stringtranslate.com

Modelización matemática de enfermedades infecciosas

Los modelos matemáticos permiten proyectar la evolución de las enfermedades infecciosas para mostrar el posible resultado de una epidemia (incluso en las plantas ) y ayudar a fundamentar las intervenciones en materia de salud pública y fitosanitaria. Los modelos utilizan supuestos básicos o estadísticas recopiladas junto con las matemáticas para encontrar parámetros para diversas enfermedades infecciosas y utilizar esos parámetros para calcular los efectos de diferentes intervenciones, como los programas de vacunación masiva . El modelado puede ayudar a decidir qué intervención(es) evitar y cuál(es) probar, o puede predecir patrones de crecimiento futuros, etc.

Historia

La modelización de enfermedades infecciosas es una herramienta que se ha utilizado para estudiar los mecanismos por los cuales se propagan las enfermedades, para predecir el curso futuro de un brote y para evaluar estrategias para controlar una epidemia. [1]

El primer científico que intentó cuantificar sistemáticamente las causas de muerte fue John Graunt en su libro Natural and Political Observations made upon the Bills of Mortality , de 1662. Las listas que estudió eran listados de números y causas de muerte que se publicaban semanalmente. El análisis de Graunt sobre las causas de muerte se considera el comienzo de la "teoría de los riesgos competitivos", que según Daley y Gani [1] es "una teoría que ahora está bien establecida entre los epidemiólogos modernos".

El primer modelo matemático de propagación de enfermedades lo realizó Daniel Bernoulli en 1760. Bernoulli, médico de formación, creó un modelo matemático para defender la práctica de la inoculación contra la viruela . [2] Los cálculos de este modelo demostraron que la inoculación universal contra la viruela aumentaría la esperanza de vida de 26 años y 7 meses a 29 años y 9 meses. [3] El trabajo de Daniel Bernoulli precedió a la comprensión moderna de la teoría de los gérmenes . [4]

A principios del siglo XX, William Hamer [5] y Ronald Ross [6] aplicaron la ley de acción de masas para explicar el comportamiento epidémico.

En la década de 1920 surgieron los modelos compartimentados. El modelo epidémico de Kermack-McKendrick (1927) y el modelo epidémico de Reed-Frost (1928) describen la relación entre individuos susceptibles , infectados e inmunes en una población. El modelo epidémico de Kermack-McKendrick logró predecir el comportamiento de los brotes de manera muy similar a la observada en muchas epidemias registradas. [7]

Recientemente, se han utilizado modelos basados ​​en agentes (MBA) en lugar de modelos compartimentados más simples . [8] Por ejemplo, los MBA epidemiológicos se han utilizado para informar intervenciones de salud pública (no farmacéuticas) contra la propagación del SARS-CoV-2 . [9] Los MBA epidemiológicos, a pesar de su complejidad y de requerir un alto poder computacional, han sido criticados por simplificar y hacer suposiciones poco realistas. [10] [11] Aun así, pueden ser útiles para informar decisiones sobre medidas de mitigación y supresión en casos en que los MBA estén calibrados con precisión. [12]

Suposiciones

Los modelos son tan buenos como las hipótesis en las que se basan. Si un modelo hace predicciones que no se ajustan a los resultados observados y las matemáticas son correctas, las hipótesis iniciales deben cambiar para que el modelo sea útil. [13]

Tipos de modelos epidémicos

Estocástico

"Estocástico" significa ser o tener una variable aleatoria. Un modelo estocástico es una herramienta para estimar distribuciones de probabilidad de resultados potenciales al permitir la variación aleatoria en uno o más datos de entrada a lo largo del tiempo. Los modelos estocásticos dependen de las variaciones aleatorias en el riesgo de exposición, enfermedad y otras dinámicas de enfermedades. La diseminación estadística de la enfermedad a nivel de agente en poblaciones pequeñas o grandes se puede determinar mediante métodos estocásticos. [14] [15] [16]

Determinista

Cuando se trata de poblaciones grandes, como en el caso de la tuberculosis, se suelen utilizar modelos matemáticos deterministas o compartimentados. En un modelo determinista, los individuos de la población se asignan a diferentes subgrupos o compartimentos, cada uno de los cuales representa una etapa específica de la epidemia. [17]

