Introducción y resumen sobre inmunidad colectiva

Inmunidad colectiva al COVID-19: ¿dónde estamos?

Arnaud Fontanet y Simon Cauchemez

Nature Reviews Immunology (2020)

Detalles de métricas

La inmunidad colectiva es un concepto clave para el control de epidemias. Afirma que solo una parte de la población necesita ser inmune (superando una infección natural o mediante la vacunación) a un agente infeccioso para que deje de generar grandes brotes. Una pregunta clave en la actual pandemia de COVID-19 es cómo y cuándo se puede lograr la inmunidad colectiva y a qué costo.

La inmunidad colectiva se logra cuando una persona infectada en una población genera menos de un caso secundario en promedio, que corresponde al número de reproducción efectiva R (es decir, el número promedio de personas infectadas por un caso) que cae por debajo de 1 en ausencia de intervenciones . En una población en la que los individuos se mezclan de manera homogénea y son igualmente susceptibles y contagiosos, R = (1 − p_C)(1 − p_I)R₀ (ecuación 1), donde p_C es la reducción relativa en las tasas de transmisión debido a intervenciones no farmacéuticas; p_I es la proporción de individuos inmunes; y R0 es el número de reproducción en ausencia de medidas de control en una población completamente susceptible. R0 puede variar entre poblaciones y con el tiempo, dependiendo de la naturaleza y el número de contactos entre individuos y factores ambientales potenciales. En ausencia de medidas de control (p_C = 0), la condición para la inmunidad de grupo (R <1, donde  R = (1 − p_I)R₀ se logra por lo tanto cuando la proporción de individuos inmunes alcanza p_I = 1 – 1/R₀. Para el SARS-CoV-2, la mayoría de las estimaciones de R0 están en el rango de 2,5 a 4, sin un patrón geográfico claro. Para R0 = 3, según lo estimado para Francia1, se espera que el umbral de inmunidad colectiva para el SARS-CoV-2 requiera un 67% de inmunidad de la población. También se deduce de la ecuación 1 que, en ausencia de inmunidad colectiva, la intensidad de las medidas de distanciamiento social necesarias para controlar la transmisión disminuye a medida que aumenta la inmunidad de la población. Por ejemplo, para contener la propagación para R0 = 3, las tasas de transmisión deben reducirse en un 67% si la población es completamente susceptible, pero solo en un 50% si un tercio de la población ya es inmune.

Hay situaciones en las que se puede lograr la inmunidad colectiva antes de que la inmunidad de la población alcance  p_I = 1 − 1/R₀. Por ejemplo, si algunas personas tienen más probabilidades de infectarse y transmitir porque tienen más contactos, es probable que estos superpropagadores se infecten primero. Como resultado, la población de individuos susceptibles se agota rápidamente de estos superpropagadores y el ritmo de transmisión se ralentiza. Sin embargo, sigue siendo difícil cuantificar el impacto de este fenómeno en el contexto de COVID-19. Para R₀ = 3, Britton et al.2 demostraron que, si tenemos en cuenta los patrones de contacto específicos de la edad (por ejemplo, los individuos> 80 años tienen sustancialmente menos contactos que los de 20 a 40 años), el umbral de inmunidad colectiva cae de 66,7% a 62,5%. Si asumimos además que el número de contactos varía sustancialmente entre individuos dentro del mismo grupo de edad, la inmunidad colectiva podría lograrse con solo el 50% de inmunidad de la población. Sin embargo, en este escenario, la desviación de la fórmula p_I = 1 − 1/R₀ solo se espera si siempre es el mismo conjunto de individuos los que son potenciales superpropagadores. Si la superpropagación es impulsada por eventos y no por individuos, o si las medidas de control reducen o modifican el conjunto de superpropagadores potenciales, puede haber un impacto limitado en la inmunidad de la manada. Otro factor que puede influir en un umbral de inmunidad colectiva más bajo para COVID-19 es el papel de los niños en la transmisión viral. Los informes preliminares encuentran que los niños, en particular los menores de 10 años, pueden ser menos susceptibles y contagiosos que los adultos3, en cuyo caso pueden omitirse parcialmente del cálculo de la inmunidad colectiva.

