Analizar el esparcimiento epidémico histórico con modelos de epidemiología computacional

Las Fundaciones de Epidemiología Computacional

Los modelos de epidemiología computacional simulan la propagación de enfermedades infecciosas incorporando varios factores como la densidad de población, los patrones de movimiento y los comportamientos sociales. Cuando se aplican a datos históricos, estos modelos permiten a los científicos reconstruir cómo se desarrollaron epidemias en el pasado, proporcionando información sobre la eficacia de las intervenciones y los factores que contribuyeron a su propagación. La fundación descansa en modelos compartimentales clásicos desarrollados a principios del siglo XX por los computaólogos como RonaldM y Kerma

Los datos son a menudo escasos, incoherentes o sesgados hacia poblaciones afluentes.Las curvas epidémicas deben ser inferidas de registros de entierro, admisiones hospitalarias o reportes de periódicos. Datos espaciales: mapas de ciudades, rutas comerciales, horarios marítimos, requieren una digitalización intensa. A pesar de estos obstáculos, los avances en estadísticas de muerte y aprendizaje automático de censación ahora permiten a los investigadores llenar los intervalos semanales.

Fuentes de datos clave incluyen registros parroquiales (Europa), registros militares (emigraciones en tiempo de guerra), manifiestos de buques (introducción en cólera), e incluso muestras de núcleo de hielo (traces de patógenos en el aire).La integración de epidemiología genética ha añadido otra capa: al secuenciar el ARN del tejido preservado del siglo, los científicos pueden estimar la tasa de infección de granada

Tipos de modelo y sus aplicaciones

Modelos Compartamentales: SIR, SEIR y Extensiones

Los modelos compartimentos dividen a una población en categorías discretas basadas en el estado de infección. El más simple, el SIR modelo, las pistas Susceptibles (S), Infectados (I), y Recovered (R) individuos. Un conjunto de ecuaciones diferenciales rige el flujo entre compartimentos, con parámetros para la tasa de transmisión (β) y tasa de recuperación (γ18)

El modelo SEIR] añade un compartimento Expuesto (E) para personas infectadas pero aún no infecciosas. Esto es crítico para enfermedades con períodos de incubación largos, como el sarampión (10-12 días) o COVID-19 (medio 5 días). Los brotes de sarampión históricos en las ciudades prevacunas han sido modelados con marcos de transmisión SEIR altamente sensibles.

Otras extensiones incluyen modelos de metapoblación que vinculan varias ciudades (por ejemplo, redes ferroviarias que propagan plagas de ciudades portuarias a las tierras), modelos de edad (niños contra adultos) y modelos de inmunidad (pertussis). Para análisis históricos, estas extensiones permiten a los investigadores probar si intervenciones como cuarentena o prohibición de viajar podrían haber alterado la trayectoria, y muchos modelos muestran que las restricciones tempranas y severas eran cruciales.

Modelos basados en agentes: Captura de Heterogeneidad Individual

Los modelos basados en agentes (ABM) simulan a cada individuo como un agente autónomo con atributos (edad, ocupación, composición del hogar, movimientos diarios) y reglas para interactuar con otros. A diferencia de los modelos compartimentales, ABMs puede capturar comportamientos matizados: un comerciante en un mercado concurrido contra un agricultor en un pueblo remoto. Para epidemias históricas, ABMs son particularmente poderosos porque pueden incorporar datos de archivo ricos: censos, rollos de genes y casos de impuestos vinculados.

Un estudio histórico utilizó un ABM para reconstruir la pandemia de 1918 en el campamento del ejército británico de Étaples, Francia. El modelo incorporaba los diseños de barraca, el uso de la letrina y el movimiento de soldados entre unidades. Los resultados mostraron que el hacinamiento y la mala ventilación eran los principales impulsores de la transmisión, apoyando la hipótesis de que la pandemia originó en campamentos militares.

Las ABM también permiten simulaciones contrafactuales]. ¿Qué tal si se hubieran encomendado máscaras en 1918? ¿Qué pasa si la cuarentena del siglo XIV del puerto de Ragusa (Dubrovnik) se hubiera aplicado una semana antes? Estos experimentos digitales proporcionan evidencia de que las medidas de salud pública pueden funcionar a lo largo de los siglos.

Modelos de red: La estructura de contacto

Los modelos de red representan a individuos como nodos y contactos como bordes, formando un gráfico. A diferencia de las hipótesis de mezcla homogénea de los modelos compartimentales, los modelos de red capturan la realidad de que no todos tienen iguales posibilidades de contacto. Para el análisis histórico, la reconstrucción de la red depende de datos tales como registros de matrimonio (conexiones familiares), listas de miembros de gremios (conexiones de trabajo) y rollos de asistencia a la iglesia (lazos comunitarios).

Un ejemplo clásico es la propagación del brote de cólera de 1854 en el distrito de Soho de Londres, célebremente mapeado por el Dr. John Snow. Los modelos de red modernos han revisitado los datos y demostrado que la contaminación de una sola bomba de agua pública en Broad Street era el epicentro, pero la red de visitas a los hogares y hábitos de bebida compartidos amplifica el brote más allá de lo que un modelo simple de fuente de puntos.

