ARS: Usando mapeos de revistas para conocer sus contenidos a través de la visualización

Cómo generar conocimientos de revistas utilizando técnicas de visualización

Generación de conocimientos sobre el rendimiento de la revista
Por la Dra. Daphne van Weijen y Matthew Richardson || Elsevier




Los editores y editores siempre sienten curiosidad por saber cómo se está desempeñando su revista en comparación con otras en el campo. También están ansiosos por descubrir si el contenido que están publicando está atrayendo citas. En este artículo, nos gustaría compartir con usted una serie de técnicas de visualización que pueden ayudar a generar conocimientos sobre el rendimiento de la revista.

Mapeo de términos

¿Cómo puede determinar cuáles son los temas "candentes" en una revista, grupo de revistas o área temática específica? O, más específicamente, ¿qué temas han mostrado un crecimiento activo y un fuerte impacto en la producción de investigación (artículos publicados) en los últimos años? Para responder a esta pregunta, desarrollamos una nueva herramienta de visualización en colaboración con el grupo de investigación CWTS, que se especializa en bibliometría en la Universidad de Leiden. La herramienta tiene acceso a todas las revistas y actas de congresos indexados en Scopus. A partir de esta información, puede generar mapas que revelen las relaciones entre los términos utilizados en los títulos y los resúmenes de los artículos publicados en una o más revistas seleccionadas. Lo hace con la ayuda de un programa de computadora llamado VOSviewer (1).
¿Cómo se crea un mapa de términos?

Hay una serie de pasos involucrados en la producción de un mapa de términos.

• Primero debemos determinar qué revista o revistas deben incluirse. Si un grupo de revistas o un área temática es el foco del análisis, una búsqueda de palabras clave en Scopus puede ayudar con esto.
• Una vez elegidas las revistas, la herramienta realiza un análisis de las palabras y frases encontradas en los títulos y resúmenes de los artículos durante un período de tiempo específico (por ejemplo, en los últimos dos, cinco o diez años). Las ventanas de publicación y cita pueden tener valores separados, por lo que también es posible determinar qué tan bien se ha citado el contenido publicado en un año específico en los años posteriores a la publicación.
• Después de que se genera un mapa, se puede verificar si hay términos no informativos, como nombres de editoriales o sociedades, y términos genéricos como "literatura", "presentación" o "característica". Estos se pueden eliminar y, si es necesario, se puede crear una nueva versión del mapa.

Grupos de términos concurrentes

El mapa que se muestra en la Figura 1 se conoce como mapa de conglomerados de co-ocurrencia. Cada término que aparece al menos cinco veces en los títulos y resúmenes de los artículos de las revistas seleccionadas está representado por un nodo individual en el mapa. Cuanto más grande es el nodo, más artículos contienen el término y cuanto más pequeño es el espacio entre los términos, más a menudo tienden a coexistir. Sin embargo, es importante señalar que esta es una representación 2D de una red multidimensional, por lo que la proximidad de los términos no puede reflejar perfectamente la relación en todos los casos. Finalmente, los términos están coloreados en grupos de términos que tienden a coexistir.

• Verde (centro y arriba a la izquierda) relacionado con estadísticas y experimentos;
• grupo rojo (lado derecho) relacionado con la educación en enfermería;
• grupo azul (abajo a la izquierda) relacionado con la cirugía; y
• grupo amarillo (izquierda) relacionado con ensayos clínicos y revisiones de la literatura.

La experiencia en el campo puede ayudar a verificar y nombrar adecuadamente los clústeres, así como a predecir qué clústeres es probable que contengan el contenido más citado y por qué.


Figura 1 - Mapa de similitud de clústeres de co-ocurrencia de términos de revistas para un grupo de seis revistas de enfermería seleccionadas de 2009-2012. Fuente: Scopus. Figura 1 - Mapa de similitud de clústeres de co-ocurrencia de términos de revistas para un grupo de seis revistas de enfermería seleccionadas de 2009-2012. Fuente: Scopus.

