"Superspreaders" en realidad podrían hacer que Covid-19 sea más fácil de controlar
Las sorprendentes implicaciones de la tendencia de la enfermedad a extenderse en grandes racimos.
Por Justin Fox - Bloomberg
Superhéroes No superespropagadores. Fotógrafo: Andrej Isakovic / AFP / Getty Images
En un taller del 15 de febrero para instructores de zumba en la ciudad surcoreana de Cheonan, una persona infectada con Covid-19 transmitió la enfermedad a otras siete personas, que luego la transmitieron en las clases que impartieron, con el brote resultante infectando a más de 100 A principios de marzo, un miembro de Skagit Valley Chorale en Mount Vernon, Washington, parece haber infectado a otros 52 en la práctica del coro. Luego está el tipo de la planta procesadora de mariscos cerca de Accra, Ghana, que este mes informó que había infectado a 533 compañeros de trabajo.
Estos eventos de "superpropagación" se han convertido en una marca registrada del nuevo coronavirus, a primera vista bastante aterrador. Pero la mayoría de las personas que contraen la enfermedad no la transmiten a docenas de personas, y muchas no se la transmiten a nadie. Un nuevo estudio global estima que aproximadamente el 10% de las personas infectadas con Covid-19 causan el 80% de las transmisiones secundarias; otro estudio centrado en Israel pone esa participación entre 1% y 10%. Este desequilibrio explica mucho por qué Covid-19 se ha extendido de manera tan desigual e impredecible en todo el mundo. También, tal vez en contra de la intuición, parece hacer que la enfermedad sea más fácil de controlar de lo que sería si los superpropagadores no fueran tan importantes.
La variable crucial en los modelos epidemiológicos estándar es el número básico de reproducción, o R0, que es el número promedio de personas que es probable que infecte a alguien con la enfermedad. Los modelos reales recuperados infectados susceptibles son un poco más complicados que esto, pero esto es lo que obtienes si comienzas con una persona infectada y lo multiplicas por 2.25 (la mayoría de las estimaciones de R0 de Covid-19 están entre dos y tres) durante los próximos 10 períodos - que arbitrariamente he considerado semanas, no muy lejos del período de tiempo durante el cual se desarrollan las nuevas infecciones por Covid-19, con resultados redondeados al número entero más cercano:
Cómo se propaga una epidemia
Número de infectados si cada uno infecta un promedio de 2.25 otros por semana
Fuente: cálculos del autor.
Para las enfermedades de transmisión sexual y las transmitidas por el suministro de agua o por "vectores" como los mosquitos, se ha entendido durante mucho tiempo que tales modelos no son la representación más útil de cómo se propagan o pueden controlarse las infecciones. Haga que esa persona realmente promiscua deje de ser tan promiscua, o apague la bomba de ese pozo contaminado, y puede tener un gran impacto en la propagación del SIDA o del cólera. Sin embargo, para las enfermedades respiratorias transmitidas directamente, como la influenza, esto se consideró como un problema o una opción menos.
En un artículo de 2005 en la revista Nature que últimamente ha recibido mucha atención merecida, dos epidemiólogos y dos matemáticos señalaron que, si bien tal vez no fue un problema para la gripe, hay otras enfermedades que se propagan a través del contacto personal casual donde La transmisión parece estar dominada por una minoría de grandes eventos. "Utilizando datos de rastreo de contactos de ocho enfermedades transmitidas directamente, mostramos que la distribución de la infecciosidad individual alrededor de R0 a menudo es muy sesgada", escribieron. "Las predicciones del modelo que explican esta variación difieren considerablemente de los enfoques basados en el promedio, con la posibilidad de extinción de enfermedades y brotes más raros pero más explosivos".
La enfermedad que fue el foco principal del documento fue el Síndrome Respiratorio Agudo Severo causado por coronavirus que había surgido en China dos años antes y se extendió rápidamente a varios otros países asiáticos y Canadá antes de ser contenido. Los autores idearon una nueva variable, "k", para reflejar la distribución de la infecciosidad individual, con una k baja que significa una propagación más sesgada. Asignaron al SARS una k de 0.16. Las estimaciones de la k de la gripe pandémica de 1918 rondan alrededor de 1, informó la semana pasada el periodista y biólogo molecular Kai Kupferschmidt en una excelente revista de la revista Science, sobre el fenómeno superdifusión. En respuesta al artículo, el autor principal del estudio Nature de 2005, Jamie Lloyd-Smith, de la Universidad de California en Los Ángeles, tuiteó que su estimación provisional de la k de Covid-19 es 0.17. (Epidemiología Twitter es donde está, gente).
¿Qué podemos hacer con estas estimaciones de k? En 2005, Lloyd-Smith y sus coautores realizaron simulaciones por computadora de miles de hipotéticas epidemias y descubrieron que las enfermedades con un valor cercano a 0.1 tenían muchas más probabilidades de desaparecer por sí solas o ser detenidas por modestas medidas de control que aquellas con un riesgo de 0.5 o más alto.