La inmunidad de la población se estima típicamente mediante encuestas transversales de muestras representativas utilizando pruebas serológicas que miden la inmunidad humoral. Las encuestas realizadas en países afectados al principio de la epidemia de COVID-19, como España e Italia, sugieren que la prevalencia de anticuerpos a nivel nacional varía entre el 1 y el 10%, con picos de alrededor del 10-15% en las zonas urbanas muy afectadas4. Curiosamente, esto es consistente con predicciones anteriores hechas por modelos matemáticos, utilizando recuentos de muertes reportados en estadísticas nacionales y estimaciones de la tasa de mortalidad por infección, es decir, la probabilidad de muerte dada la infección1,5. Algunos han argumentado que la inmunidad humoral no captura el espectro completo de la inmunidad protectora del SARS-CoV-2 y que la primera ola epidémica ha resultado en niveles más altos de inmunidad en la población que los medidos a través de encuestas transversales de anticuerpos. De hecho, se ha documentado la reactividad de las células T en ausencia de inmunidad humoral detectable entre los contactos de los pacientes6, aunque se desconocen la naturaleza protectora y la duración de la respuesta observada. Otra incógnita es si la inmunidad preexistente a los coronavirus del resfriado común puede proporcionar algún nivel de protección cruzada. Varios estudios informaron células T con reactividad cruzada en el 20-50% de los individuos sin experiencia previa con SARS-CoV-27. Sin embargo, queda por determinar si estas células T pueden prevenir la infección por SARS-CoV-2 o proteger contra enfermedades graves7. Los informes preliminares de encuestas en niños no muestran correlación entre infecciones pasadas por coronavirus estacionales y susceptibilidad a la infección por SARS-CoV-28. Claramente, no se evidenció inmunidad esterilizante mediante protección cruzada durante el brote de SARS-CoV-2 en el portaaviones Charles de Gaulle, donde el 70% de los marineros adultos jóvenes se infectaron antes de que la epidemia se detuviera9.
Teniendo en cuenta estas consideraciones, hay poca evidencia que sugiera que la propagación del SARS-CoV-2 podría detenerse naturalmente antes de que al menos el 50% de la población se haya vuelto inmune. Otra pregunta es qué se necesitaría para lograr el 50% de inmunidad de la población, dado que actualmente no sabemos cuánto tiempo dura la inmunidad adquirida de forma natural al SARS-CoV-2 (la inmunidad a los coronavirus estacionales suele ser relativamente corta), particularmente entre aquellos que tenían formas leves de la enfermedad, y si pueden ser necesarias varias rondas de reinfección antes de lograr una inmunidad sólida. La reinfección solo se ha documentado de manera concluyente en un número muy limitado de casos hasta ahora y no está claro si se trata de un fenómeno raro o puede llegar a ser una ocurrencia común. Asimismo, se desconoce cómo una infección previa afectaría el curso de la enfermedad en una reinfección y si algún nivel de inmunidad preexistente afectaría la diseminación y transmisibilidad viral.

Con las pandemias de gripe, la inmunidad colectiva generalmente se logra después de dos o tres oleadas epidémicas, cada una interrumpida por la estacionalidad típica del virus de la gripe y, más raramente, por intervenciones, con la ayuda de la protección cruzada a través de la inmunidad a los virus de la gripe encontrados anteriormente y las vacunas cuando están disponibles10 . Para COVID-19, que tiene una tasa de letalidad por infección estimada de 0.3 a 1.3% 1,5, el costo de alcanzar la inmunidad colectiva a través de la infección natural sería muy alto, especialmente en ausencia de un mejor manejo de los pacientes y sin una protección óptima de las personas en riesgo de complicaciones graves. Suponiendo un umbral optimista de inmunidad colectiva del 50%, para países como Francia y EE. UU., Esto se traduciría en 100.000–450.000 y 500.000–2.100.000 muertes, respectivamente. Los hombres, las personas mayores y las personas con comorbilidades se ven afectados de manera desproporcionada, con tasas de letalidad por infección del 3,3% para los mayores de 60 años y una mayor mortalidad en personas con diabetes, enfermedad cardíaca, enfermedad respiratoria crónica u obesidad. El impacto esperado sería sustancialmente menor en poblaciones más jóvenes.

Una vacuna eficaz presenta la forma más segura de alcanzar la inmunidad colectiva. En agosto de 2020, seis vacunas anti-SARS-CoV-2 han alcanzado los ensayos de fase III, por lo que es concebible que algunas estén disponibles a principios de 2021, aunque su seguridad y eficacia aún no se han establecido. Dado que la producción y entrega de una vacuna será inicialmente limitada, será importante priorizar las poblaciones altamente expuestas y aquellas en riesgo de morbilidad severa. Las vacunas son especialmente adecuadas para crear inmunidad colectiva porque su asignación puede dirigirse específicamente a poblaciones muy expuestas, como los trabajadores de la salud o las personas que tienen contacto frecuente con los clientes. Además, las muertes se pueden prevenir si se apunta primero a poblaciones muy vulnerables, aunque se espera que las vacunas no sean tan eficaces en las personas mayores. Por lo tanto, las vacunas pueden tener un impacto significativamente mayor en la reducción de la circulación viral que la inmunidad adquirida naturalmente, especialmente si resulta que la inmunidad protectora adquirida naturalmente requiere refuerzos a través de reinfecciones (si es necesario, las vacunas pueden reforzarse de forma rutinaria). Además, dado que hay un número cada vez mayor de informes de complicaciones a largo plazo incluso después del COVID-19 leve, es probable que las vacunas brinden una opción más segura para las personas que no están clasificadas en riesgo.

