesitarán en las unidades de cuidados intensivos, el lugar y el momento en que es más probable que se produzca una escasez de ventiladores, y el personal de salud necesario para responder con eficacia.

Referencias

[1] H. Lau et al., “Internationally lost COVID-19 cases,” J. Microbiol. Immunol. Infect., Mar. 2020.

[2] H. A. Rothan and S. N. Byrareddy, “The epidemiology and pathogenesis of coronavirus disease (COVID-19) outbreak,” J. Autoimmun., vol. 109, p. 102433, May 2020.

[3] A. Husnayain, A. Fuad, and E. C.-Y. Su, “Applications of google search trends for risk communication in infectious disease management: A case study of COVID-19 outbreak in Taiwan,” Int. J. Infect. Dis., Mar. 2020.

[4] M. E. El Zowalaty and J. D. Järhult, “From SARS to COVID-19: A previously unknown SARS- related coronavirus (SARS-CoV-2) of pandemic potential infecting humans – Call for a One Health approach,” One Heal., vol. 9, p. 100124, Jun. 2020.

[5] D. S. Hui et al., “The continuing 2019-nCoV epidemic threat of novel coronaviruses to global health — The latest 2019 novel coronavirus outbreak in Wuhan, China,” Int. J. Infect. Dis., vol. 91, pp. 264–266, Feb. 2020.

[6] J. Lawler, “What healthcare providers need to know: preparing for the COVID-19.,” American Hospital Association webinar., 2020.

[7] G. E. Weissman et al., “Locally Informed Simulation to Predict Hospital Capacity Needs During the COVID-19 Pandemic,” Ann. Intern. Med., Apr. 2020.

[8] N. M. Ferguson et al., “Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand,” Imperial.Ac.Uk, no. March, pp. 3–20, 2020.

[9] I. C.-19 health service utilization forecasting Team and C. J. Murray, “Forecasting COVID-19 impact on hospital bed-days, ICU-days, ventilator-days and deaths by US state in the next 4 months,” medRxiv, vol. 114, p. 2020.03.27.20043752, 2020.

[10] D. Adam, “Special report: The simulations driving the world’s response to COVID-19,” Nature, vol. 580, no.          7803, pp. 316–318, Apr. 2020.

[11] S. Funk, A. Camacho, A. J. Kucharski, R. Lowe, R. M. Eggo, and W. J. Edmunds, “Assessing the performance of real-time epidemic forecasts: A case study of Ebola in the Western Area region of Sierra Leone, 2014-15,” PLOS Comput. Biol., vol. 15, no. 2, p. e1006785, Feb. 2019.

Comments are closed.