Las tasas de transición de una clase a otra se expresan matemáticamente como derivadas, por lo que el modelo se formula utilizando ecuaciones diferenciales. Al construir estos modelos, se debe suponer que el tamaño de la población en un compartimento es diferenciable con respecto al tiempo y que el proceso epidémico es determinista. En otras palabras, los cambios en la población de un compartimento se pueden calcular utilizando únicamente la historia que se utilizó para desarrollar el modelo. [7]

Crecimiento subexponencial

Una explicación habitual del crecimiento de las epidemias es que una persona infecta a dos, esas dos infectan a cuatro, y así sucesivamente, duplicando el número de infectados en cada generación. Es como un juego de la mancha en el que una persona mancha a dos, esas dos manchan a otras cuatro que nunca han sido manchadas, y así sucesivamente. A medida que avanza el juego se vuelve cada vez más frenético, ya que los manchados pasan corriendo por delante de los manchados anteriormente para cazar a los que nunca han sido manchados. Así, este modelo de epidemia conduce a una curva que crece exponencialmente hasta que se desploma a cero, ya que toda la población ha sido infectada, es decir, no hay inmunidad de grupo ni pico ni descenso gradual como se ve en la realidad. [18]

Modelos epidémicos en redes

Las epidemias pueden modelarse como enfermedades que se propagan a través de redes de contacto entre personas. Dicha red puede representarse matemáticamente con un gráfico y se denomina red de contacto. [19] Cada nodo de una red de contacto es una representación de un individuo y cada enlace (borde) entre un par de nodos representa el contacto entre ellos. Los enlaces de las redes de contacto pueden usarse para transmitir la enfermedad entre los individuos y cada enfermedad tiene su propia dinámica sobre su red de contacto. La combinación de la dinámica de la enfermedad bajo la influencia de las intervenciones, si las hay, en una red de contacto puede modelarse con otra red, conocida como red de transmisión. En una red de transmisión, todos los enlaces son responsables de transmitir la enfermedad. Si dicha red es una red local similar a un árbol, lo que significa que cualquier vecindario local en dicha red toma la forma de un árbol , entonces la reproducción básica puede escribirse en términos del grado de exceso promedio de la red de transmisión de tal manera que:

donde es el grado medio (grado promedio) de la red y es el segundo momento de la distribución de grados de la red de transmisión . Sin embargo, no siempre es sencillo encontrar la red de transmisión a partir de la red de contacto y la dinámica de la enfermedad. [20] Por ejemplo, si una red de contacto se puede aproximar con un gráfico de Erdős–Rényi con una distribución de grados de Poisson , y los parámetros de propagación de la enfermedad son como se definen en el ejemplo anterior, de modo que es la tasa de transmisión por persona y la enfermedad tiene un período infeccioso medio de , entonces el número básico de reproducción es [21] [22] ya que para una distribución de Poisson.

Número de reproducción

El número básico de reproducción (denotado por R 0 ) es una medida de cuán transmisible es una enfermedad. Es el número promedio de personas que una sola persona infectada infectará a lo largo de su infección. Esta cantidad determina si la infección aumentará subexponencialmente , se extinguirá o permanecerá constante: si R 0 > 1, entonces cada persona en promedio infecta a más de otra persona, por lo que la enfermedad se propagará; si R 0 < 1, entonces cada persona infecta a menos de una persona en promedio, por lo que la enfermedad se extinguirá; y si R 0 = 1, entonces cada persona infectará en promedio exactamente a otra persona, por lo que la enfermedad se volverá endémica: se propagará por toda la población, pero no aumentará ni disminuirá. [23]

Estado estable endémico

Se dice que una enfermedad infecciosa es endémica cuando puede mantenerse en una población sin necesidad de factores externos. Esto significa que, en promedio, cada persona infectada está infectando exactamente a otra persona (si hay más, el número de personas infectadas aumentará de manera subexponencial y habrá una epidemia ; si hay menos, la enfermedad desaparecerá). En términos matemáticos, esto es:

El número básico de reproducción ( R 0 ) de la enfermedad, suponiendo que todos son susceptibles, multiplicado por la proporción de la población que es realmente susceptible ( S ) debe ser uno (ya que aquellos que no son susceptibles no figuran en nuestros cálculos porque no pueden contraer la enfermedad). Nótese que esta relación significa que para que una enfermedad esté en el estado estable endémico , cuanto mayor sea el número básico de reproducción, menor debe ser la proporción de la población susceptible, y viceversa. Esta expresión tiene limitaciones en cuanto a la proporción de susceptibilidad, por ejemplo, si R 0 es igual a 0,5, implica que S debe ser 2; sin embargo, esta proporción excede el tamaño de la población. [ cita requerida ]

Supongamos que la distribución de edad es estacionaria y que las edades de infección tienen la misma distribución para cada año de nacimiento. Sea A la edad promedio de infección , por ejemplo, cuando los individuos menores de A son susceptibles y los mayores de A son inmunes (o infecciosos). Entonces se puede demostrar mediante un argumento fácil que la proporción de la población que es susceptible está dada por:

Reiteramos que L es la edad a la que, en este modelo, se supone que muere cada individuo. Pero la definición matemática del estado estacionario endémico se puede reorganizar para dar:

Por lo tanto, debido a la propiedad transitiva :

Esto proporciona una forma sencilla de estimar el parámetro R 0 utilizando datos fácilmente disponibles.

Para una población con una distribución de edad exponencial ,

Esto permite obtener el número básico de reproducción de una enfermedad dada A y L en cualquier tipo de distribución de población.

Modelos compartimentados en epidemiología

Los modelos compartimentales se formulan como cadenas de Markov . [24] Un modelo compartimental clásico en epidemiología es el modelo SIR, que puede utilizarse como modelo simple para modelar epidemias. También se emplean muchos otros tipos de modelos compartimentales.

El modelo SIR

Diagrama del modelo SIR con valores iniciales y tasas de infección y recuperación
Animación del modelo SIR con valores iniciales y tasa de recuperación . La animación muestra el efecto de reducir la tasa de infección de a . Si no hay medicamentos ni vacunas disponibles, solo es posible reducir la tasa de infección (lo que a menudo se denomina " aplanamiento de la curva ") con medidas adecuadas, como el distanciamiento social.

En 1927, WO Kermack y AG McKendrick crearon un modelo en el que consideraron una población fija con solo tres compartimentos: susceptible, ; infectado, ; y recuperado, . Los compartimentos utilizados para este modelo consisten en tres clases: [25]

Otros modelos compartimentados

Existen muchas modificaciones del modelo SIR, incluidas aquellas que incluyen nacimientos y muertes, donde tras la recuperación no hay inmunidad (modelo SIS), donde la inmunidad dura solo un corto período de tiempo (SIRS), donde hay un período latente de la enfermedad donde la persona no es infecciosa ( SEIS y SEIR ), y donde los bebés pueden nacer con inmunidad (MSIR). [ cita requerida ]

Dinámica de las enfermedades infecciosas

Los modelos matemáticos deben integrar el volumen cada vez mayor de datos que se generan sobre las interacciones entre el huésped y el patógeno . Muchos estudios teóricos sobre la dinámica de las poblaciones , la estructura y la evolución de las enfermedades infecciosas de plantas y animales, incluidos los humanos, se ocupan de este problema. [26]

Los temas de investigación incluyen:

Matemáticas de la vacunación masiva

Si la proporción de la población que es inmune excede el nivel de inmunidad de grupo para la enfermedad, entonces la enfermedad ya no puede persistir en la población y su transmisión se extingue. [27] Por lo tanto, una enfermedad puede eliminarse de una población si suficientes individuos son inmunes debido a la vacunación o la recuperación de la exposición previa a la enfermedad. Por ejemplo, la erradicación de la viruela , con el último caso salvaje en 1977, y la certificación de la erradicación de la transmisión autóctona de 2 de los 3 tipos de poliovirus salvajes (tipo 2 en 2015, después del último caso notificado en 1999, y tipo 3 en 2019, después del último caso notificado en 2012). [28]

