Juan José Nieto, catedrático de Análisis Matemático, lidera un grupo de expertos gallegos y lusos que han diseñado un modelo que predice la evolución del virus
19 mar 2020 . Actualizado a las 10:42 h.Juan José Nieto Roig (A Coruña, 1958), catedrático de Análisis Matemático de la Universidade de Santiago, ha diseñado junto al profesor Iván Area, de la Universidade de Vigo, y Faiçal Ndaïrou y Delfim Torres, de la Universidad de Aveiro, un modelo para predecir el comportamiento del coronavirus. El estudio prevé que el punto de inflexión de la epidemia -el pico donde se alcanza el máximo de infectados y a partir del cual esta cifra empieza a reducirse- se registre en Galicia durante la primera semana de abril.
El modelo matemático predice el crecimiento de la ya famosa curva que mide la propagación del virus y que ahora, con las decisiones drásticas adoptadas por el Gobierno y la Xunta, se trata de aplanar para evitar que un pico demasiado brusco colapse el sistema sanitario. «Hace diez días cualquier medida parecía una exageración y ahora cualquier medida parece que es escasa. Estamos en estado de alerta a nivel nacional y de emergencia sanitaria en Galicia, y tenemos que seguir esas normas para frenar la expansión de la enfermedad», sentencia el catedrático de la USC, uno de los científicos más citados del mundo.
-¿Cómo se puede predecir, a partir de un modelo matemático, la evolución de una epidemia?
-Es una adaptación del modelo SIR o SEIR [siglas de individuos susceptibles de ser contagiados, expuestos, infectados y recuperados], un sistema de ecuaciones diferenciales que permite estudiar y predecir la propagación de una epidemia. Nuestro modelo, elaborado en colaboración con los compañeros de Aveiro, ya lo utilizamos con éxito en el pasado para analizar la evolución de enfermedades como el ébola o el zika, y ahora lo hemos adaptado para este nuevo virus porque cada enfermedad tiene sus características específicas de expansión.
-¿El modelo teórico se coteja luego con los datos en tiempo real de la propagación de la enfermedad?
-Lo bueno de estos modelos es que podemos enriquecerlos y afinarlos con los datos recogidos día a día. En el caso de China, incorporamos los datos que ofrecía el Gobierno y pudimos comprobar que nuestras predicciones se ajustaban a la realidad.
-¿Y cómo será la evolución en Galicia?
-A partir del dato fundamental de que el período de infección es de unos 25 a 35 días, hemos sido capaces de calcular que el pico llegará en Galicia durante los primeros días de abril. No queríamos parecer alarmistas, porque justo sería en torno a la convocatoria electoral prevista inicialmente para el domingo 5, pero quisimos ponerlo en conocimiento de la Xunta para que manejasen esa previsión. Lo que en un principio podría parecer arriesgado, al final todos los indicios apuntan a que se confirmará.
-¿La propagación en Galicia es similar a la del resto de España?
-Respecto al conjunto de España, vemos que a Galicia la enfermedad ha llegado con un ligero retraso, por lo que la previsión que tenemos es que el pico máximo de la infección también se alcanzará algo después.
-La base de este modelo clásico se la debemos a los científicos de principios del siglo XX, que estudiaron, entre otras pandemias la gripe de 1918.
-Sí. Me gusta mucho recordar el caso de sir Ronald Ross, un británico que ganó el premio Nobel de Medicina precisamente porque, mediante un modelo matemático, logró demostrar que la malaria se transmitía a través de los mosquitos.
-¿Es cierto que estos modelos matemáticos desvelan aspectos de la enfermedad que no se ponen de relieve directamente por la experiencia clínica?
-A veces los modelos matemáticos arrojan luz sobre aspectos o factores que la intuición o la experiencia por sí solas no detectan. Los modelos descubren cosas que la intuición no es capaz de ver. Un ejemplo sería la naturaleza ondulatoria de la luz: las ecuaciones de ondas apuntaron a un camino por el que, en principio, la intuición no nos llevaría. Otro tanto pasa con los conjuntos fractales: son muy poco intuitivos, pero están muy presentes en la naturaleza. Con estos modelos que estudian las epidemias sucede algo similar.
Los superpropagadores, unos pacientes capaces de infectar a más individuos susceptibles de enfermar
En el 2009, en Estados Unidos se registraron dos picos de expansión del virus H1N1.
¿Podría repetirse ahora esta situación?
-Podría aparecer un nuevo foco y un repunte del COVID-19, nada se puede descartar, pero, por lo que hemos podido comprobar con datos efectivos registrados en el caso de China, en un principio lo predecible es que haya un pico máximo y, a partir de ese punto de inflexión, la situación empiece a remitir. Ahora mismo estamos en fase de crecimiento.
-Una de las paradojas del modelo es que se manejan ecuaciones que no se pueden resolver, pero que ofrecen mucha información.
-Utilizamos un sistema, en el que además de los tres casos clásicos de susceptibles, infectados y recuperados, usamos variantes como superpropagadores y hospitalizados... Este sistema tampoco tiene solución, pero nos permite obtener mucha información sobre el comportamiento de la enfermedad. A partir de un análisis cuantitativo del problema predecimos, por ejemplo, cuándo se alcanzará el punto de inflexión.
-¿Qué son los superpropagadores?
-Son infectados que, por alguna razón, son capaces de infectar a más individuos susceptibles de ser contagiados.
-Porque, en realidad, no todas las personas tienen los mismos contactos, ni la misma movilidad. ¿El modelo actual es capaz de reflejar esa heterogeneidad?
-Esa es la idea, ir afinando y enriqueciendo el modelo con casos más pormenorizados. Pero todo ello con un límite, porque si intentamos recoger toda la variedad de posibilidades obtenemos un sistema muy complejo de difícil resolución. A veces un sistema más sencillo es capaz de ofrecer más información que uno demasiado complejo.
-¿Por qué?
-Porque si obtengo un modelo complejísimo, pero su resolución me va a llevar seis años, pues no es útil. Necesitamos decir algo aquí y ahora, mientras resulta útil analizar la propagación de la enfermedad. Tenemos que encontrar un equilibrio entre el análisis de la mayor cantidad posible de datos y la necesidad de aportar información útil de forma rápida.
