Datos de COVID-19: cómo cambiaron las tasas de infección el día en que se introdujo un bloqueo o una medida similar

Usando un enfoque basado en la tecnología de visión por computadora, los investigadores pueden trabajar a partir de los datos de mortalidad de COVID-19 para ver cómo cambiaron las tasas de infección el día en que se introdujo un bloqueo o una medida similar. El enfoque podría ser útil en general en futuras epidemias y pandemias. El trabajo fue publicado el 14 de julio en Avances de la ciencia.

Los coautores Leonor Saiz, profesora de ingeniería biomédica en la Universidad de California, Davis, y José Vilar, Universidad del País Vasco, España, querían ver los efectos de las intervenciones no farmacéuticas como el distanciamiento social, los confinamientos y el uso de mascarillas en el primer año de la pandemia. Analizaron los informes diarios de muertes de países europeos, incluidos el Reino Unido, Italia, España, Dinamarca y Suiza, para inferir la tasa diaria de nuevos casos.

En términos informáticos, la incidencia diaria de infección es la entrada y la tasa de mortalidad es una salida. Tomar una salida y trabajar hacia atrás para calcular la entrada es lo que los matemáticos llaman un proceso inverso. Un ejemplo de esto es el procesamiento de imágenes médicas, donde es posible que necesite mejorar la calidad de la imagen. Los matemáticos y los ingenieros han desarrollado técnicas para volver de una imagen borrosa a un original claro y nítido. Esto se llama desconvolución.

Inferir la tasa diaria de nuevas infecciones a partir de las tasas diarias de mortalidad es un problema difícil, dijo Saiz. La mayoría de los casos de COVID-19 no son fatales y, cuando lo son, la muerte generalmente puede ocurrir de 10 a 30 días después de la infección. Esto significa que la señal de salida se mancha o se vuelve borrosa a lo largo del tiempo, de la misma manera que una imagen vista a través de un vidrio empañado podría aparecer borrosa o distorsionada en el espacio.

Desconvolución para epidemiología

Saiz y Vilar desarrollaron un método de desconvolución para epidemiología. Mediante el uso de una red neuronal, que incluye el comportamiento del virus y la dinámica de la infección, el modelo puede trabajar desde los datos de la tasa de mortalidad (salida) hasta la tasa de incidencia diaria (entrada).

«Tomamos prestado un concepto de la tecnología de la visión para aplicarlo a la epidemiología», dijo Saiz.

Los investigadores compararon su modelo al observar el efecto de las intervenciones no farmacéuticas (p. ej., distintas de las vacunas o los tratamientos farmacológicos) en el primer año de la pandemia. Debido a que tales medidas generalmente se impusieron en todo un país el mismo día, querían ver si su modelo podía identificar el día en que se introdujeron.

Por ejemplo, pudieron ver los días en que se impusieron y eliminaron los bloqueos en Inglaterra dentro de un día de su fecha real. En España pudieron observar cómo subían los contagios cuando se levantaban las restricciones de viaje y en Italia, el día de octubre de 2020 en el que se exigía el uso de mascarillas al aire libre.

El enfoque podría usarse para evaluar la efectividad de los pasos o combinaciones de pasos, como cuarentenas y mandatos de máscara para reducir la tasa de infección.

“Al menos podemos tener confianza en que los bloqueos redujeron la transmisión de infecciones instantáneamente”, dijo Saiz.