Estudio de caso: La Pandemia de Influenza 1918

Fuentes de datos y enfoque de la elaboración de modelos

La pandemia de influenza de 1918 (la "gripe española") infectó aproximadamente un tercio de la población mundial y mató a 50 a 100 millones de personas. Los investigadores han utilizado modelos computacionales para analizar este brote mediante el montaje de datos de archivos militares, boletines de salud pública y estadísticas vitales. La mortalidad semanal existe para muchas ciudades de EE.UU., Europa y Australia. Para Filadelfia, los registros muestran que los hospitales despoblados de mortalidad generalizadas

Los modelos basados en agentes para ciudades como San Luis, San Francisco y Nueva York han sido calibrados para observar curvas de mortalidad. Los modelos ajustan los parámetros para la tasa de transmisión, período de incubación y tiempo de intervención. Para San Luis, cierres de la escuela temprana y prohibiciones en las reuniones públicas suprimieron la primera ola; el modelo muestra que retrasar estas medidas para una semana habría triplicado el número máximo de muerte.

Principales hallazgos y lecciones

La modelación de la pandemia de 1918 produce varias ideas accionables. Primero, intervenciones no farmacológicas (NPIs)—quarantina, máscaras, cierres escolares—fueron efectivas incluso sin vacunas o antivirales. El tiempo y duración de los NPI importaban más que la variabilidad. Ciudades que implementaban múltiples intervenciones vieron tempranamente menor mortalidad acumulativa y crucialmente, no fueron levantadas.

En segundo lugar, estructura de edad] jugó un papel. La gravedad inusual en los adultos jóvenes se hipótesis de ser debido a la exposición previa a un virus H1N1 similar (desde la pandemia de 1890) que confiere inmunidad en grupos mayores, mientras que los jóvenes no tenían protección cruzada. Modelos que incorporaban la susceptibilidad a la edad reproducida la curva en forma de W y sugirieron prioridad a las campañas de vacunación para los adultos vulnerables.

Tercero, ] dinámicas espaciales son críticas. Los movimientos de tropo durante la Primera Guerra Mundial propagan el virus en todo el mundo en semanas. Los modelos de metapoblación que unen las ciudades portuarias y las redes ferroviarias demuestran que las restricciones de viaje podrían haber ralentizado la propagación, pero sólo si se promulgó antes de que el primer caso llegara.

Estos hallazgos informaron directamente a la OMS y a la planificación del CDC para la pandemia H1N1 2009 y son fundamentales para los marcos de preparación pandemia actuales. ]La página de conmemoración 1918 de CDC hace referencias explícitas a los estudios de modelado.

Estudio de caso: el 1854 London Cholera Outbreak

Análisis espacial temprano se reúne con la computación moderna

Mientras que la gripe de 1918 ilustra el modelado pandémico, el brote de cólera de 1854 en el barrio de Soho de Londres representa un hito en la investigación epidemiológica. El mapa icónico del Dr. John Snow que muestra las muertes de cólera agrupadas alrededor de la bomba de la calle ancha se enseña a menudo como el nacimiento de la epidemiología espacial.

El modelo moderno incorpora no sólo las ubicaciones de la bomba de agua sino también fuentes de suministro de agua doméstica (algunos usaban una empresa de agua diferente), elevación (afectando el flujo de agua subterránea), y densidad de población del censo de 1851. Los resultados confirman la hipótesis de nieve con alta confianza estadística: la bomba de la calle ancha era la fuente principal. Además, el modelo cuantifica el impacto de su intervención –removiendo el mango de la bomba – mostrando que los casos disminuyeron en días, consistentes con 1 días

Lecciones para el control de enfermedades transmitidas por el agua

El modelo de cólera de 1854 enseña que contaminación de los puntos ] puede ser identificado e interrumpido incluso sin conocimiento del patógeno (en 1854, la teoría del germen no fue aceptada aún ampliamente). También subraya la importancia de ]data transparencia y cartografía.

Estas ideas son directamente relevantes para los brotes modernos de cólera en Haití, Yemen y Bangladesh, donde las fuentes de agua contaminadas siguen siendo un impulsor principal. La hoja informativa de la OMS sobre cólera destaca la importancia de las lecciones históricas para las estrategias de control actuales.

Implicaciones modernas y futuras direcciones

Informando la preparación pandémica

Analizar las epidemias pasadas con modelos computacionales proporciona valiosas lecciones para las estrategias actuales y futuras de salud pública.Entendiendo cómo se propagan las enfermedades históricamente, los funcionarios de salud pueden diseñar mejor las medidas de contención, campañas de vacunación y estrategias de comunicación.Los modelos muestran que la ventana para la contención[FLT1] es extremadamente estrecha; para las pandemias de gripe, puede ser tan corta como dos semanas después de simular directamente el primer caso local.