Cómo las aplicaciones meteorológicas podrían predecir tu riesgo de COVID

Por Laura Tedesco

17 de agosto de 2022 - Tapio Schneider es un científico del clima, y su esposa una ingeniera mecánica. En muchos aspectos, eran como muchas otras familias afectadas por el COVID: dos niños pequeños sin escolarizar y un sinfín de reuniones de Zoom desde casa. Pero los dos no se limitaban a hacer pan de masa madre y a dar paseos durante el encierro: Estaban pensando en cómo podían utilizar su experiencia para ayudar.

"Estábamos encerrados en casa, como todo el mundo, hablando de cómo se podría evitar el aislamiento o los cierres", recuerda Schneider, profesor de ciencia e ingeniería medioambiental en el Instituto Tecnológico de California e investigador principal en el Laboratorio de Propulsión a Chorro de la NASA.

En aquel momento, los encierros eran la única forma conocida de controlar el virus, pero Schneider consideraba que no funcionaban bien.

"Incluso en el momento álgido de la pandemia, el 1 o 2% de la población era realmente infecciosa", dice. "El 98% no necesitaba aislarse". Pero el problema era averiguar quiénes eran esas personas infecciosas.

Entonces se le ocurrió: ¿Y si pudiera crear una "previsión" de COVID utilizando la misma tecnología que usan las aplicaciones meteorológicas?

La mujer de Schneider, que también es profesora de Caltech, estaba estudiando los sensores de temperatura corporal. Tal vez, pensaron, los datos de dispositivos similares podrían combinarse con los datos de las pruebas de COVID para predecir las posibilidades de que una persona contraiga el virus. Si se enviaran esos datos a una aplicación, cada usuario podría recibir su propio riesgo personalizado directamente en su smartphone.

Esta idea se convirtió en un estudio publicado en PLOS Computational Biology. Schneider se asoció con un equipo mundial -que incluye a un científico computacional de Alemania y a un modelador de enfermedades de la Universidad de Columbia en Nueva York- para averiguar si una aplicación como ésta podría ayudar a controlar una pandemia como la del COVID. Y los resultados son prometedores.

Cómo funciona una app de previsión de COVID

Si alguna vez has utilizado una aplicación meteorológica, probablemente te habrás dado cuenta de que la previsión del fin de semana puede ser muy diferente el lunes que el viernes. Y eso no es porque los meteorólogos no sepan lo que hacen: Es un reflejo de la gran cantidad de datos que se importan constantemente, lo que aumenta la precisión del pronóstico a medida que se acerca la fecha real.

Cada 12 horas, las aplicaciones meteorológicas realizan un análisis. El primer paso es capturar el estado atmosférico en este momento, es decir, datos como la temperatura, la humedad y la velocidad del viento, medidos por fuentes como las estaciones meteorológicas y los satélites. Esta información se combina con la previsión de 12 horas antes y se introduce en un modelo atmosférico. Un algoritmo predice cómo serán las condiciones dentro de otras 12 horas, la aplicación meteorológica se actualiza y, medio día después, el ciclo se repite.

Imaginemos una aplicación que utilice un método similar, salvo que introduzca los datos de COVID en un modelo de seguimiento de enfermedades, trazando el camino desde el riesgo, la exposición, la infección y, finalmente, la recuperación, la hospitalización o el fallecimiento. Los datos incluirían lo obvio -resultados de pruebas rápidas y pruebas de antígenos, síntomas autodeclarados- junto con lo más inesperado, como los datos de los teléfonos inteligentes y la cantidad de virus en las aguas residuales locales, que se está convirtiendo rápidamente en una valiosa herramienta para predecir los brotes de COVID.

"La clave es que se trata de algo específico para cada persona", explica Schneider. La aplicación no se limitaría a predecir el porcentaje de personas infectadas en tu ciudad, sino que evaluaría tu riesgo particular de contraer el virus, basándose en los datos que recoge tu dispositivo con Bluetooth.

Las actuales aplicaciones de notificación de la exposición, que se utilizan más en Europa y Asia que en EE.UU., te avisan cuando te has expuesto al virus, pero no te actualizan entre las alertas. Schneider imagina utilizar los datos que usan esas aplicaciones de forma más eficiente, recurriendo a otras fuentes de datos, proporcionando una previsión de infecciosidad actualizada regularmente y aconsejando que te autoaislen tras una probable exposición.

¿Qué eficacia tendría la aplicación?

En el estudio, Schneider y su equipo crearon una ciudad de simulación, diseñada para imitar la ciudad de Nueva York durante las primeras etapas de la pandemia. Esta red de datos incluía miles de puntos de intersección, cada uno de los cuales representaba a una persona: algunos con muchas interacciones diarias, otros con pocas. A cada uno se le asignó una edad porque la edad influye en la ruta que sigue COVID.