Términos muy citados

El siguiente paso para determinar los temas candentes en el campo es verificar qué términos se citan relativamente bien en comparación con el resto del contenido publicado en la (s) revista (s). Esto se puede hacer cambiando el color en el mapa de conglomerados para mostrar el impacto medio de las citas de los artículos que contienen ese término, en relación con el impacto medio de las citas (1,00) de todos los artículos incluidos en el mapa (Figura 2). Como las publicaciones más antiguas han tenido más tiempo para ser citadas, las citas se normalizan por año de publicación para hacer posible una comparación justa. En la Figura 2, los términos con un impacto de citas por encima del promedio están coloreados en rojo, los términos con un impacto de citas promedio son verdes y los términos con un impacto de citas por debajo del promedio se muestran en azul.


Figura 2 - Mapa de impacto de citas de co-ocurrencia de términos de revistas para un grupo de seis revistas de enfermería seleccionadas de 2009-2012. Fuente: Scopus Figura 2 - Mapa de impacto de citas de co-ocurrencia de términos de revistas para un grupo de seis revistas de enfermería seleccionadas de 2009-2012. Fuente: Scopus

Podemos ver claramente que los términos relativamente citados tienden a aparecer a la izquierda del mapa. Estos son términos que se encuentran principalmente en los grupos amarillo y verde de la Figura 1, relacionados con experimentos (verde) y ensayos clínicos (amarillo). Los términos muy citados en estas áreas incluyen:

• Nurse staffing, self-esteem y statistical terms (Dotación de personal de enfermería, autoestima y términos estadísticos) (grupo verde, arriba a la izquierda).
• Depressive symptoms, meta-analysis, pregnancy y controlled trials (Síntomas depresivos, metaanálisis, embarazo y ensayos controlados) (grupo amarillo, lado izquierdo).

¿Temas de actualidad?

Finalmente, se puede realizar una búsqueda de palabras clave de Scopus para los términos en el mapa con el mayor impacto relativo de citas, para determinar si se trataba de ocurrencias aisladas. El resultado de esta búsqueda de palabras clave, restringida al campo de enfermería, confirmó que había al menos cuatro áreas en este análisis que tenían una tasa de crecimiento anual compuesta (CAGR) de más del 5 por ciento, lo que indica que hubo un aumento por encima del promedio en el número de artículos publicados en estas áreas durante los últimos cinco años, ya que el CAGR promedio es del 3 al 5 por ciento (ver Tabla 1).


Tabla 1 - En la Figura 2, se identificaron términos relativamente citados. En esta tabla, enumeramos la cantidad de artículos que presentan esos términos junto con sus tasas de crecimiento anual compuestas. Fuente: Scopus
 

La búsqueda de palabras clave de Scopus confirmó que los temas sugeridos por el mapa eran de hecho temas que han estado llamando la atención en el campo. Aunque este mapa específico a nivel de campo es algo genérico, proporciona una idea general de dónde buscar temas candentes con más detalle.

Experiencias de un editor
El Dr. Paul H. Gobster es un científico social investigador del Servicio Forestal del Departamento de Agricultura de los Estados Unidos (USDA). Acaba de dimitir después de cuatro años como coeditor en jefe de Landscape and Urban Planning de Elsevier, permaneciendo en la junta de la revista como editor asociado. Él y sus colegas utilizaron mapas de términos para ayudar en el desarrollo de un editorial para el 40 aniversario de la revista (2).

El Dr. Gobster dijo: “Identificamos conceptos y temas importantes representados en su contenido publicado y desarrollamos una serie de tiempo de cuatro mapas para describir cualitativamente los cambios en cada década sucesiva.