Para los países del hemisferio norte, las próximas temporadas de otoño e invierno serán desafiantes con la probable intensificación de la circulación viral, como se ha observado recientemente con el regreso de la estación fría en el hemisferio sur. En esta etapa, solo las intervenciones no farmacéuticas, como el distanciamiento social, el aislamiento del paciente, las mascarillas y la higiene de las manos, han demostrado ser eficaces para controlar la circulación del virus y, por lo tanto, deben aplicarse estrictamente. Los medicamentos antivirales potenciales que reducen la carga viral y por lo tanto disminuyen la transmisión, o las terapias que previenen complicaciones y muertes, pueden volverse importantes para el control de la epidemia en los próximos meses. Esto es hasta que las vacunas estén disponibles, lo que nos permitirá alcanzar la inmunidad colectiva de la manera más segura posible.

Referencias

1. 1.
   Salje, H. et al. Estimating the burden of SARS-CoV-2 in France. Science 369, 208–211 (2020).
   CAS  PubMed  PubMed Central  Article  Google Scholar 
2. 2.
   Britton, T., Ball, F. & Trapman, P. A mathematical model reveals the influence of population heterogeneity on herd immunity to SARS-CoV-2. Science 369, 846–849 (2020).
   CAS  PubMed  Article  Google Scholar 
3. 3.
   Goldstein, E., Lipsitch, M. & Cevik, M. On the effect of age on the transmission of SARS-CoV-2 in households, schools and the community. Preprint at medRxiv https://doi.org/10.1101/2020.07.19.20157362 (2020).
   PubMed  PubMed Central  Article  Google Scholar 
4. 4.
   Byambasuren, O. et al. Estimating the seroprevalence of SARS-CoV-2 infections: systematic review. Preprint at medRxiv https://doi.org/10.1101/2020.07.13.20153163 (2020).
   Article  Google Scholar 
5. 5.
   Flaxman, S. et al. Estimating the effects of non-pharmaceutical interventions on COVID-19 in Europe. Nature 584, 257–261 (2020).
   CAS  PubMed  Article  Google Scholar 
6. 6.
   Sekine, T. et al. Robust T cell immunity in convalescent individuals with asymptomatic or mild COVID-19. Cell https://doi.org/10.1016/j.cell.2020.08.017 (2020).
   PubMed Central  Article  Google Scholar 
7. 7.
   Sette, A. & Crotty, S. Pre-existing immunity to SARS-CoV-2: the knowns and unknowns. Nat. Rev. Immunol. 20, 457–458 (2020).
   CAS  PubMed  Article  Google Scholar 
8. 8.
   Sermet-Gaudelus, I. et al. Prior infection by seasonal coronaviruses does not prevent SARS-CoV-2 infection and associated multisystem inflammatory syndrome in children. Preprint at medRxiv https://doi.org/10.1101/2020.06.29.20142596 (2020).
   Article  Google Scholar 
9. 9.
   Service de santé des armées. Investigation de l’épidémie de COVID-19 au sein du Groupe Aéronaval. Service de santé des armées https://www.defense.gouv.fr/content/download/583466/9938746/file/20200405_929_ARM_SSA_CESPA_rapport_epidemie_covid19_Gan_VEXP.pdf (2020).
10. 10.
    Miller, M. A., Viboud, C., Balinska, M. & Simonsen, S. The signature features of influenza pandemics — implications for policy. N. Engl. J. Med. 360, 2595–2598 (2009).

Dime que twitteas y te diré quién eres

Lo que dicen tus tweets sobre ti

Por Maria Konnikova || The New Yorker
17 de marzo de 2015

Ilustración de Keith Negley.

¿Cuánto pueden revelar tus tweets sobre ti? A juzgar por las últimas novecientas setenta y dos palabras que usé en Twitter, soy casi normal cuando se trata de sentirme optimista y ser agradable, y tengo menos probabilidades que la mayoría de las personas de estar deprimido o enojado. Esa, al menos, es la instantánea proporcionada por AnalyzeWords, una de las últimas creaciones de James Pennebaker, un psicólogo de la Universidad de Texas que estudia cómo el lenguaje se relaciona con el bienestar y la personalidad. Uno de los proyectos más famosos de Pennebaker es un programa de computadora llamado Investigación lingüística y recuento de palabras (LIWC), que analiza las palabras que usamos, y en qué frecuencia y contexto, y utiliza esta información para medir nuestros estados psicológicos y varios aspectos de nuestra personalidad. .

