Tecnología
Domingo 16 febrero de 2020 | Publicado a las 11:55
Los modelos matem√°ticos y los computadores, nuevas armas contra el coronavirus
Por Camilo Suazo
La información es de Agence France-Presse
visitas

Para predecir la evoluci√≥n de la epidemia del coronavirus todas las armas son √ļtiles, incluidos los modelos matem√°ticos y las simulaciones mediante computador, aunque su margen de error es un riesgo, seg√ļn expertos.

Para construir esos modelos se toman numerosos par√°metros relacionados a la vez con el virus (probabilidad de transmisi√≥n, probabilidad de muerte o de curaci√≥n de un individuo infectado) y el comportamiento de las poblaciones, empezando por sus desplazamientos (tr√°fico a√©reo…).

Esos modelos matem√°ticos dan a las autoridades sanitarias pautas sobre la amplitud de la crisis y sobre las medidas que hay que tomar.

La ministra francesa de Salud, Agn√®s Buzyn, declar√≥ el viernes que el club de pa√≠ses m√°s avanzados, el G7, est√° trabajando en “modelos de diferentes escenarios en funci√≥n (…) de la gravedad, de la contagiosidad” de la epidemia.

“Pero hay un precio a pagar: cuanto m√°s se intenta afinar el modelo, m√°s dif√≠cil ser√° manipularlo y m√°s incertidumbre puede generar” explica a la AFP Arnaud Banos, investigador del Centro de Investigaciones cient√≠ficas franc√©s (CNRS).

Para intentar reflejar lo más adecuadamente posible la situación en tiempo real, los investigadores hacen simulaciones inyectando constantemente nuevos datos a medida que van surgiendo.

“Por ejemplo, la aparici√≥n de un nuevo foco o una nueva medida pol√≠tica o de salud p√ļblica que el modelo no pod√≠a predecir”, a√Īade Banos.

Gracias a ese tipo de modelo, un equipo británico de la London School of Hygiene & Tropical Medicine estimó esta semana que entre mediados y finales de febrero se llegará al pico de la epidemia de coronavirus en la ciudad china de Wuhan, su epicentro.

“De todas maneras subsisten numerosas incertidumbres sobre el momento exacto en que eso suceder√° y sobre el n√ļmero de casos que representar√°” advierte uno de los autores, Adam Kucharski.

“Este an√°lisis est√° firmado por un equipo experimentado y talentoso, pero como siempre, la falta de datos disponibles corre el riesgo de afectar sus previsiones” coment√≥ por su lado un cient√≠fico que no particip√≥ en esos trabajos, el profesor Rowland Kao de la universidad de Edimburgo.

De hecho, en los inicios de una epidemia, los modelos pueden conllevar errores por los numerosos interrogantes que subsisten.

Ese fue el caso por ejemplo de la segunda forma humana de la enfermedad de las vacas locas, en la segunda mitad de los a√Īos 1990.

“Algunos modelos, elaborados por equipos de investigaci√≥n prestigiosos, hab√≠an predecido hasta 136.000 casos hasta 2020, con mucha incertidumbre sobre las predicciones”, recuerda un epidemi√≥logo franc√©s, Arnaud Fontanet.

“Esas incertidumbres reposaban en gran parte sobre las hip√≥tesis emitidas en torno a la duraci√≥n de incubaci√≥n de la enfermedad”, a√Īade.

Pero la fiabilidad de ese tipo de previsiones “depende de la naturaleza del proceso modelizado y de los conocimientos e incertidumbres que se incorporan al modelo”, destaca Arnaud Banos.

En ese sentido, la inteligencia artificial ha ido ganando terreno en la elaboración de esos modelos.

“El objetivo es detectar lo que se denominan se√Īales d√©biles, por ejemplo individuos en redes sociales que comparten posibles s√≠ntomas”, explica Banos.

“La idea es rastrear permanentemente cantidades gigantescas de datos para detectar esas se√Īales d√©biles autom√°ticamente, para relacionarlos con la evoluci√≥n de una posible enfermedad, a partir de un gran n√ļmero de situaciones pasadas”, a√Īade.

Tendencias Ahora