Pasar al contenido principal

Evidencian como a COVID-19 desenvolve unha dinámica de expansión xeográfica máis dispersa e heteroxénea que a gripe

No caso da COVID-19, esa variabilidade dos datos é orixinada “pola falta de homoxeneidade nas medidas políticas entre diferentes territorios, a resposta social ante esas medidas, e mesmo pola maneira de manexar os datos por parte das administracións públicas, con diferentes criterios na súa recollida e publicación”. FOTO: Santi Alvite
No caso da COVID-19, esa variabilidade dos datos é orixinada “pola falta de homoxeneidade nas medidas políticas entre diferentes territorios, a resposta social ante esas medidas, e mesmo pola maneira de manexar os datos por parte das administracións públicas, con diferentes criterios na súa recollida e publicación”. FOTO: Santi Alvite
Científicos da USC e da UVigo deseñaron unha nova técnica que permite comparar procesos en curso en diferentes rexións que puidesen amosar coincidencias no seu comportamento, evidenciando as redes xeográficas que tece a pandemia
Santiago de Compostela

Investigadores da USC e da UVigo acaban de comparar a dinámica xeográfica de expansión da gripe e da COVID-19, evidenciando a singularidade desta última, máis heteroxénea e susceptible ás medidas adoptadas para mitigar a súa propagación. Os científicos desenvolveron unha técnica capaz de predicir a evolución das pandemias a partir da construción dun arquivo de patróns dinámicos observados no pasado en diferentes períodos de tempo. O modelado empírico dinámico é unha técnica non paramétrica que permite cruzar os datos dese arquivo coa situación actual e realizar estimacións sobre cal será o seu progreso. No caso da COVID-19, ampliaron esa “libraría” de patróns non só ao pasado dalgunhas dinámicas en curso, senón tamén a procesos en curso en diferentes rexións que puidesen amosar coincidencias no seu comportamento. Este novo enfoque acaba de ser formulado no artigo ‘Leveraging Geographically Distributed Data for Influenza and SARS-CoV-2 Non-Parametric Forecasting’ da revista Mathematics.

“Cando empezou a COVID-19 empezamos a ver que os modelos matemáticos existentes tiñan certas eivas para predicir a evolución da pandemia”, explica o catedrático de Electromagnetismo da USC, pertencente ao Instituto de Materiais (iMATUS), Jorge Mira, que asina o artigo xunto ao catedrático de Análise Matemática da USC, Juan José Nieto, pertencente ao Centro de Investigación e Tecnoloxía Matemática de Galicia (CITMAga). Tamén son asinantes da publicación, Iván Area da UVigo e do CITMAga, xunto cos investigadores Pablo Boullosa e Adrián Garea. “Basicamente o problema é que nos modelos de epidemioloxía clásicos hai comportamentos exponenciais, que fan algo análogo ao ‘efecto bolboreta’ en meteoroloxía: pequenos cambios nos datos levan a notables cambios na predición”, explica Jorge Mira.

No caso da COVID-19, esa variabilidade dos datos é orixinada “pola falta de homoxeneidade nas medidas políticas entre diferentes territorios, a resposta social ante esas medidas, e mesmo pola maneira de manexar os datos por parte das administracións públicas, con diferentes criterios na súa recollida e publicación”. Os autores desenvolveron un sistema que explorase o comportamento das pandemias en casos anteriores e buscase patróns nos datos actuais de xeito que, de detectarse algunha semellanza, a evolución do pasado puidese axudar a predicir o presente. O problema radicaba en que, no caso dunha nova pandemia como a COVID-19, non hai “libraría” de casos pasados. Os autores deseñaron entón un novo método que construíse unha “libraría” que permitise comparar zonas xeográficas nas que se desen esas coincidencias.

O equipo testou con éxito esta técnica no relativo ao virus da gripe a partir dos datos proporcionados polo Instituto de Saúde Carlos III, entre os anos 2000 e 2020, de quince comunidades autónomas, así como das cidades autónomas de Ceuta e Melilla. A continuación e, a partir da mesma fonte oficial, avaliaron o caso da COVID-19 dende o inicio da pandemia e ata abril de 2021, tomando en consideración as diferentes vagas. En concreto, cuantificaron cantas veces á hora de elaborar as predicións, un determinado territorio reproduce patróns tomados da serie temporal do resto de rexións, asumindo que a dinámica desta rexión está relacionada coas demais. Tamén cuantificaron cantas veces reproduce tendencias da súa propia serie temporal, o que remarca que a dinámica deste territorio é diferente aos demais. Tamén construíron redes de gripe e COVID-19 para comprobar posibles coincidencias na distribución xeográfica das dúas enfermidades, evidenciando a singularidade da dinámica xeográfica desta última.

Mapa comparativo da dinámica da gripe e da COVID-19. A rede da COVID-19 é máis dispersa, non hai unha agrupación clara de tendencias como a que se dá na rede da gripe
Mapa comparativo da dinámica da gripe e da COVID-19. A rede da COVID-19 é máis dispersa, non hai unha agrupación clara de tendencias como a que se dá na rede da gripe

Os investigadores constataron como algúns territorios reproducen un gran número de patróns da súa propia evolución e non da de outros territorios; trátase dos casos da Comunidade de Madrid, a Comunidade Valenciana e Andalucía. En canto ás conexións, a rede da COVID-19 é máis dispersa, non hai unha agrupación clara de tendencias como a que se dá na rede da gripe. De feito, as rexións do norte están máis conectadas coas do sur, reproducen patróns semellantes, mentres que no caso da gripe as conexións explicábanse en virtude do clima similar, “o que leva a incidencias comparables debido ao modo de vida que desenvolven as persoas”, sinalan os investigadores.

A dinámica da COVID difire da gripe, a xuízo dos científicos, entre outras razóns polas diferenzas na xestión da pandemia por parte das comunidades autónomas, “xa que foron maioritariamente independentes do goberno central e levaron a cabo diferentes medidas para deter a propagación da pandemia”. A gripe, pola contra, combateuse durante moitos anos con accións máis homoxéneas.

Los contenidos de esta página se actualizaron el 20.07.2022.