“El término mapas fue relativamente fácil de interpretar y produjo visualizaciones adecuadas para presentarlas a los lectores dentro de nuestra editorial. Creo que el término mapas tiene un valor adicional para las funciones de planificación estratégica y administrativa de la revista; la agrupación puede ayudar a aclarar el contenido temático para la clasificación de manuscritos y la asignación de presentaciones a los editores asociados, y los grupos y términos específicos (su presencia, posiciones y cualquier cambio). con el tiempo) puede ayudar a identificar subtemas de trabajo emergentes y duraderos ".

Los beneficios del mapeo de revistas

Mientras que los mapas de términos se utilizan para resaltar los temas publicados dentro de una revista o disciplina, el mapeo de revistas se puede utilizar para examinar la posición y el alcance de una revista y sus interacciones con otras revistas en el campo. Al igual que con los mapas de términos, Scopus puede proporcionar los datos de origen, lo que garantiza que el análisis se base en todas las revistas indexadas.

Estos mapas de revistas se crean mediante enlaces de citas. Una cita de un artículo publicado en una revista a un artículo publicado en otra establece que sus respectivos contenidos son relevantes entre sí y sugiere un nivel de similitud entre los dos. En un período de tiempo dado, una revista tiende a contener citas de muchas otras revistas, y las que más cita deben ser las revistas con las que está más estrechamente relacionada. Por ejemplo, si la Revista A proporciona muchas citas a la Revista B y solo unas pocas a la Revista C, esto es una señal de que tiene una conexión más fuerte con la Revista B. Si con el tiempo el saldo cambia de modo que comienza a proporcionar más citas a la Revista. C, esto indica que el alcance de las revistas o la estructura del campo está cambiando y se está volviendo progresivamente más relacionado con la Revista C. Cuando los enlaces de citas se construyen en muchas más revistas que en este ejemplo simplificado, un mapa es una opción conveniente. forma de mostrar los enlaces y ver cómo interactúan las revistas para formar grupos más grandes.

Consulte la Figura 3 para ver un ejemplo de un mapa de revistas basado en las mismas seis revistas de enfermería utilizadas en los ejemplos de mapas de términos anteriores.


Figura 3 - Mapa de revistas basado en un grupo de seis revistas de enfermería seleccionadas de 2009-2012 

Cada revista en el mapa se muestra como un nodo (círculo), con el tamaño determinado por el promedio de citas a los artículos de esa revista en el período de tiempo. Puede ver en la Figura 3 que las revistas de medicina general incluidas en el mapa tienen un impacto promedio de citas mucho más alto que las otras revistas. Las revistas seleccionadas están en azul y todas pertenecen a la región de las revistas principales de enfermería, mientras que otras revistas están en gris y se incluyen debido a sus enlaces de citas a estas revistas semilla. Las relaciones de citas se muestran como bordes (líneas) de grosor variable. Estas relaciones de citas se normalizan por el número de citas recibidas por la revista citada y por el número de citas dadas por la revista que cita. Cuanto más gruesa sea la línea, mayor será la proporción de citas representadas.

En este ejemplo de mapeo, las áreas clave de las diferentes especialidades de las ciencias de la salud se han etiquetado en función de los grupos de revistas. Esto le permite ver los vínculos entre especialidades más amplias, así como revistas individuales. Estas agrupaciones tenderán a ser bastante estables, pero comparar mapas basados ​​en diferentes períodos de tiempo le permite identificar revistas emergentes en un área determinada o las relaciones de investigación cambiantes que hacen que un área temática se vuelva más relevante para otra con el tiempo.

El entorno de citas en el que se encuentra una revista es único y dinámico, y el análisis de este puede utilizarse como un medio objetivo para determinar la posición competitiva de una revista establecida en un campo de investigación.

Usar los mapas para respaldar su trabajo

Tanto el mapeo de términos como el mapeo de revistas pueden ayudar a comparar la revista con la competencia y proporcionar información útil para las reuniones del consejo editorial. Si bien en el texto anterior se han sugerido algunas razones estratégicas para usar estas herramientas analíticas, su ventaja real radica en cuán adaptables son a diferentes preguntas de investigación. Si desea saber más acerca de cómo estas herramientas pueden ayudarlo, u otras herramientas analíticas para proporcionar información sobre la posición de su revista, comuníquese con su editor.

