La interacción con otras enfermedades complica la predicción de la propagación del coronavirus
El coronavirus pueden interactuar con otras enfermedades y el comportamiento social de manera que hace que la predicción de su propagación sea más compleja de lo que sugerirían muchos modelos actuales, según una nueva investigación publicada en 'Nature Physics'. Foto: Freepik

El Ébola, la influenza y el coronavirus pueden interactuar con otras enfermedades y el comportamiento social de manera que hace que la predicción de su propagación sea más compleja de lo que sugerirían muchos modelos actuales, según una nueva investigación publicada en Nature Physics.

El profesor Laurent Hébert-Dufresne, experto en Ciencias de la Computación de la Universidad de Vermont, es el codirector de este trabajo que podría conducir a un mejor seguimiento e intervención cuando múltiples enfermedades se propagan a través de una población al mismo tiempo, como en el actual caso del coronavirus.

En opinión de este especialista en informática, “la interacción de las enfermedades es la norma más que la excepción. Y, sin embargo, cuando conseguimos el modelo, casi siempre es una enfermedad aislada”.

Cuando los científicos mapean una epidemia como el coronavirus, el virus del ébola o el de la gripe, tradicionalmente los analizan como patógenos aislados. Bajo estas dinámicas llamadas simples, generalmente se acepta que el tamaño previsto de la epidemia será proporcional a la tasa de transmisión.

La presencia de múltiples enfermedades hace que una infección por coronavirus sea más contagiosa

Junto con Hébert-Dufresne, han trabajado en este estudio Samuel Scarpino, de la Northeastern University, y Jean-Gabriel Young, de la Universidad de Michigan. Estos científicos opinan que la presencia de un contagio más en la población cambia de forma drástica la dinámica de simple, a compleja.

Laurent Hébert-Dufresne Vermont University
Laurent Hébert-Dufresne, de la Universidad de Vermont, demuestra cómo los virus de la gripe, del Ébola y los coronavirus pueden interactuar con otras enfermedades. Foto: Joshua Brown / UVM

Una vez que se produce este cambio, las alteraciones microscópicas en la tasa de transmisión desencadenan saltos macroscópicos en el tamaño epidémico esperado, un patrón de difusión que los científicos sociales han observado en la adopción de tecnologías innovadoras, jerga y otros comportamientos sociales contagiosos.

Los investigadores comenzaron a comparar contagios biológicos y contagios sociales en 2015 en el Instituto Santa Fe, un centro de investigación multidisciplinar donde Hébert-Dufresne estaba modelando cómo las tendencias sociales se propagan a través del refuerzo.

El ejemplo clásico de refuerzo social, según Hébert-Dufresne, es “el fenómeno por el que, por ejemplo, 10 amigos que te dicen que vayas a ver la nueva película de Star Wars causa un efecto diferente que el que un único amigo te diga lo mismo 10 veces”. La presencia de múltiples enfermedades hace que una infección sea más contagiosa que por sí sola.

Las enfermedades biológicas pueden reforzarse entre sí a través de los síntomas

Las enfermedades biológicas pueden reforzarse entre sí a través de los síntomas, como en el caso de un estornudo que ayuda a propagar una segunda infección como la neumonía. O bien, una enfermedad puede debilitar el sistema inmunitario del huésped, haciendo que la población sea más susceptible a un contagio adicional.

Cuando las enfermedades se refuerzan entre sí, se aceleran rápidamente a través de la población. Luego se esfuman a medida que se quedan sin nuevos huéspedes. Según el modelo de estos investigadores, el mismo patrón súper exponencial caracteriza la propagación de las tendencias sociales, como los vídeos virales, que se comparten ampliamente y luego dejan de ser relevantes después de que un número considerable de personas los ha visto.

Un segundo hallazgo en este trabajo es que los mismos patrones complejos que surgen para las enfermedades que interactúan también aparecen cuando un contagio biológico interactúa con un contagio social, como en el ejemplo de un virus que se propaga junto con una campaña antivacunación.

Brote actual de coronavirus en temporada de gripe

En este trabajo, se detalla un brote de dengue de 2005 en Puerto Rico. Aquí, el profesor Hébert-Dufresne cita un ejemplo adicional de un brote de dengue de 2017 en el mismo país en el que el hecho de no tener en cuenta con precisión la interacción de las cepas redujo la efectividad de una vacuna.

Esto, a su vez, provocó un movimiento contra la vacunación, una epidemia social, que finalmente condujo al resurgimiento del sarampión, una segunda epidemia biológica. Es un ejemplo clásico de la complejidad del mundo real, donde aparecen consecuencias no deseadas de muchos fenómenos que interactúan.

Aunque es fascinante observar un patrón de propagación universal a través de complejos sistemas sociales y biológicos, Hébert-Dufresne señala que también presenta un desafío único. “Observando solo los datos -explica-, podríamos observar este patrón complejo y no saber si una epidemia mortal se refuerza por un virus, un fenómeno social o alguna combinación”.

En su opinión, al hacer predicciones, como para el brote actual de coronavirus que ocurre en una temporada de gripe, es importante saber qué casos tienen infecciones múltiples y qué pacientes están en el hospital con gripe, pero están asustados por el coronavirus. “Las interacciones pueden ser de naturaleza biológica o social, pero todas son importantes”, subraya.

Como dato adicional señalar que la Universidad de Vermont recibió el pasado mes de enero un millón de dólares de Google para financiar la investigación del profesor Laurent Hébert-Dufresne sobre software de código abierto. “El objetivo del proyecto -comenta- es profundizar en la comprensión de cómo las personas, equipos y organizaciones prosperan en entornos ricos en tecnología, especialmente en proyectos y comunidades de código abierto”.

Dejar respuesta

Please enter your comment!
Please enter your name here