Fernando Cabanillas
💬

Dime dónde vas y te diré cómo te infectarás

En 1978, a los 73 años, el equilibrista Karl Wallenda intentó cruzar una cuerda floja entre las dos torres del Condado Plaza, un hotel de diez pisos. Lamentablemente, perdió el equilibrio y cayó al pavimento muriendo instantáneamente. Wallenda se confió a sus instintos, que le habían servido bien hasta ese día. ¿Qué falló? El instinto y la experiencia no son buenos sustitutos de los datos científicos. Si Wallenda hubiese calculado científicamente los riesgos, tenía que incluir varios factores tales como velocidad de los vientos y cuán bien asegurado estaba el cable, además de su propia edad. El balance no es igual a los 20 años que a los 73.

Con el fin de acotar el COVID-19, frecuentemente los gobernantes mundiales tienen que decidir cuánto restringir los comercios, comprometiendo así la economía. Es como caminar en una cuerda floja. Si se caen para un lado, los ciudadanos mueren de COVID, y si se caen para el otro, morirán de hambre. De la misma forma que Wallenda, ellos cuentan con sus instintos y su experiencia, y me imagino que en muchos casos, con datos científicos. Las restricciones se deben imponer basándose en datos concretos... pero no siempre sabemos cómo conseguirlos.

Después de leer el artículo médico, Mobility network models of COVID-19 explain inequities and inform reopening, en la prestigiosa revista Nature, he quedado convencido de que existen datos objetivos que no estamos explotando. Confieso que no tenía idea del significado de ese título, pero al publicarse en una revista tan importante, y habiéndose rotulado como una “publicación acelerada”, presumí que el contenido era importante. No me equivoqué, pero me quedé corto porque el articulo sobrepasó mis expectativas y me abrió los ojos a un mundo nuevo.

En palabras de la autora, la doctora Serina Chang, de la Universidad de Stanford, “COVID-19 cambió drásticamente los patrones de movilidad humana, haciendo necesarios modelos epidemiológicos que capturen los efectos de los cambios en movilidad en la propagación del virus”. ¿Qué significa esto?

El COVID nos ha cambiado la vida y no nos comportamos como antes, por tanto es necesario desarrollar modelos actualizados que nos informen de cómo las nuevas formas de movernos de un lugar a otro alteran el modo en que el virus se disemina. Estos modelos se asemejan a los que usan los meteorólogos para predecir el paso de un ciclón. Existen varios modelos de acuerdo con el peso que cada uno le asigne a los diferentes datos disponibles para simular el comportamiento de la tormenta.

Pues los datos que usó la Dra. Chang se basaron en el rastreo de movimientos de los teléfonos celulares de 98 millones de personas provenientes de diferentes lugares de EEUU y su desplazamiento hacia ciertos “puntos de interés”. Por si no están conscientes de ello, existen detalles de los sitios que usted ha visitado. Los celulares emiten una señal que es reconocida por la torre de transmisión que guarda un récord permanente. Esta información es pública, pero anónima. Si no me creen, vayan a “Google Mobility” y encontrarán los datos para todos los pueblos de Puerto Rico y del mundo. Estos puntos de interés pueden ser restaurantes, centros comerciales, iglesias y lugares de ocio tales como parques y playas.

El modelo de Chang predice que el 10% de los puntos de interés son responsables del 85% de las infecciones, y que restringir la ocupación máxima específicamente en esos puntos es más efectivo que el reducir la ocupación en todos los puntos. Lo importante es identificar cuáles son esos sitios que en inglés llaman “superspreaders” o superesparcidores del virus. ¿Cómo podemos hacer eso? Chang utilizó las cifras de SafeGraph, una empresa que analiza los datos de teléfonos móviles, para estudiar patrones de movilidad. Estos datos incluyen los varios tipos de establecimientos que se visitan, por ejemplo, un restaurante o un gimnasio, con el fin de determinar el impacto que tienen esos datos en el número de casos infectados en diferentes vecindarios. Usando esta información, desarrollaron modelos capaces de predecir el número de casos que se infectarían en diferentes vecindarios y cómo cambiaría el número de casos nuevos al restringir las visitas a esos puntos.

