"Todos los modelos están mal, pero algunos
son útiles." George
E. P. Box (Reino Unido 1919 – 2013).
Cuando la COVID-19 irrumpió en la escena mundial a finales de 2019, la
humanidad no solo se enfrentó a un virus biológico, sino a un desafío de datos.
Para entender hacia dónde iba la curva y cuándo colapsarían los hospitales, los
científicos recurrieron a una herramienta centenaria pero poderosa: el Modelo
SIR. Aunque el SIR básico es elegante, la COVID-19 mostró complejidades que
obligaron a los matemáticos a crear versiones más sofisticadas, surgiendo así
el modelo SEIR.
Para profundizar en el modelo SEIR, debemos entenderlo como una
evolución del SIR que añade una capa de realismo fundamental: el periodo de
incubación. En enfermedades como la COVID-19, una persona no se vuelve
contagiosa inmediatamente después de estar en contacto con el virus; existe un
tiempo en el que el patógeno se replica internamente.
El mayor desafío para la ciencia no fueron solo los enfermos en los
hospitales, sino aquellos que caminaban por las calles sintiéndose
perfectamente sanos mientras el virus se replicaba en su interior. Aquí es
donde el modelo matemático SEIR se convirtió en nuestra herramienta más
poderosa: al añadir la letra 'E' de Expuestos, los científicos pudieron mapear
el silencio epidemiológico y entender por qué la COVID-19 siempre parecía ir un
paso por delante de nosotros.
En epidemiología, el modelo SEIR es el estándar de oro para entender
virus con periodos de incubación. A diferencia del modelo SIR básico, el SEIR
introduce una variable crítica que cambia todo el panorama: el tiempo que pasa
un individuo infectado antes de ser contagioso. Entender este flujo es entender
la dinámica de la pandemia que cambió nuestras vidas.
El modelo se define ahora por un sistema de cuatro ecuaciones
diferenciales ordinarias que describen la tasa de cambio de cada grupo respecto
al tiempo ($t$):
- Susceptibles: $\frac{dS}{dt} = -\frac{\beta S I}{N}$
- Expuestos: $\frac{dE}{dt} = \frac{\beta S I}{N} - \sigma E$
- Infectados: $\frac{dI}{dt} = \sigma E - \gamma I$
- Recuperados: $\frac{dR}{dt} = \gamma I$
Donde $N$ es la población total ($N = S + E + I + R$).
Como comentamos antes, el modelo SEIR introduce un nuevo parámetro,$\sigma$, con respecto al SIR:
- $\beta$ (Tasa de transmisión): Representa la probabilidad de que un contacto entre un Susceptible y un Infectado resulte en una infección. Depende tanto de la biología del virus como del comportamiento social (uso de mascarillas, distancia). Ya definido en SIR.
- $\sigma$ (Tasa de incubación): Es el inverso del periodo de incubación promedio ($1/t_{inc}$). Nuevo parámetro que se introduce en SEIR. Si el virus tarda 5 días en manifestarse, $\sigma = 1/5 = 0.2$. Controla la velocidad con la que los "Expuestos" pasan a ser "Infectados".
- $\gamma$ (Tasa de recuperación): Es el inverso de la duración media de la infecciosidad ($1/t_{inf}$). Ya definido en SIR
Como este es un sistema no lineal, no existe una fórmula única simple o expresión
explicita en funciones elementales para resolverlo, se requiere integración
numérica (usando métodos como Runge-Kutta). Sin embargo, podemos extraer
conclusiones críticas de la forma de sus curvas:
La curva de Infectados (I) crece mientras la tasa de nuevos contagios sea mayor que la tasa de recuperación. Matemáticamente, el pico ocurre cuando:
$$\frac{dI}{dt} = 0 \implies \sigma E = \gamma I$$
En este momento, el sistema sanitario alcanza su máximo estrés.
El Número Básico de Reproducción ($R_0$) en SEIR
Aunque se añade el compartimento E, el $R_0$ sigue siendo fundamentalmente el mismo que en el modelo SIR:
$$R_0 = \frac{\beta}{\gamma}$$
Esto se debe a que, aunque los "Expuestos" retrasan el inicio de la epidemia, no alteran cuántas personas contagia un individuo una vez que se vuelve infeccioso.
Destaquemos las Diferencias Claves de este modelo frente al SIR. Si
comparamos las soluciones de un modelo SIR y un SEIR con los mismos parámetros:
- Retraso Temporal: La curva de infectados en el SEIR tarda más en despegar. El compartimento E actúa como una "sala de espera", lo que puede dar una falsa sensación de seguridad al inicio de un brote.
- Amplitud del Pico: Al distribuir la transición en dos pasos ($E \to I$), el pico de infecciones suele ser ligeramente más bajo, pero más ancho que en el SIR simple.
- Sensibilidad a $\sigma$: Si el periodo de incubación es muy corto ($\sigma$ grande), el modelo se comporta casi idénticamente a un SIR. Si es largo, la dinámica se vuelve mucho más lenta y difícil de rastrear.
Las soluciones reales a menudo varían porque $\beta$ no es constante, cambia con las acciones publicas o sociales, como cuarentenas, uso de mascarillas, dstancias y comportamientos similares. Para ajustar el modelo a la realidad, los
matemáticos usan una $\beta(t)$ variable. Además, en modelos avanzados se
incluye una tasa de mortalidad para que el compartimento R se divida en
"Recuperados" y "Fallecidos".
Gracias a estas proyecciones, los gobiernos pudieron determinar:
- Capacidad Hospitalaria: Cuántas camas de UCI se necesitarían en el pico de la ola.
- Estrategias de Vacunación: El modelo SIR permite calcular el umbral de inmunidad de rebaño necesario ($1 - 1/R_0$). Para la COVID-19, esto sugirió que necesitábamos vacunar a más del 70-80% de la población para detener la propagación autónoma.
- Cuarentenas Selectivas: Identificar en qué punto de la curva la tasa de contagio empezaba a ser crítica para cerrar actividades no esenciales.
Aunque el modelo SEIR es una herramienta elegante y poderosa, la
COVID-19 nos recordó que ningún algoritmo es una bola de cristal perfecta. La
eficacia de estas ecuaciones dependió siempre de la calidad de los datos y de
la capacidad de la sociedad para ajustar la variable $\beta$ (transmisión)
mediante el comportamiento humano. Al final, el modelo SEIR cumplió su misión
más noble: darnos el tiempo necesario para que la ciencia biológica alcanzara a
la matemática, permitiendo el desarrollo de vacunas antes de que la curva de
susceptibles se agotara por completo.
No hay comentarios:
Publicar un comentario