La pandemia de la enfermedad por coronavirus 2019 (COVID-19), causada por el síndrome respiratorio agudo severo coronavirus-2 (SARS-CoV-2), ha causado una cantidad significativa de enfermedad, mortalidad y hospitalización en todo el mundo. Esta pandemia en curso ha afectado gravemente a los sectores de la salud, junto con la economía mundial, que experimentó la mayor recesión desde la década de 1930.
Fondo
En respuesta a la pandemia, los científicos han trabajado incansablemente para comprender cada pequeño aspecto del nuevo coronavirus, SARS-CoV-2. Desarrollaron vacunas y terapias y recopilaron más conocimientos sobre el modo de transmisión para manejar la pandemia. De manera similar, los gobiernos implementaron varias estrategias, como cierres nacionales, uso obligatorio de mascarillas y restricciones de viaje, para contener el COVID-19.
Se han desarrollado varios modelos basados en datos de transmisión de SARS-CoV-2 para predecir de manera efectiva la tendencia futura. Por ejemplo, se desarrolló un modelo de promedio móvil integrado autorregresivo (ARIMA) utilizando datos de 145 países. Este modelo predijo la Propagación de COVID-19 patrón basado en los datos de la población. El modelo ARIMA demostró que la transmisión del SARS-CoV-2 podría proyectarse utilizando variables como la humedad, la cultura y el clima.
El modelo clásico Susceptible-Infected-Recovery (SIR) se modificó con parámetros borrosos, como la tasa de recuperación, la tasa de infección y la tasa de mortalidad debido a la infección por SARS-CoV-2. Aunque los modelos estadísticos clásicos no podían incorporar factores determinantes importantes, los modelos de aprendizaje automático proporcionaron una alternativa eficaz para comprender conjuntos de datos complicados. El modelo basado en la red neuronal artificial (ANN) se desarrolló para predecir el patrón de transmisión del SARS-CoV-2.
Como se indicó anteriormente, la mayoría de los gobiernos implementaron restricciones a la movilidad de las personas para proteger a las personas de contraer COVID-19. No muchos estudios han verificado el impacto de las restricciones de movilidad en términos de costos y beneficios. Además, es importante determinar si la implementación de otros factores, como aumentar la conciencia, el apoyo económico, la educación, etc., podrían contener colectivamente la pandemia.
Sobre el estudio
Un nuevo estudio publicado en el medRxiv* El servidor de preimpresión investigó cómo la movilidad humana influyó en la transmisión del SARS-CoV-2 basándose en un enfoque basado en la red y métodos de regresión de panel. Los autores consideraron particularmente las características de la población suburbana, como la edad, la educación y los ingresos, para el análisis.
El estudio actual incluyó datos de infección por SARS-CoV-2 para cien suburbios diferentes del área metropolitana de Sydney en Nueva Gales del Sur, Australia. Se seleccionaron dos períodos distintos, es decir, durante la circulación de la variante Delta y durante la circulación de la variante Omicron, para determinar las estadísticas de infección de los suburbios. Se consideraron tres atributos moderadores, a saber, la edad, la educación y los ingresos, para determinar su impacto en la relación entre las variables dependientes e independientes del modelo del presente estudio.
Recomendaciones
Este estudio se dividió en dos partes. En la primera parte, los autores investigaron el impacto de la movilidad de un individuo por el barrio en el recuento de casos de COVID-19. La medida del vecindario se asoció con la cantidad de caminos compartidos para determinar el movimiento humano a través de los suburbios.
En particular, varios factores subyacentes cambiaron en los dos marcos de tiempo seleccionados del estudio, es decir, durante la circulación de Delta y Omicron. Durante el brote de Delta, se implementó el bloqueo y las personas podían moverse dentro de un radio de 5 km para artículos esenciales. Además, algunas áreas también tuvieron toques de queda nocturnos durante este período. La cobertura de vacunación aumentó de aproximadamente 26% a 43% en el área.
Por el contrario, durante la fase Omicron, no se implementaron bloqueos. Los únicos requisitos obligatorios eran el distanciamiento social, el uso de mascarillas y el límite de capacidad comercial. La doble cobertura de vacunación aumentó del 77% a casi el 79%. Como era de esperar, la movilidad de las personas dentro y entre los suburbios durante esta fase fue significativamente mayor que en la fase Delta.
La variante Omicron es más infecciosa que la cepa Delta; por lo tanto, es crucial determinar cómo la medida comunitaria afectó los casos de COVID-19 relacionados con los brotes de Delta y Omicron. Aunque el modelo de regresión de panel de efectos fijos proporcionó un buen rendimiento de predicción para la variante Delta (valor R cuadrado de 85,66 %), su rendimiento se vio afectado por la variante Omicron (valor R cuadrado de 52,67 %).
El recuento de infecciones anterior tuvo una influencia positiva significativa en el recuento de infecciones actual para las variantes Delta y Omicron. Este modelo proyectó que los recuentos de infecciones para un suburbio durante la variante Delta podrían determinarse positivamente en función de los recuentos de infecciones anteriores y la afluencia de los suburbios circundantes (medida de vecindario).
En el caso de la variante Omicron, el modelo de regresión y la medida de vecindad necesitaban brindar más información porque el valor R-cuadrado era casi el mismo que el de la variante delta. Además, la medida del vecindario reveló un impacto negativo en los recuentos de infecciones de manera contraria a la intuición.
En la segunda parte del estudio, los investigadores investigaron cómo la edad, la educación y los ingresos afectaban la tasa de infección en los suburbios. Descubrieron que la educación no tuvo ningún efecto moderador en la tasa de infección para ambas variantes. Por el contrario, la edad y los ingresos influyeron significativamente en la relación entre los recuentos de casos de COVID-19 anteriores y actuales.
Conclusiones
El modelo capturó el macromovimiento durante el confinamiento y lo utilizó para predecir las tasas de infección durante los brotes de Delta y Omicron. El impacto de la movilidad en la tasa de infección se determinó con base en la red de carreteras entre los suburbios vecinos que ayudaron a la afluencia y el riesgo correspondiente de un aumento en el número de casos de lugares adyacentes.
*Noticia importante
medRxiv publica informes científicos preliminares que no son revisados por pares y, por lo tanto, no deben considerarse concluyentes, guiar la práctica clínica o el comportamiento relacionado con la salud ni tratarse como información establecida.