Desde la creación de L.I.W.C., en 1993, los estudios que utilizan el programa han sugerido una estrecha conexión entre nuestro lenguaje, nuestro estado mental y nuestro comportamiento. Han demostrado, por ejemplo, que las palabras que se usan durante las citas rápidas pueden predecir el interés romántico mutuo y el contacto futuro deseado; que las elecciones de palabras de una persona pueden revelar su lugar en una jerarquía social o profesional; y que el uso de diferentes palabras de relleno ("quiero decir"; "Sabes") puede sugerir si un hablante es hombre o mujer, más joven o más viejo y más o menos concienzudo. Incluso las formas en que usamos palabras como "y", "debajo" o "el" pueden estar relacionadas con la depresión, las reacciones al estrés, el estado social, las normas culturales, el género y la edad. "Las palabras que usamos en lenguaje natural reflejan nuestros pensamientos y sentimientos de maneras a menudo impredecibles", escribieron Pennebaker y su colega Cindy Chung.

Las redes sociales parecen hechas a medida para llevar este tipo de análisis de lenguaje al siguiente nivel. No tiene que solicitar escribir muestras o entradas de diario. Ya está todo en línea: los tweets, las publicaciones de Tumblr e incluso los subtítulos de Instagram brindan a los investigadores acceso al lenguaje que las personas usan en una escala sin precedentes. Pero el mundo del análisis del lenguaje de las redes sociales también está lleno de dificultades. "El mayor problema con este enfoque es establecer la causalidad", dijo Pennebaker, cuando hablé con él la semana pasada.

Tome un estudio, el mes pasado, de un grupo de investigadores con sede en la Universidad de Pennsylvania. El psicólogo Johannes Eichstaedt y sus colegas analizaron ochocientos veintiseis millones de tweets en mil cuatrocientos condados estadounidenses. (Los condados contenían cerca del noventa por ciento de la población de los EE. UU.) luego, usando listas de palabras, algunas desarrolladas por Pennebaker **, otras por el equipo de Eichstaedt, que pueden asociarse de manera confiable con ira, ansiedad, compromiso social ** ** y emociones positivas y negativas, le dieron a cada condado un perfil emocional. Finalmente, hicieron una pregunta simple: ¿podrían esos perfiles ayudar a determinar qué condados tendrían más muertes por enfermedad cardíaca?

La respuesta resultó ser que sí. Los condados donde los tweets de los residentes incluían palabras relacionadas con la hostilidad, la agresión, el odio y la fatiga (palabras como "imbécil", "celoso" y "aburrido") tenían tasas significativamente más altas de muerte por enfermedad cardíaca aterosclerótica, incluidos ataques cardíacos y trazos Por el contrario, donde los tweets de las personas reflejaban emociones y compromiso más positivos, la enfermedad cardíaca era menos común. El modelo basado en tweets incluso tenía más poder predictivo que otros modelos basados ​​en factores demográficos, socioeconómicos y de riesgo para la salud tradicionales.

Hace tiempo que se sabe que el estrés, la ira y la soledad aumentan el riesgo de ataques cardíacos y otras afecciones cardíacas, a menudo fatales. Pero eso no hace que los resultados de este estudio sean menos extraños. Incluso los investigadores hacen sonar una nota de advertencia: "Las personas que tuitean no son las personas que mueren", señalan. No se demostró que los tweets de una persona predicen su riesgo de enfermedad cardíaca; en cambio, los tweets colectivos negativos en ciertas partes del país correspondieron a tasas de mortalidad más altas en esas áreas. Esa correlación es especialmente extraña porque las personas que tuitean son, en general, más jóvenes que las personas que mueren de enfermedades cardíacas. Según las estadísticas más recientes del Pew Research Center, alrededor del diecinueve por ciento de los adultos estadounidenses usan Twitter; de esos usuarios, solo el 22% son mayores de 50 años. El riesgo de ataques cardíacos, por otro lado, aumenta con la edad, aumenta bruscamente en los años sesenta y continúa aumentando durante los ochenta. ¿Cómo pueden los hábitos negativos de tuiteo de algunos jóvenes revelar que las personas mayores no relacionadas pero cercanas están en riesgo?