Con el fin de determinar si los datos de Google Mobility nos pudieran ayudar, decidí mirar el mes de noviembre en Puerto Rico. El día antes de las elecciones hubo un aumento en las visitas a supermercados; asumo que la gente fue a suplirse de alcohol y comida para celebrar al día siguiente. El día de las elecciones se observó una baja notable en visitas a lugares de trabajo, ya que era un día feriado. Es muy interesante que ese día hubo un aumento en visitas a parques y playas y que seis días después de las elecciones, según los datos de la Universidad Johns Hopkins la curva de casos nuevos empezó a dispararse de forma impresionante, alcanzando el número más alto desde que comenzó la pandemia. Recordemos que el periodo de incubación promedio de este virus es de cinco días. Ya la curva había subido algo antes de las elecciones, pero el 9 de noviembre se disparó dramáticamente, llegando al punto máximo el 15 de noviembre y luego descendiendo. ¿Dónde se contagiaron? ¿En los colegios electorales, en las playas o en ambos?

Este es el tipo de dato que nos puede ayudar a tomar decisiones. Si concluimos que las elecciones fueron el detonante principal del rebrote actual, entonces el bajar la capacidad de los restaurantes a un 30%, no es la solución… no porque no ayude a reducir los casos, seguramente los reducirá, pero con un precio económico alto. Debemos tener claro cuál es nuestra meta. No es reducir los casos a cero, sino a un nivel manejable que evite el colapso del sistema hospitalario.

Un problema con Google Mobility es que agrupa restaurantes con centros comerciales y otros. SafeGraph separa los restaurantes de otros negocios y es de más ayuda. Contamos con expertos capaces de aplicar estos modelos a Puerto Rico para determinar cuáles son los focos potenciales de contagio. Existe un grupo de personas en el Departamento de Salud que ya están trabajando con estos nuevos modelos estadísticos.

Acaba de morir el Reverendo Irvin Baxter Jr., un televangelista antigay que afirmaba que los únicos culpables de la epidemia del COVID eran los gays y aquellos que tenían relaciones sexuales fuera del matrimonio. El reverendo murió a causa del coronavirus. Yo daría cualquier cosa por poder rastrear su teléfono celular para ver en qué parte del cielo o del infierno se encuentra ahora.

Otras columnas de Fernando Cabanillas

domingo, 29 de noviembre de 2020

Incongruencias y misterios del COVID-19

Los analistas señalan varias razones para los resultados divergentes entre Estados Unidos y Canadá. El segundo tiene las ventajas de una densidad poblacional mucho menor y haber llevado a cabo un mejor desempeño en momentos críticos, escribe Fernando Cabanillas

domingo, 15 de noviembre de 2020

El coronavirus y los abrigos de visón

La preocupación de los gobernantes de Dinamarca está basada en que 12 de las muchas personas infectadas albergaban una nueva variante del coronavirus con una mutación que tenía el potencial de amenazar la eficacia de cualquier vacuna, escribe Fernando Cabanillas

domingo, 8 de noviembre de 2020

Algunos anticuerpos son buenos… y otros traicioneros

Podemos concluir que la exposición previa a la enfermedad no se traduce necesariamente en una inmunidad garantizada. ¿Se reflejará también este fenómeno en aquellos vacunados contra COVID-19?, dice Fernando Cabanillas

lunes, 2 de noviembre de 2020

¿Es seguro viajar en tiempos de pandemia?

Un estudio sobre el riesgo de contraer el coronavirus en un vuelo comercial concluyó que una persona tendría que estar sentada junto a un pasajero infectado durante 54 horas para recibir una dosis peligrosa del virus, escribe Fernando Cabanillas

 

Ups...

Nuestro sitio no es visible desde este navegador.

Te invitamos a descargar cualquiera de estos navegadores para ver nuestras noticias: