La movilidad de las personas marca el ritmo de la pandemia

Con el inicio de la epidemia de coronavirus, los investigadores del Departamento de Física de la Facultad de Ciencias Exactas y Naturales de la UBA comenzaron a trabajar en una comisión para dar una respuesta temprana en modelado de Covid-19 y brindar conocimiento y herramientas científicas a las autoridades de Salud, a través del Ministerio de Ciencia, Tecnología e Innovación Productiva. 

Pablo Mininni, Enzo Tagliazucchi, Gabriel Mindlin y Pablo Balenzuela analizaron diferentes modelos epidemiológicos y diseñaron otro, novedoso, que toma en cuenta no solo parámetros propios de la infección sino también el comportamiento social. Para eso firmaron un convenio con la empresa GranData, fundada por Matías Travizano, un físico graduado en Exactas, que proporcionó los datos de geolocalización de los celulares. 

“Eso nos llevó en la idea de construir modelos que funcionasen alimentados con los datos día a día y ver cuánto de la movilidad de celulares tiene que ver con los contactos entre personas infectadas y sanas, y en la propagación de la epidemia. Todos llevamos un celular en el bolsillo. Eso nos da la posibilidad de contar con información de cuántas personas pasan de un lugar a otro en tiempo real”, le explicó a PERFIL Pablo Mininni, investigador del Conicet y profesor de Exactas (UBA). 

El trabajo publicado en la revista científica Chaos, Solitons & Fractals analizó el movimiento de alrededor de un millón de dispositivos móviles en los 41 distritos del Área Metropolitana de Buenos Aires (AMBA) a lo largo de 60 días. Así demostró que para el caso de una megaciudad como Buenos Aires y su región metropolitana “existe una relación directa entre movilidad y tasa de contagio, y que la información de movilidad provista por teléfonos celulares es muy útil para inferir escenarios futuros de la epidemia”. 

Los investigadores observaron una caída abrupta de la movilidad y también de la circulación entre distritos desde el día 19 de marzo (el comienzo de la cuarentena). Luego combinaron los datos de movilidad con los de los primeros 20 días de la pandemia en el país y así pudieron inferir la tasa de infección de manera consistente con lo que ocurrió.

“Nuestro modelo no se basa en ajustar números por fuerza bruta para reproducir que va a pasar sino que toma fuentes de datos que son empíricas, reales, y únicamente con esos datos de movilidad más otros datos sobre cómo funciona este virus, únicamente con eso pudimos hacer predicciones que si bien no son exactas, aun así son predicciones muy buenas, bastante fieles a lo que pasó”, indicó Enzo Tagliazucchi, investigador del Conicet y profesor de Exactas (UBA).

Los científicos exploraron tres escenarios: con 30, 60 y 100% de recuperación de la movilidad. “Hace un mes lo que veíamos, que fue compatible con lo que ocurrió, es que el aumento de la modalidad por encima del 30% generaba una salida del crecimiento lineal de casos. También vimos alguna cosas que en su momento nos sorprendieron, por ejemplo que en distritos con muy pocos casos, si la zona central de AMBA empezaba a crecer exponencialmente, también empezaban a crecer”, sostuvo Mininni.

Los autores del trabajo advierten sobre la necesidad de ser extremadamente cuidadosos en el uso de modelos simples para evaluar efectos de políticas en salud pública, porque pueden ser aproximaciones poco realistas. “El modelo debe ser informativo y esa información uno debe contextualizarla dentro de la hipótesis del modelo. Porque necesariamente cuando uno hace un modelo, simplifica”, concluyó Pablo Balenzuela, tambien investigador del Conicet y profesor de Exactas (UBA).