Los investigadores tienen una teoría: sugieren que "el lenguaje de Twitter puede ser una ventana a los efectos agregados y poderosos del contexto comunitario". Señalan otros estudios epidemiológicos que han demostrado que los hechos generales sobre una comunidad, como su "cohesión social y capital social", tienen consecuencias para la salud de las personas. En términos generales, las personas que viven en comunidades más pobres y fragmentadas son menos saludables que las personas que viven en comunidades más ricas e integradas. "Cuando hacemos un subanálisis, encontramos que el poder que tiene Twitter es en gran parte responsable de la comunidad y variables socioeconómicas ”, me dijo Eichstaedt cuando hablamos por Skype. En resumen, los tweets negativos, enojados y estresados de una persona joven pueden reflejar su entorno inductor de estrés, y ese mismo entorno puede tener repercusiones negativas para la salud de otros miembros mayores de la misma comunidad.
Y, sin embargo, esa historia es solo especulación: nada en el estudio examina directamente cómo los niveles de estrés varían de un condado a otro o vincula los sentimientos de los usuarios de Twitter con la salud de sus mayores. La semana pasada, cuando hablé con Pennebaker sobre estos hallazgos, él también me instó a tener cuidado al sacar conclusiones causales del estudio. (No participó en la investigación y no está afiliado a nadie en el equipo). "Decir que los jóvenes de dieciocho años que twittean mensajes hostiles está asociado con la muerte súbita de sus bisabuelos es un gran salto de lógica, " él dijo. La relación podría ser tanto estadísticamente significativa como algo casual. Sin embargo, esa posibilidad no necesariamente hace que el trabajo sea menos valioso: "Incluso si resulta que en realidad no hay una conexión real, te obliga a pensar. ¿Cuál es la causalidad? Pennebaker dijo. El análisis del lenguaje a gran escala puede ser interesante precisamente porque plantea preguntas, no porque las responda.

Mientras tanto, el equipo de Eichstaedt está refinando su trabajo. Los investigadores ahora están colaborando con un grupo que realiza investigación epidemiológica longitudinal; el plan es rastrear comunidades e individuos a lo largo del tiempo, en lugar de mirar una instantánea a gran altitud. (Los tweets en el estudio de enfermedades del corazón eran parte de una muestra aleatoria del diez por ciento que Twitter puso a disposición de los investigadores entre junio de 2009 y marzo de 2010; idealmente, la investigación seguiría a usuarios individuales durante muchos meses, si no años.) Eichstaedt también está en el proceso de mirar los perfiles de Facebook: los datos de Twitter, dice, arrojan una amplia red, pero no es tan expresiva, profunda e individual como la información en Facebook. No todos los grandes datos se crean de la misma manera.

La investigación de Eichstaedt es típica de la psicología de big data de hoy: es fascinante, pero un trabajo en progreso. Por un lado, se basa en la correlación más que en la causalidad; Por otro lado, puede ofrecer una ventana más rápida y barata a los modelos causales existentes. Y, para los psicólogos, ese trabajo es una forma de arrojar luz sobre tendencias culturales y sociales más grandes que son difíciles de capturar a través de la investigación de laboratorio ordinaria. Pennebaker, por ejemplo, actualmente utiliza datos de Twitter para identificar y rastrear cómo ciertos valores, como la cohesión familiar y la fe religiosa, cambian con el tiempo.

Los datos del lenguaje de las redes sociales, además, no tienen que usarse para estudiar grupos grandes; puede aplicarse de manera útil a individuos en lugar de comunidades. En 2013, un grupo de Microsoft Research analizó unos setenta mil tweets escritos por personas que sufren de depresión; Luego crearon un índice predictivo que podría identificar a otros usuarios que probablemente estaban deprimidos en función de sus publicaciones en las redes sociales. El mismo grupo también creó un modelo para predecir el riesgo de depresión posparto en nuevas madres. Analiza los tweets de personas que han hecho anuncios de bebés y luego realiza un seguimiento de los cambios en el lenguaje emocional antes, durante y después del embarazo. (Alice Gregory, en un artículo reciente de esta revista, describió un esfuerzo similar de "análisis predictivo" en Crisis Text Line, un servicio de asesoramiento basado en mensajes de texto para adolescentes). Eichstaedt imagina un mundo en el que un psiquiatra, por ejemplo, podría solicite permiso para monitorear el teléfono de un paciente, analizar correos electrónicos, mensajes de texto, actualizaciones de redes sociales y similares, y enviar una alerta si aumentan los riesgos de ciertos estados psicológicos, como la depresión.

Y, señaló Pennebaker, escribir en las redes sociales puede tener valor terapéutico, independientemente de su valor predictivo para los experimentadores. Durante décadas, los estudios de Pennebaker han demostrado que cuando las personas llevan un diario, tienden a mejorar emocionalmente, a recuperarse más rápidamente de las experiencias negativas y a obtener más logros académicos y profesionales. Otro trabajo reciente sugiere que las redes sociales brindan los mismos beneficios, a pesar del hecho de que, a diferencia de una revista, es inherentemente público. Un estudio de 2013 encontró que los bloggers recibieron los mismos estímulos terapéuticos que las personas que mantienen diarios regulares; Además, los mayores beneficios se obtuvieron al escribir entradas que estaban abiertas a comentar, que en realidad fueron más beneficiosas que las entradas de diario privadas. Los investigadores quieren usar las redes sociales para aprender sobre ti. Pero al escribir en un espacio público también puede estar aprendiendo y ayudándose a sí mismo.