Para comprender mejor por qué es así, y con la esperanza de impartir algo de esa comprensión a los lectores, armé un modelo mucho más simple de una enfermedad con una dispersión de infecciosidad en la que 9 de cada 10 personas tienen un número de reproducción de 0.5 y 1 de 10 un número de reproducción de 18. Esto equivale al 10% de los casos que causan el 80% de las infecciones secundarias, como se encontró en el estudio citado anteriormente, y un R0 promedio de 2.25, como en el cuadro anterior. Para facilitar el trabajo de esto en una hoja de cálculo, supuse que en el 10% de las semanas todas las personas con la enfermedad le dan otras 18, y en el otro 90% se lo dan a un promedio de 0.5 más, lo cual es un terrible modelo epidemiológico. pero creo que aún llega a la dinámica básica en el trabajo.
La clave de esta dinámica es que las semanas altamente infecciosas y las menos infecciosas se distribuyen al azar. Durante largos períodos de tiempo, el 10% de las semanas serán altamente infecciosas, pero al igual que, por ejemplo, apostando por un número en la ruleta, habrá largas sequías y grupos ocasionales. Generé un montón de series aleatorias de números del 1 al 10, asignando 18 infecciones por persona a las semanas que salieron como 10 y 0.5 al resto. Así es como funcionó mi primera serie, con los números redondeados al número entero más cercano.
Cómo se esfuma una epidemia
Número de infectados en simulación con alta variación en infecciosidad
Fuente: cálculos del autor.
Entonces, la epidemia comenzó con fuerza, con 18 nuevas infecciones en la primera semana, y luego desapareció a medida que las semanas siguientes seguían reduciendo los números a la mitad. El segundo tuvo un poco más de impulso.
Cómo avanza una epidemia
Número de infectados en simulación con alta variación en infecciosidad
Fuente: cálculos del autor.
Sin embargo, no fue hasta la undécima carrera que generé una epidemia que superó a la que tuve cuando supuse que cada persona infectaba a otras 2.25, e incluso se había retrasado en la semana 10.
Finalmente, despega una epidemia de superación
Número de infectados
Fuente: cálculos del autor.
Tenga en cuenta que aquí no he probado nada más que ahora sé cómo usar la función RANDBETWEEN en Excel, pero esto parece ser un claro ejemplo de cómo la posibilidad aleatoria junto con un sesgo significativo puede ofrecer una gran variabilidad en los resultados. Se han dedicado innumerables píxeles e incluso más poder de procesamiento informático a descubrir qué características y políticas han sido responsables de brotes mortales de Covid-19 en algunos lugares y leves en otros, y algunas de las conclusiones de estas investigaciones seguramente tienen mérito. Pero dada la aparente gran variabilidad de la infecciosidad, parece probable que haya grandes diferencias en la velocidad y gravedad de los brotes de Covid-19 en todo el mundo, incluso si todos vivieran en circunstancias similares y cada gobierno siguiera políticas idénticas.
Las lecciones más importantes que se pueden derivar aquí pueden surgir del hecho de que las variaciones en la infecciosidad no son completamente aleatorias. En el futuro, un equipo de ocho investigadores en su mayoría con sede en los EE. UU. especularon en otro documento nuevo sobre el fenómeno, es posible identificar a los que tienen más probabilidades de ser superpropagadores por la demografía, la carga viral u otras características físicas. En el presente, ya es bastante fácil identificar comportamientos específicos y ubicaciones que se prestan a la transmisión Covid-19 a gran escala, con cantos, gritos, hablar en voz alta o de otra manera participar en comportamientos que probablemente propaguen el virus en los espacios interiores abarrotados implicados en La mayoría de los principales eventos de superdifusión.
El papel clave de tales eventos puede ayudar a explicar por qué, como demostró mi colega de la Opinión de Bloomberg Elaine He con un notable conjunto de gráficos, la rigurosidad de los cierres gubernamentales en diferentes países europeos no parecía estar correlacionada con el éxito en frenar la propagación de la enfermedad. , aunque su sincronización lo hizo. Una vez que haya puesto fin a las grandes reuniones interiores con muchos gritos o cantos, puede haber rendimientos decrecientes a otras restricciones. Esto también puede ayudar a explicar por qué los modelos epidémicos que no suponían una gran variabilidad en la infecciosidad individual sobreestimaron tan salvajemente la rapidez con que la enfermedad se propagaría bajo restricciones relativamente relajadas en Suecia.
Otra implicación del sesgo del superdifusores de Covid-19, según varios artículos recientes, es que incluso en ausencia de pruebas generalizadas de la enfermedad, los esfuerzos de baja tecnología para aislar a aquellos con síntomas y rastrear sus contactos pueden ser bastante efectivos para frenar su propagación. . La prevención de un solo evento de superdifusión de esta manera puede tener un gran impacto, mientras que si la transmisión se distribuye de manera más uniforme, los esfuerzos de aislamiento tendrían que ser bastante exhaustivos para tener éxito. También sugeriría que el uso generalizado de máscaras de tela incluso no muy efectivas debería reducir la probabilidad de superdifusión, pero siempre estoy buscando justificar las inversiones que he hecho en la construcción de un alijo de máscaras familiar.
Finalmente, como Corea del Sur en particular ha experimentado una y otra vez en los últimos meses, los eventos de superdifusores pueden permitir que Covid-19 regrese rápidamente después de períodos de declive. Son una razón para permanecer extremadamente vigilantes sobre la enfermedad, incluso cuando crees que la tienes a la fuga. Pero también son una razón para esperar que se pueda contener de una manera que, digamos, la influenza probablemente no.
No hay comentarios:
Publicar un comentario