Lo que sus simulaciones revelaron: Si el 75% de las personas utilizara una aplicación de previsión de COVID y se autoaislara como se recomienda, la pandemia podría controlarse eficazmente, siempre y cuando las tasas de pruebas de diagnóstico fueran altas.

"Es tan eficaz como un bloqueo, salvo que en un momento dado sólo se aísla una pequeña fracción de la población", dice Schneider, señalando que en este caso, una "pequeña fracción" es alrededor del 10% de la población. "La mayoría de la gente podría hacer su vida con normalidad".

Pero, como han revelado las lentas tasas de vacunación contra el COVID, el cumplimiento casi universal podría ser un objetivo inalcanzable.

Otro posible reto: superar los problemas de privacidad, a pesar de que los datos serían anónimos. Empezar con comunidades más pequeñas, como los campus universitarios o los lugares de trabajo, podría promover una aceptación más generalizada, dice Schneider, a medida que la gente vea el beneficio de compartir sus datos. Los más jóvenes, observa, parecen sentirse más cómodos con la divulgación de información sanitaria, lo que significa que podrían estar más dispuestos a utilizar una aplicación de este tipo, especialmente si pudiera evitar otro bloqueo.

El futuro del seguimiento de las enfermedades infecciosas: Empoderar a cada persona

La modelización matemática de las enfermedades infecciosas no es nada nuevo. En 2009, durante la pandemia de H1N1 (gripe porcina), los CDC utilizaron datos de múltiples fuentes para ayudar a frenar la propagación de la gripe. Durante la oleada de Zika de 2016 a 2017, la modelización ayudó a los investigadores a identificar la relación entre el virus y la microcefalia, o una condición en la que la cabeza de un bebé es mucho más pequeña de lo normal, de forma temprana. De hecho, la previsión matemática ha sido útil para todo, desde la gripe hasta el VIH, según un artículo publicado en 2022 enClinical Infectious Diseases.

Entonces llegó COVID-19, la peor pandemia de la historia de Estados Unidos, que exigió un nuevo nivel de cálculo de números.

En colaboración con la Universidad de Massachusetts en Amherst, los CDC crearon The Hub, un repositorio de datos que fusionaba varias previsiones independientes para predecir los casos, las hospitalizaciones y las muertes por COVID. Esta ingente empresa no sólo ayudó a informar a las políticas públicas, sino que también puso de manifiesto la importancia de un rápido rastreo de los contactos: Si la identificación de los contactos cercanos tardaba más de 6½ días después de la exposición, era prácticamente inútil.

Schneider se hace eco de esta preocupación con lo que en su día se alabó como método de control del COVID. En las simulaciones de su equipo sobre la previsión basada en la aplicación, "se reducen las tasas de mortalidad entre 2 y 4 veces, simplemente porque se identifican más personas probablemente infecciosas de lo que se haría con las pruebas, el rastreo y el aislamiento", afirma. El rastreo de contactos tiene una capacidad limitada para controlar la propagación del COVID, debido a la elevada tasa de transmisión sin síntomas y al corto periodo de latencia del virus. Al combinar múltiples fuentes de datos con un modelo de transmisión de la enfermedad, se consigue una mayor eficacia.

"Sabes cómo se propaga por la red", dice Schneider. "Y una vez que incorporas eso, consigues un control más eficaz de la epidemia".

Aplicar este enfoque matemático a los individuos -en lugar de a poblaciones enteras- es la verdadera innovación en la visión de Schneider. En el pasado, podíamos predecir, por ejemplo, la posibilidad de encontrar una persona infecciosa en toda la ciudad de Nueva York. Pero la aplicación que Schneider espera desarrollar determinaría la probabilidad única de contagio de cada usuario. Esto permite tomar decisiones informadas: ¿salgo esta noche? ¿Me aíslo? - en manos de todos.

"Tenemos una tecnología que puede conducir a la gestión de epidemias, incluso a frenarlas por completo, si se adopta lo suficientemente amplia y se combina con las pruebas", dice Schneider, "y eso es tan eficaz como nuestros cierres, sin tener que aislar a gran parte de la población".

Esta innovación podría ayudar a rastrear enfermedades infecciosas como la gripe o incluso a frenar el próximo COVID, afirma Schneider.

"Quieres controlar las epidemias, quieres minimizar la enfermedad y el sufrimiento", dice. "Al mismo tiempo, se quiere minimizar la interrupción económica y la interrupción de la vida, de la escolarización. La esperanza es que con medios digitales como los que hemos esbozado, se puedan alcanzar estos dos objetivos."