La difícil matemática de la inmunización colectiva

La matemática difícil de la inmunidad colectiva para Covid-19

¿Cuándo dejará de propagarse una enfermedad a una población? La fórmula es simple, pero las variables son mucho más complicadas.
Wired



No es fácil determinar cuándo una enfermedad dejará de propagarse a través de la población. Ilustración: Olena Shmahalo / Quanta Magazine



Si bien muchas cosas sobre la pandemia de Covid-19 siguen siendo inciertas, sabemos cómo es probable que termine: cuando la propagación del virus comienza a disminuir (y finalmente cesa por completo) porque suficientes personas han desarrollado inmunidad al virus. En ese momento, ya sea provocado por una vacuna o por personas que contraen la enfermedad, la población ha desarrollado "inmunidad colectiva".


"Una vez que el nivel de inmunidad pasa un cierto umbral, la epidemia comenzará a desaparecer, porque no hay suficientes personas nuevas para infectar", dijo Natalie Dean de la Universidad de Florida.

Si bien determinar ese umbral para Covid-19 es crítico, hay muchos matices involucrados en el cálculo de la cantidad exacta de la población que debe ser inmune para que la inmunidad de rebaño surta efecto y proteja a las personas que no son inmunes.

Al principio parece bastante simple. Lo único que necesita saber es cuántas personas, en promedio, están infectadas por cada persona infectada. Este valor se llama R0 (se pronuncia "R nada"). Una vez que tenga eso, puede conectarlo a una fórmula simple para calcular el umbral de inmunidad del rebaño: 1 - 1 / R0.

Supongamos que el R0 para Covid-19 es 2.5, lo que significa que cada persona infectada infecta, en promedio, a otras dos personas y media (una estimación común). En ese caso, el umbral de inmunidad del rebaño para Covid-19 es 0.6, o 60 por ciento. Eso significa que el virus se propagará a un ritmo acelerado hasta que, en promedio, en diferentes lugares, el 60 por ciento de la población se vuelva inmune.


En ese punto, el virus aún se propagará, pero a un ritmo de desaceleración, hasta que se detenga por completo. Del mismo modo que un automóvil no se detiene en el momento en que quita el pie del acelerador, el virus no desaparecerá en el momento en que se alcance la inmunidad del rebaño.
“Se podría imaginar que una vez que el 60 por ciento de la población está infectada, la cantidad de infecciones comienza a disminuir. Pero podría ser otro 20 por ciento el que se infecta mientras la enfermedad comienza a desaparecer ”, dijo Joel Miller, de la Universidad La Trobe en Australia.

Ese 60 por ciento es también el umbral más allá del cual las nuevas introducciones del virus —por ejemplo, un pasajero infectado que desembarca de un crucero en un puerto saludable con inmunidad de rebaño— se agotará rápidamente.



"No significa que no puedas iniciar un incendio, pero ese brote va a morir", dijo Kate Langwig, del Instituto Politécnico de Virginia y la Universidad Estatal.

Sin embargo, las cosas se complican rápidamente. El umbral de inmunidad del rebaño depende de cuántas personas infecta cada persona infectada, un número que puede variar según la ubicación. La persona infectada promedio en un edificio de apartamentos puede infectar a muchas más personas que la persona infectada promedio en un entorno rural. Entonces, si bien un R0 de 2.5 para Covid-19 puede ser un número razonable para todo el mundo, casi seguramente variará considerablemente en un nivel más local, promediando mucho más en algunos lugares y más bajo en otros. Esto significa que el umbral de inmunidad del rebaño también será superior al 60 por ciento en algunos lugares y menor en otros.

"Creo que el rango de R0 consistente con los datos de Covid-19 es mayor de lo que la mayoría de la gente le da crédito", dijo Marc Lipsitch de la Universidad de Harvard, quien ha estado asesorando a funcionarios de salud en Massachusetts y en el extranjero. Citó datos que indican que podría ser más del doble en algunos entornos urbanos que el promedio general de los Estados Unidos.

Y así como R0 resulta ser una variable, y no un número estático, la forma en que las personas adquieren su inmunidad también varía, con importantes implicaciones para calcular ese umbral de inmunidad de rebaño.

Por lo general, los investigadores solo piensan en la inmunidad colectiva en el contexto de las campañas de vacunación, muchas de las cuales suponen que todos tienen la misma probabilidad de contraer y propagar una enfermedad. Pero en una infección de propagación natural, ese no es necesariamente el caso. Las diferencias en los comportamientos sociales hacen que algunas personas tengan más exposición a una enfermedad que otras. Las diferencias biológicas también juegan un papel en la probabilidad de que las personas se infecten.