El nivel de inmunidad colectiva se denotará como q . Recordemos que, para un estado estable: [ cita requerida ]

Sucesivamente,

que es aproximadamente: [ cita requerida ]

Gráfico del umbral de inmunidad colectiva frente al número básico de reproducción con enfermedades seleccionadas

S será (1 −  q ), ya que q es la proporción de la población que es inmune y q  +  S debe ser igual a uno (ya que en este modelo simplificado, todos son susceptibles o inmunes). Entonces:

Recuerde que este es el nivel umbral. La muerte por transmisión solo ocurrirá si la proporción de individuos inmunes supera este nivel debido a un programa de vacunación masiva.

Acabamos de calcular el umbral crítico de inmunización (denominado q c ). Es la proporción mínima de la población que debe ser inmunizada al nacer (o cerca del nacimiento) para que la infección desaparezca en la población.

Porque la fracción del tamaño final de la población p que nunca se infecta se puede definir como:

Por eso,

Resolviendo para , obtenemos:

Cuando la vacunación masiva no puede superar la inmunidad colectiva

Si la vacuna utilizada no es lo suficientemente eficaz o no se puede alcanzar la cobertura requerida, el programa puede no superar el límite de vacunación . Un programa de este tipo protegerá a las personas vacunadas de la enfermedad, pero puede cambiar la dinámica de la transmisión. [ cita requerida ]

Supongamos que una proporción de la población q (donde q < q c ) está inmunizada al nacer contra una infección con R 0  > 1. El programa de vacunación cambia R 0 a R q donde

Este cambio se produce simplemente porque ahora hay menos personas susceptibles en la población que pueden infectarse. R q es simplemente R 0 menos aquellas que normalmente se infectarían pero que ahora no pueden infectarse porque son inmunes.

Como consecuencia de este número básico de reproducción más bajo , la edad promedio de infección A también cambiará a un nuevo valor A q en aquellos que no hayan sido vacunados.

Recordemos la relación que vinculaba R 0 , A y L . Suponiendo que la esperanza de vida no ha cambiado, ahora: [ cita requerida ]

Pero R 0 = L / A entonces:

Por lo tanto, el programa de vacunación puede aumentar la edad promedio de infección y las personas no vacunadas experimentarán una menor fuerza de infección debido a la presencia del grupo vacunado. En el caso de una enfermedad que conduce a una mayor gravedad clínica en las poblaciones de mayor edad, la proporción de la población no vacunada puede contraer la enfermedad relativamente más tarde en la vida de lo que ocurriría en ausencia de la vacuna.

Cuando la vacunación masiva supera la inmunidad colectiva

Si un programa de vacunación hace que la proporción de individuos inmunes en una población supere el umbral crítico durante un período de tiempo significativo, la transmisión de la enfermedad infecciosa en esa población se detendrá. Si la eliminación se produce en todas partes al mismo tiempo, esto puede conducir a la erradicación . [ cita requerida ]

Eliminación
La interrupción de la transmisión endémica de una enfermedad infecciosa, que ocurre si cada individuo infectado infecta a menos de otro, se logra manteniendo la cobertura de vacunación para mantener la proporción de individuos inmunes por encima del umbral crítico de inmunización. [ cita requerida ]
Erradicación
Eliminación en todas partes al mismo tiempo, de modo que el agente infeccioso muere (por ejemplo, la viruela y la peste bovina ). [ cita requerida ]

Fiabilidad

Los modelos tienen la ventaja de examinar múltiples resultados simultáneamente, en lugar de hacer un único pronóstico. Los modelos han demostrado amplios grados de confiabilidad en pandemias pasadas, como el SARS , el SARS-CoV-2 , [29] la gripe porcina , el MERS y el ébola . [30]