Referencias

(1) Van Eck, N.J., & Waltman, L. (2010) “Software survey: VOSviewer, a computer program for bibliometric mapping”, Scientometrics, Vol 84, No. 2, pp. 523–538.

(2) Gobster, P.H. (2014) “(Text) Mining the LANDscape: Themes and trends over 40 years of Landscape and Urban Planning”, Landscape and Urban Planning, Vol 126, pp. 21–30.

Historical Network Analysis - An Introduction

 

Las matemáticas de la segunda oleada del COVID

¿Cuándo termina una segunda oleada de COVID? Mira las matemáticas

por la Universidad de Sydney || Phys.org




Se suavizaron las series de tiempo y se identificaron puntos de inflexión para Georgia y Ohio. A través de la identificación de puntos de inflexión "verdaderos", se determina que Georgia se encuentra en su primera ola, mientras que Ohio se determina que está en su segunda ola. Ambos estados exhiben su mayor número de casos (hasta el suavizado) en el último día de análisis. Los recuentos diarios exactos varían según la fuente y la fecha en que se accedió a los datos. Crédito: Nick James y Max Menzies


Los matemáticos han desarrollado un marco para determinar cuándo las regiones entran y salen de los períodos de aumento de la infección por COVID-19, lo que proporciona una herramienta útil para que los formuladores de políticas de salud pública ayuden a controlar la pandemia de coronavirus.

El primer artículo publicado sobre el segundo aumento de las infecciones por COVID-19 en los estados de EE. UU. Sugiere que los responsables de la formulación de políticas deberían buscar puntos de inflexión demostrables en los datos en lugar de tasas de infección estables o que no disminuyen lo suficiente antes de levantar las restricciones.

Los matemáticos Nick James y Max Menzies han publicado lo que creen que es el primer análisis de las tasas de infección por COVID-19 en los estados de EE. UU. Para identificar puntos de inflexión en los datos que indican cuándo comenzaron o terminaron las oleadas.

El nuevo estudio de los matemáticos australianos se publica hoy en la revista Chaos, publicada por el Instituto Americano de Física.

"En algunos de los estados con peor desempeño, parece que los legisladores han buscado tasas de infección que se estabilicen o disminuyan levemente. En cambio, los funcionarios de salud deben buscar máximos y mínimos locales identificables, que muestren cuándo los aumentos repentinos alcanzan su punto máximo y cuándo han terminado de manera demostrable". dijo Nick James un Ph.D. estudiante de la Escuela de Matemáticas y Estadística de la Universidad de Sydney.

En el estudio, los dos matemáticos informan un método para analizar los números de casos de COVID-19 en busca de evidencia de una primera o segunda ola. Los autores estudiaron datos de los 50 estados de EE. UU. Más el Distrito de Columbia durante el período de siete meses del 21 de enero al 31 de julio de 2020. Encontraron que 31 estados y el Distrito de Columbia estaban experimentando una segunda ola a fines de julio.

Los dos matemáticos también han aplicado el método para analizar las tasas de infección en ocho estados y territorios australianos utilizando datos de COVIDlive.com.au. Si bien el análisis australiano no ha sido revisado por pares, sí aplica la metodología revisada por pares. El análisis identificó claramente a Victoria como un valor atípico, como se esperaba.