Gabriela Gomes, de la Universidad de Strathclyde en Escocia, estudia cómo las diferencias biológicas y de comportamiento pueden afectar la propagación de un virus. Ella concluye que algunas partes del mundo ya pueden estar cerca de alcanzar la inmunidad colectiva. Cortesía de Gabriela Gomes.

"Nacimos diferentes, y luego estas diferencias se acumulan a medida que vivimos diferentes experiencias", dijo Gabriela Gomes, de la Universidad de Strathclyde en Escocia. "Esto afecta la capacidad de las personas para combatir un virus".

Los epidemiólogos se refieren a estas variaciones como la "heterogeneidad de susceptibilidad", es decir, las diferencias que hacen que algunas personas tengan más o menos probabilidades de infectarse.

Pero esto es demasiado matiz para las campañas de vacunación. "Las vacunas generalmente no se distribuyen en una población con respecto a cuántos contactos tienen las personas o cuán susceptibles son, porque no lo sabemos", dijo Virginia Pitzer, de la Escuela de Salud Pública de Yale. En cambio, los funcionarios de salud adoptan un enfoque maximalista y, en esencia, vacunan a todos.

Sin embargo, en una pandemia en curso sin garantía de que una vacuna esté disponible en el corto plazo, la heterogeneidad de susceptibilidad tiene implicaciones reales para el umbral de inmunidad de rebaño de la enfermedad.

En algunos casos aumentará el umbral. Esto podría ser cierto en lugares como hogares de ancianos, donde la persona promedio podría ser más susceptible a Covid-19 que la persona promedio en la población en general.

Pero a mayor escala, la heterogeneidad generalmente reduce el umbral de inmunidad del rebaño. Al principio, el virus infecta a las personas que son más susceptibles y se propaga rápidamente. Pero para seguir propagándose, el virus tiene que pasar a las personas que son menos susceptibles. Esto dificulta la propagación del virus, por lo que la epidemia crece más lentamente de lo que podría haber anticipado en función de su tasa de crecimiento inicial.

"Es probable que la primera persona infecte a las personas que son más susceptibles, dejando a las personas que son menos susceptibles a la segunda mitad de la epidemia, lo que significa que la infección podría eliminarse antes de lo esperado". Dijo Lipsitch.

Estimando la heterogeneidad

Entonces, ¿cuánto más bajo es el umbral de inmunidad de rebaño cuando se habla de un virus que se propaga en la naturaleza, como la pandemia actual?

Según los modelos estándar, alrededor del 60 por ciento de la población de los EE. UU. Necesitaría vacunarse contra Covid-19 o recuperarse de él para frenar y finalmente detener la propagación de la enfermedad. Pero muchos expertos con los que hablé sospechan que el umbral de inmunidad del rebaño para la inmunidad adquirida naturalmente es más bajo que eso.

"Creo que es potencialmente entre 40 y 50 por ciento", dijo Pitzer.

Lipsitch está de acuerdo: "Si tuviera que adivinar, probablemente lo pondría alrededor del 50 por ciento".

En su mayoría son solo estimaciones informadas, porque es muy difícil cuantificar qué hace que una persona sea más susceptible que otra. Muchas de las características que podría pensar asignar a alguien, como la distancia social que están haciendo, pueden cambiar de una semana a otra.

“Todo el problema de la heterogeneidad solo funciona si las fuentes de heterogeneidad son las propiedades a largo plazo de una persona. Si se trata de un bar, eso en sí mismo no es lo suficientemente sostenido como para ser una fuente de heterogeneidad ", dijo Lipsitch.

La heterogeneidad puede ser difícil de estimar, pero también es un factor importante para determinar cuál es realmente el umbral de inmunidad del rebaño. Langwig cree que la comunidad epidemiológica no ha hecho lo suficiente para tratar de hacerlo bien.

"Hemos sido un poco descuidados al pensar en la inmunidad colectiva", dijo. "Esta variabilidad realmente importa, y debemos ser cuidadosos para ser más precisos sobre cuál es el umbral de inmunidad del rebaño".

Algunos documentos recientes lo han intentado. En junio, la revista Science publicó un estudio que incorporó un grado modesto de heterogeneidad y estimó el umbral de inmunidad del rebaño para Covid-19 en 43 por ciento en poblaciones amplias. Pero uno de los coautores del estudio, Tom Britton, de la Universidad de Estocolmo, cree que hay fuentes adicionales de heterogeneidad que su modelo no tiene en cuenta.

