COVID-19: Por qué las curvas de infección se comportan de manera tan inesperada

Con el primer pico epidémico de COVID-19 detrás de ellos, muchos países explicaron la disminución del número de infecciones a través de intervenciones no farmacéuticas. Frases como "distanciamiento social" y "aplanar la curva" se han convertido en parte del vocabulario común. Sin embargo, algunas explicaciones se quedaron cortas: ¿cómo se podría explicar el aumento lineal de las curvas de infección, que muchos países muestran después del primer pico, en contraste con las curvas en forma de S, esperadas de los modelos epidemiológicos?

En un nuevo artículo publicado en PNAS (Proceedings of the National Academy of Sciences of the United States of America) , los científicos del Complexity Science Hub Vienna (CSH) son los primeros en ofrecer una explicación del crecimiento lineal de la curva de infección.

"Al comienzo de la pandemia, las curvas de infección por COVID-19 mostraron el crecimiento exponencial esperado", dice Stefan Thurner, presidente de CSH y profesor de Ciencia de Sistemas Complejos en la Universidad Médica de Viena. Esto puede explicarse bien por el llamado efecto bola de nieve: una persona infectada infectaría a algunas otras y, en una reacción en cadena, esas personas también transmitirían el virus a algunas otras. "Con medidas como el distanciamiento social, los gobiernos intentaron llevar la tasa de crecimiento por debajo de la tasa de recuperación y, por lo tanto, reducir masivamente el número de nuevas infecciones. Sin embargo, en esta lógica, los individuos habrían infectado a menos de una sola persona, y la curva se habría aplanado, llegando finalmente a cero, algo que no sucedió", explica Thurner.

"Lo que vimos en cambio fue un nivel constante de infecciones con un número similar de nuevas infecciones todos los días", agrega el coautor Peter Klimek (CSH & Medical Univ of Vienna). "Explicar esto con modelos epidemiológicos estándar sería básicamente imposible".

El uso de modelos epidemiológicos tradicionales habría requerido un gran ajuste de los parámetros, haciendo que el modelo fuera cada vez más inverosímil. "Si desea equilibrar las mediciones para que el número de reproducción efectiva R se mantenga exactamente en 1, algo que explicaría el crecimiento lineal, tendría que reducir los contactos en el mismo porcentaje exacto y constante. En realidad, eso es extremadamente improbable". dice Klimek.

Lea también: ¿Podría el COVID-19 en las aguas residuales ser infeccioso?

De hecho, la probabilidad de observar un crecimiento lineal en estos modelos compartimentales estándar es prácticamente nula, señalan los científicos de CSH. Por lo tanto, se inspiraron para ampliar el modelo y buscar más explicaciones.

Los científicos de Complexity explicaron la forma lineal de las curvas a través de una forma de propagación diferente a la inicialmente esperada: asumieron que la dinámica de propagación continuaba en grupos pequeños y limitados. "La mayoría de las personas fueron a trabajar, se infectaron y se contagiaron a dos o tres personas en casa, y luego esas personas volvieron al trabajo o la escuela. La infección se propagaba básicamente de un grupo a otro", dice Stefan Thurner. "El cambio de las curvas de infección de tener forma de S a un comportamiento lineal es claramente un efecto de red, una dinámica muy diferente de los grandes eventos de superpropagación".

Los científicos demostraron que existe un número crítico de contactos, al que denominan redes de grado de contacto o Dc, por debajo del cual debe ocurrir un crecimiento lineal y una baja prevalencia de infección. Descubrieron que Dc era igual a 7.2, asumiendo que las personas circulan en una red relevante para el coronavirus de aproximadamente cinco personas, que es incluso más baja durante un bloqueo efectivo (tamaño del hogar 2.5 personas en promedio).

En lugar de tener que ajustar los parámetros, su modelo permite una amplia gama de posibilidades que mantienen lineales las curvas de infección. Explica por qué aparecen curvas de infección lineales en tantos países, independientemente de la magnitud de las intervenciones no farmacéuticas impuestas.

En un paso más, los científicos compararon a Austria, un país que respondió con un bloqueo severo desde el principio, y los Estados Unidos, que inicialmente no impuso medidas severas. Según Peter Klimek, su modelo funciona para ambos escenarios: "Ambos tipos de países mostraron curvas lineales, pero en el caso de Estados Unidos y otros países como Suecia, esto sucedió en un nivel mucho más alto".

El modelo no solo explica la aparición de un régimen de crecimiento lineal, sino que también explica por qué la epidemia podría detenerse por debajo de los niveles de inmunidad colectiva por el consiguiente distanciamiento social. Para el procedimiento de modelado estándar, los científicos de complejidad utilizan un llamado modelo compartimental con modelos SIR, extendiéndolo con la transmisión de racimo descrita.

Pero, ¿qué pasará en los próximos meses, con la posibilidad de que los números vuelvan a aumentar? Con factores de riesgo adicionales como personas que regresan de vacaciones en otros países y más tiempo en el interior, la propagación de la enfermedad podría cambiar. "Si las infecciones aumentan de nuevo, existe la posibilidad de que las curvas lineales vuelvan a crecer exponencialmente, algo que la gente describió como una segunda ola", concluye Klimek.