Esta figura agrupa los estados según la similitud en sus puntos de inflexión en las trayectorias de nuevos casos. Se identifican cinco (sub) grupos primarios de series de tiempo con los siguientes comportamientos: los 31 estados principales más D.C. están más allá de su primera ola y ahora están experimentando una segunda ola. Los 13 estados en la parte inferior todavía están en su primera ola. Los últimos seis estados en el medio del diagrama han aplanado la curva después de una ola (Nueva York y Nueva Jersey), están saliendo de la primera ola (Utah y Arizona) o han completado completamente su segunda ola (Vermont y Maine). Crédito: Nick James y Max Menzies
 

"Lo que muestran los datos de Victoria es que los casos aún están disminuyendo y el punto de inflexión, el mínimo local, aún no ha ocurrido", dijo el Dr. Menzies. Dijo que, al menos desde una perspectiva matemática, Victoria debería "mantener el rumbo".

El Dr. Menzies, del Centro de Ciencias Matemáticas Yau de la Universidad de Tsinghua en Beijing, dijo: "Nuestro enfoque permite una identificación cuidadosa de los estados de EE. UU. Con mayor y menor éxito en la gestión de COVID-19".

Los resultados muestran que Nueva York y Nueva Jersey aplanaron por completo sus curvas de infección a fines de julio con un solo aumento. Trece estados, incluidos Georgia, California y Texas, tienen un aumento continuo y creciente de infecciones únicas. Treinta y un estados tuvieron un aumento inicial seguido de una disminución de la infección y un segundo aumento. Estos estados incluyen Florida y Ohio.

El Sr. James dijo: "Este no es un modelo predictivo. Es una herramienta analítica que debería ayudar a los legisladores a determinar puntos de inflexión demostrables en las infecciones por COVID".

Metodología

El método suaviza los datos de recuento de casos diarios sin procesar para eliminar los recuentos bajos artificiales durante los fines de semana e incluso algunos números negativos que ocurren cuando las localidades corrigen errores. Después de suavizar los datos, se utiliza una técnica numérica para encontrar picos y valles. A partir de esto, se pueden identificar puntos de inflexión.

El Dr. Menzies dijo que su análisis muestra que los gobiernos deberían intentar no permitir que aumenten los casos nuevos ni reducir las restricciones cuando el número de casos simplemente se ha estabilizado.

Series de tiempo suavizadas y puntos de inflexión identificados para varios estados: (a) Mississippi (b) Georgia (c) California (d) Texas y (e) Carolina del Norte se les asigna una secuencia valle-pico y se determina que está en su primer aumento. (f) Florida (g) Pensilvania y (h) Ohio se determina que están en sus segundas oleadas, con una secuencia valle-pico-valle-pico. (i) Nueva York y (j) Nueva Jersey se les asigna la secuencia valle-pico-valle y se determina que han concluido su primer aumento y aplanado la curva. (k) Arizona y (l) Maine se asignan valle-valle valle y valle-pico-valle-pico-valle con el valle final al final del período y se determina que están disminuyendo desde su primera y segunda oleadas, respectivamente. Crédito: Max Menzies y Nick James

"Un verdadero punto de inflexión, donde los nuevos casos están legítimamente en recesión y no solo exhiben fluctuaciones estables, debe observarse antes de relajar cualquier restricción".

Dijo que el análisis no era solo una buena matemática, utilizando una nueva medida entre conjuntos de puntos de inflexión, el estudio también se ocupa de un problema de gran actualidad: observar datos estado por estado.

James dijo que empujar agresivamente las tasas de infección al mínimo parecía la mejor manera de derrotar un segundo aumento.

Picos y valles

Para determinar los picos y valles, el algoritmo desarrollado por los matemáticos determina que se produce un punto de inflexión cuando una curva descendente sube o una curva ascendente gira hacia abajo. Sólo se cuentan aquellas secuencias en las que las amplitudes pico y valle difieren en una cantidad mínima definida. Las fluctuaciones pueden ocurrir cuando una curva se aplana por un tiempo pero continúa aumentando sin pasar por una verdadera recesión, por lo que el método elimina estos recuentos falsos.

Ambos de Australia, los dos matemáticos han sido mejores amigos durante 25 años. "Pero este año es la primera vez que trabajamos juntos en problemas", dijo James.