"En todo caso, creo que la diferencia es mayor, por lo que, de hecho, el nivel de inmunidad del rebaño es probablemente un poco menor al 43 por ciento", dijo Britton.

Otro nuevo estudio adopta un enfoque diferente para estimar las diferencias en la susceptibilidad a Covid-19 y pone el umbral de inmunidad de rebaño aún más bajo. Los 10 autores del artículo, que incluyen a Gomes y Langwig, estiman que el umbral para la inmunidad natural del ganado contra Covid-19 podría ser tan bajo como el 20 por ciento de la población. Si ese es el caso, los lugares más afectados del mundo pueden estar cerca de él.

"Estamos llegando a la conclusión de que las regiones más afectadas, como Madrid, pueden estar cerca de alcanzar la inmunidad colectiva", dijo Gomes. En mayo se publicó una versión anterior del documento, y los autores están trabajando actualmente en una versión actualizada, que esperan publicar pronto. Esta versión incluirá estimaciones de inmunidad de rebaño para España, Portugal, Bélgica e Inglaterra.

Sin embargo, muchos expertos consideran que estos nuevos estudios, no todos los cuales han sido revisados ​​por pares todavía, no son confiables.

En un hilo de Twitter en mayo, Dean enfatizó que existe demasiada incertidumbre sobre los aspectos básicos de la enfermedad, desde los diferentes valores de R0 en diferentes entornos hasta los efectos de relajar el distanciamiento social, como para depositar mucha confianza en los umbrales exactos de inmunidad de rebaño. El umbral podría ser un número siempre que muchas personas usen máscaras y eviten grandes reuniones, y otro número mucho más alto si y cuando la gente baja la guardia.

Otros epidemiólogos también son escépticos de los bajos números. Jeffrey Shaman, de la Universidad de Columbia, dijo que el 20 por ciento de la inmunidad del rebaño "no es consistente con otros virus respiratorios. No es consistente con la gripe. Entonces, ¿por qué se comportaría de manera diferente para un virus respiratorio frente a otro? No entiendo eso ".

Miller agregó: "Creo que el umbral de inmunidad del rebaño [para la inmunidad adquirida naturalmente] es inferior al 60 por ciento, pero no veo evidencia clara de que ningún [lugar] esté cerca de él".

En última instancia, la única forma de escapar verdaderamente de la pandemia de Covid-19 es lograr la inmunidad de rebaño a gran escala, en todas partes, no solo en un pequeño número de lugares donde las infecciones han sido más altas. Y eso probablemente solo sucederá una vez que una vacuna esté en uso generalizado.

Mientras tanto, para evitar la propagación del virus y reducir el valor de R0 tanto como sea posible, el distanciamiento, las máscaras, las pruebas y el rastreo de contactos están a la orden del día en todas partes, independientemente de dónde coloque el umbral de inmunidad del rebaño.

"No puedo pensar en ninguna decisión que tome de manera diferente en este momento si supiera que la inmunidad del rebaño está en otro lugar dentro del rango que creo que es, que es del 40 al 60 por ciento", dijo Lipsitch.

Shaman también cree que la incertidumbre sobre el umbral de inmunidad de rebaño adquirido naturalmente, combinado con las consecuencias de equivocarse, solo deja un camino a seguir: haga nuestro mejor esfuerzo para prevenir nuevos casos hasta que podamos introducir una vacuna para lograr la inmunidad de rebaño de manera segura.

"La pregunta es, ¿podría la ciudad de Nueva York soportar otro brote?" él dijo. "No lo sé, pero no juguemos con ese fuego".

"Como las personas jubiladas crean sus redes de soporte: métodos mixtos y egoredes" Francisca Ortiz

"Multiplexación mediática y usos comunicativos en las redes personales" García-Macías, Rodríguez

Presentación titulada "Multiplexación mediática y usos comunicativos en las redes personales" realizada por Alejandro García-Macías and Ismael Manuel Rodríguez-Herrera. En el marco de las Jornada de Redes 2020 – Red Hispanoamericana, realizado el 7 de Julio del 2020 de forma online.

"La revista REDES en 7 minutos" - Isidro Maya

Presentación titulada "La revista REDES en 7 minutos" realizada por Isidro Maya. En el marco de las Jornada de Redes 2020 – Red Hispanoamericana, realizado el 7 de Julio del 2020 de forma online.

"Co-evolución de una red científica" Alejandro Espinosa-Rada

Presentación titulada "Co-evoluciòn de una red científica: análisis multinivel de una disciplina a nivel nacional" realizada por Alejandro Espinosa-Rada, PhD© en Sociología, The Mitchell Centre for Social Network Analysis, The University of Manchester. En el marco de las Jornada de Redes 2020 – Red Hispanoamericana, realizado el 7 de Julio del 2020 de forma online.