Véase también

Referencias

  1. ^ ab Daley DJ, Gani J (2005). Modelado epidémico: una introducción . Nueva York: Cambridge University Press.
  2. ^ Hethcote HW (2000). "Las matemáticas de las enfermedades infecciosas". SIAM Review . 42 (4): 599–653. Bibcode :2000SIAMR..42..599H. doi :10.1137/S0036144500371907. S2CID  10836889.
  3. ^ Blower S, Bernoulli D (2004). "Un intento de nuevo análisis de la mortalidad causada por la viruela y de las ventajas de la inoculación para prevenirla". Reseñas en Virología Médica . 14 (5): 275–88. doi :10.1002/rmv.443. PMID  15334536. S2CID  8169180.
  4. ^ "Teoría de los gérmenes: una descripción general | Temas de ScienceDirect".
  5. ^ Hamer W (1928). Epidemiología antigua y nueva . Londres: Kegan Paul.
  6. ^ Ross R (1910). La prevención de la malaria. Dutton.
  7. ^ ab Brauer F, Castillo-Chávez C (2001). Modelos matemáticos en biología de poblaciones y epidemiología . Nueva York: Springer.
  8. ^ Eisinger D, Thulke HH (abril de 2008). "La formación de patrones espaciales facilita la erradicación de enfermedades infecciosas". The Journal of Applied Ecology . 45 (2): 415–423. Bibcode :2008JApEc..45..415E. doi :10.1111/j.1365-2664.2007.01439.x. PMC 2326892 . PMID  18784795. 
  9. ^ Adam D (abril de 2020). "Informe especial: Las simulaciones que impulsan la respuesta mundial al COVID-19". Nature . 580 (7803): 316–318. Bibcode :2020Natur.580..316A. doi : 10.1038/d41586-020-01003-6 . PMID  32242115. S2CID  214771531.
  10. ^ Squazzoni F, Polhill JG, Edmonds B, Ahrweiler P, Antosz P, Scholz G, et al. (2020). "Modelos computacionales que importan durante un brote pandémico global: un llamado a la acción". Revista de sociedades artificiales y simulación social . 23 (2): 10. doi : 10.18564/jasss.4298 . hdl : 10037/19057 . ISSN  1460-7425. S2CID  216426533.
  11. ^ Sridhar D, Majumder MS (abril de 2020). "Modelado de la pandemia". BMJ . 369 : m1567. doi : 10.1136/bmj.m1567 . PMID  32317328. S2CID  216074714.
  12. ^ Maziarz M, Zach M (octubre de 2020). "Modelado basado en agentes para la predicción de epidemias de SARS-CoV-2 y la evaluación de intervenciones: una evaluación metodológica". Revista de evaluación en la práctica clínica . 26 (5): 1352–1360. doi :10.1111/jep.13459. PMC 7461315 . PMID  32820573. 
  13. ^ Huppert A, Katriel G (2013). "Modelado matemático y predicción en la epidemiología de enfermedades infecciosas". Microbiología clínica e infecciones . 19 (11): 999–1005. doi : 10.1111/1469-0691.12308 . PMID  24266045.
  14. ^ Tembine H. "COVID-19: perspectiva de juego de tipo campo medio basada en datos. Juegos". Games Journal. doi : 10.3390/g11040051 . hdl : 10419/257469 . {{cite journal}}: Requiere citar revista |journal=( ayuda )
  15. ^ Nakamura GM, Monteiro AC, Cardoso GC, Martinez AS (febrero de 2017). "Método eficiente para el cálculo integral de la diseminación de epidemias a nivel de agente en redes". Scientific Reports . 7 (1): 40885. arXiv : 1606.07825 . Bibcode :2017NatSR...740885N. doi :10.1038/srep40885. ISSN  2045-2322. PMC 5247741 . PMID  28106086. 
  16. ^ Nakamura GM, Cardoso GC, Martinez AS (febrero de 2020). "Ecuaciones epidémicas susceptibles-infecciosas-susceptibles mejoradas basadas en incertidumbres y funciones de autocorrelación". Royal Society Open Science . 7 (2): 191504. Bibcode :2020RSOS....791504N. doi :10.1098/rsos.191504. ISSN  2054-5703. PMC 7062106 . PMID  32257317. 