El Sr. James tiene experiencia en estadísticas y ha trabajado para empresas emergentes y fondos de cobertura en Texas, Sydney, San Francisco y la ciudad de Nueva York. El Dr. Menzies es un matemático puro, completando su Ph.D. en Harvard en 2019 y su licenciatura en matemáticas en la Universidad de Cambridge.

El exitoso caso de Suecia y mucho por estudiar por qué

Nuevo héroe nacional

De polémico a consagrado: así vive y piensa Anders Tegnell, el padre del modelo sueco contra el coronavirus

Dejó las escuelas abiertas, no decretó cuarentena y no instaló el uso de barbijo. Lo criticaron en todo el mundo, pero el tiempo le dio la razón.




Anders Tegnell, el hombre del momento en Suecia y ahora reconocido por sus aciertos sobre estrategia contra la pandemia. AFP

Gonzalo Sánchez || Clarín.com


“Hacer cuarentena es como intentar matar una mosca con un martillo”. La frase la pronunció el sanitarista sueco Anders Tegnell la semana pasada sentado en el banco de una plaza de Estocolmo, con un vaso térmico de café en la mano. No llevaba barbijo y conversaba a distancia normal con el corresponsal del Financial Times en Escandinavia, Richard Milnes. El periodista había viajado para conocer al hombre que está detrás del “modelo sueco”, un personaje tan criticado como ahora aclamado por los ciudadanos de su país, que le agradecen por no haber cerrado las escuelas, por un verano de libertad y hasta se tatúan -los más exagerados, claro- su rostro en los brazos.

Tegnell tiene 64 años. No le gusta la fama. Era hasta el comienzo del coronavirus un burócrata que recababa datos sobre salud pública. No es político porque en Suecia no hay Ministerio de Salud, sino una agencia sanitaria que diseña estrategias de salud pública y que el Gobierno acepta sin pestañar. En todos estos meses, a Tegnell, que está al frente de esa agencia, no le han objetado ninguna de sus decisiones, a pesar de que casi todas fueron contrarias a la ortodoxia global.

Si un plato volador descendiera ahora sobre Gotemburgo, Estocolmo, Malmo o cualquier otra ciudad sueca jamás notaría que se convive con una pandemia. Los bares están abiertos. Los shoppings también. Las disquerías también. Las escuelas jamás cerraron. Las fronteras de Suecia están abiertas, mientras que sus vecinos las cerraron. El transporte público funciona normal y no se clausuraron las actividades deportivas. Nadie dispara en comercios con sensores de temperatura. El alcohol en gel es una rareza. Nunca bajó la orden de usar barbijo y por supuesto casi nadie lo utiliza. Tegnell aclara: “No quiere decir que no haya habido impacto en la economía, pero sí que hemos evitado perjudicar a la mayoría. Restringimos los sitios donde se puede reunir mucha gente, pero ¿qué riesgo de contagio hay en dónde una persona entra para comprar un disco?”.


Un fanático se tatúa en el brazo la cara de Anders Tegnell, el hombre que diseñó la manera en que Suecia se enfrentó al coronavirus.

En silencio, a medida que se convertía en la cara que todas las mañanas aparece en el noticiero, Tegnell diseñaba una estrategia “no de soluciones rápidas, sino un sistema de largo plazo para pasar muchos años conviviendo con la enfermedad, donde tiene un peso específico la imunidad que va adquiriendo la comunidad”. El arquitecto del modelo sueco dice que nunca apostó a la inmunidad de rebaño, pero admite que eso ayudará para que el brote de otoño, que ya se insinúa, sea mucho más leve en su país. “¿Qué protege hoy a ciudades como Copenhague?”, se pregunta.