  17. ^ Dietz K (1967). "Epidemias y rumores: una encuesta". Revista de la Royal Statistical Society. Serie A (General) . 130 (4): 505–528. doi :10.2307/2982521. JSTOR  2982521.
  18. ^ Maier BF, Brockmann D (2020). "La contención eficaz explica el crecimiento subexponencial de los casos recientes confirmados de COVID-19 en China". Science . 368 (6492): 742–746. Bibcode :2020Sci...368..742M. doi :10.1126/science.abb4557. PMC 7164388 . PMID  32269067. 
  19. ^ Ciencia en redes de Albert-László Barabási.
  20. ^ Kenah E, Robins JM (septiembre de 2007). "Segunda mirada a la propagación de epidemias en redes". Physical Review E . 76 (3 Pt 2): 036113. arXiv : q-bio/0610057 . Bibcode :2007PhRvE..76c6113K. doi :10.1103/PhysRevE.76.036113. ISSN  1539-3755. PMC 2215389 . PMID  17930312. 
  21. ^ Pastor-Satorras R, Castellano C, Van Mieghem P, Vespignani A (31 de agosto de 2015). "Procesos epidémicos en redes complejas". Reseñas de Física Moderna . 87 (3): 925–979. arXiv : 1408.2701 . Código Bibliográfico :2015RvMP...87..925P. doi : 10.1103/RevModPhys.87.925 . S2CID  14306926.
  22. ^ K Rizi A, Faqeeh A, Badie-Modiri A, Kivelä M (20 de abril de 2022). "Propagación de epidemias y rastreo digital de contactos: efectos de la mezcla heterogénea y fallas de cuarentena". Physical Review E . 105 (4): 044313. arXiv : 2103.12634 . Bibcode :2022PhRvE.105d4313R. doi : 10.1103/PhysRevE.105.044313 . PMID  35590624. S2CID  232320251.
  23. ^ "Número básico de reproducción: una descripción general | Temas de ScienceDirect".
  24. ^ Cosma Shalizi (15 de noviembre de 2018). "Datos en el espacio y el tiempo; lección 21: modelos compartimentados" (PDF) . Universidad Carnegie Mellon . Consultado el 19 de septiembre de 2020 .
  25. ^ Kermack WO, McKendrick AG (1991). "Contribuciones a la teoría matemática de las epidemias--I. 1927". Boletín de biología matemática . 53 (1–2): 33–55. Bibcode :1927RSPSA.115..700K. doi : 10.1007/BF02464423 . JSTOR  94815. PMID  2059741.
  26. ^ Brauer F (2017). "Epidemiología matemática: pasado, presente y futuro". Modelado de enfermedades infecciosas . 2 (2): 113–127. doi :10.1016/j.idm.2017.02.001. PMC 6001967 . PMID  29928732. 
  27. ^ Britton T, Ball F, Trapman P (2020). "Un modelo matemático revela la influencia de la heterogeneidad poblacional en la inmunidad colectiva al SARS-CoV-2". Science . 369 (6505): 846–849. Bibcode :2020Sci...369..846B. doi :10.1126/science.abc6810. PMC 7331793 . PMID  32576668. 
  28. ^ Pollard AJ, Bijker EM (2021). "Una guía sobre vacunología: desde los principios básicos hasta los nuevos avances". Nature Reviews Immunology . 21 (2): 83–100. doi :10.1038/s41577-020-00479-7. PMC 7754704 . PMID  33353987. 
  29. ^ Renz A, Widerspick L, Dräger A (2020). "La FBA revela que la guanilato quinasa es un objetivo potencial para terapias antivirales contra el SARS-CoV-2". Bioinformática . 36 (Suplemento_2): i813–i821. doi :10.1093/bioinformatics/btaa813. PMC 7773487 . PMID  33381848. 
  30. ^ Costris-Vas C, Schwartz EJ, Smith? RJ (noviembre de 2020). "Predicción de COVID-19 usando pandemias pasadas como guía: ¿qué tan confiables eran los modelos matemáticos en ese entonces y qué tan confiables serán ahora?". Ciencias biológicas matemáticas e ingeniería . 17 (6): 7502–7518. doi : 10.3934/mbe.2020383 (inactivo 2024-04-24). PMID  33378907.{{cite journal}}: CS1 maint: DOI inactive as of April 2024 (link)

Lectura adicional

Enlaces externos

Software