A medida que vuelven a aumentar los casos en casi todos los países europeos, los contagios se hundieron durante el verano en Suecia. Ahora están un 90% por debajo de su pico de fines de junio y por debajo de Noruega y Dinamarca por primera vez en cinco meses. Tegnell siente que las cosas van como él quiere. Siempre sostuvo que no era oportuno hacer comparaciones. La serenata es larga, una frase que le hubiera quedado al dedillo.

"¿La combinación de su repentina fama y su apariencia de estar solo lo hace defender sus posiciones más obstinadamente?", le preguntó el Financial Times. "No, realmente no. Pero, por supuesto, significa que tengo que ser muy cauteloso con lo que estoy diciendo ”, respondió.

Tegnell cree que otros países han “sacrificado la ciencia por lo emocional y lo político”. No titubea. Ni siquiera cuando se dispararon las muertes de ancianos en geriátricos suecos y The New York Times calificó a Suecia como un “estado paria”. Su enfoque racional ha prevalecido. Tegnell sigue en la suya.

Fines de agosto. Se lo puede ver caminando por las calles de Estocolmo rumbo a su oficina monótona. Algunos días, lo acompaña su hija Emily, médica terapista, que le hace chistes por haberse convertido en un ícono del momento. En los medios halagan sus camisas manga corta en tonos pastel. Hay gente que lo para por la calle y le agradece. A veces con un beso.


Anders Tegnell, el rostro de la esperanza en Suecia. Foto AFP

Tegnell se formó en Holanda y en Estados Unidos. Trabajó con el ébola en Zaire. Aprendió sobre políticas de vacunación como enviado de la OMS a Laos. En 2020 tenía previsto instalar una agencia sanitaria en Somalía y enviar a los suecos algunas encuestas sobre calidad de vida. Pero terminó defendiendo su idea de que las escuelas sigan abiertas durante la pandemia. “Si tienes éxito allí en la escuela, tu vida será buena. Si fracasas, tu vida será mucho peor. Vas a vivir menos. Vas a ser más pobre. Eso, por supuesto, está en nuestra cabeza cuando se habla de cerrar escuelas. Un año perdido es un desastre. Las escuelas abiertas tienen que ver con mantener el bienestar de la población y la salud de los más chicos”, dice.

Más definiciones: “No creemos que sea viable tener este tipo de cierre, apertura y cierre drásticos. No se pueden abrir y cerrar escuelas. Y probablemente tampoco puedas abrir y cerrar restaurantes y cosas así muchas veces. Una o dos veces, sí, pero luego la gente se cansará mucho y las empresas sufrirán más que si las cierras por completo ”.

Tegnell decidió tempranamente que ante el primer síntoma, siempre que fuera manejable, la gente se quedara en su casa. Buscaba mantener en funcionamiento el sistema de atención médica y evitar que colapse por demanda innecesaria. Pero no dejaba de pensar en la salud pública en sentido amplio. Por eso decidió que los deportes infantiles continuaran, al igual que las lecciones de la escuela primaria, las sesiones de yoga, beber y comer con amigos y hacer compras. Sobre los barbijos, dice: "La adopción de barbijos es más una declaración que una medida. Son una solución fácil y desconfío profundamente de las soluciones fáciles para problemas complejos".

Lo acusaron de quitarle importancia a las muertes por Covid-19 (5.846 este domingo). Rechaza esa posibilidad. Pero dice que siempre tuvo en cuenta el daño a gran escala. Le pegaron fuerte en junio, cuando planteó que de haber tenido información previa sobre el comportamiento del virus, su estrategia hubiera sido otra. Pero ahora, pensando en frío, dice: "Aún así no creo que hubiera cambiado mucho".

Y otra vez nada contra corriente cuando habla sobre la vacuna. Advierte que si llega no será la "solución milagrosa". Y remata: “Una vez más, no me gustan mucho las soluciones fáciles para problemas complejos y creer que una vez que la vacuna esté aquí, podremos regresar y vivir como siempre lo hemos hecho, creo que es un mensaje peligroso para dar porque no va a ser tan fácil ".

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".