La historia computacional se encuentra en la intersección de las humanidades digitales, la ciencia de datos y la investigación histórica. Al aplicar modelos de ordenadores y simulaciones a las crónicas del pasado, los investigadores pueden probar hipótesis que anteriormente eran demasiado complejas para explorar manualmente. Una de las aplicaciones más urgentes e iluminadoras de este enfoque es el modelado de epidemias históricas. Desde la Peste Justiniana hasta la pandemia de 1918, los brotes de la enfermedad de eficacia han modelado

El papel de la historia computacional en la comprensión de la epidemias

Las epidemias no son meramente eventos biológicos; están profundamente incrustadas en contextos económicos, sociales y políticos. El análisis histórico tradicional se basa a menudo en registros escritos, como los recuentos de mortalidad, registros de viaje y diarios personales. Sin embargo, estas fuentes están fragmentadas y pueden ser parciales. Los modelos computacionales añaden una capa cuantitativa, permitiendo a los historiadores simular la propagación de enfermedades a través del tiempo y del espacio.

Por ejemplo, los modeladores pueden probar si la rápida propagación de la muerte negra en Europa en el siglo XIV fue impulsada principalmente por las pulgas de rata en los buques mercantes o por transmisión humana a humana. Los modelos basados en agentes pueden replicar los movimientos de individuos a lo largo de rutas comerciales específicas, mientras que los modelos compartimentales pueden estimar la proporción de la población que debe haber estado expuesta para mantener la mortalidad observada.

Más allá de probar hipótesis específicas, la historia computacional permite el razonamiento contrafactual. ¿Qué pasa si el Imperio Romano hubiera invertido más en infraestructura cuarentena? ¿Qué pasa si la gripe española había surgido una década antes, sin las dislocaciones de la Primera Guerra Mundial? Estos experimentos de pensamiento, basados en rigor matemático, transforman la historia de una disciplina puramente descriptiva en una ciencia predictiva del pasado.

Tipos de clave de modelos computacionales

Los historiadores y epidemiólogos han adaptado varias clases de modelos originalmente desarrollados para la vigilancia moderna de enfermedades. Cada tipo tiene diferentes fortalezas y se adapta a diferentes preguntas históricas. Entender estas herramientas es esencial para evaluar las afirmaciones que emergen de estudios computacionales.

Modelos basados en agentes

Los modelos basados en agentes (ABM) simulan las acciones e interacciones de agentes autónomos, como personas, animales o incluso patógenos, en un ambiente definido. Cada agente sigue un conjunto de reglas que rigen el comportamiento: si viajan, con qué frecuencia se ponen en contacto con otros, si se recuperan o mueren. Al ejecutar el modelo muchas veces con parámetros ligeramente variados, los investigadores pueden observar patrones emergentes.

Modelos sectoriales

El modelo compartimental más famoso es el modelo SIR, que divide a la población en compartimentos sostenibles, infectados y recuperados (o eliminados).El modelo utiliza ecuaciones diferenciales para describir el flujo de individuos entre estos grupos basados en tasas de transmisión y recuperación. Los historiadores pueden calibrar modelos SIR para combinar curvas de mortalidad histórica, y luego ajustar parámetros para explorar contrafactuales - ¿qué si se hubiera impuesto una ruta de cuarentena?

Modelos de red

Los modelos de red representan a individuos o lugares como nodos y sus interacciones como bordes. Este enfoque es particularmente eficaz para estudiar enfermedades que se propagan a través de redes sociales o de transporte específicas. Por ejemplo, un modelo de red del sistema de carreteras romanas puede simular cómo un patógeno como la viruela pudo haber viajado desde el Cercano Oriente a las fronteras del imperio. Al alterar la densidad de red o la velocidad de los viajes, los investigadores pueden identificar qué rutas eran más influyentes de análisis de red

Modelos espaciales y espaciales

Además de las tres categorías principales, los modelos espaciales que incorporan sistemas de información geográfica (SIG) se han vuelto cada vez más importantes. Estos modelos asignan riesgo de enfermedad a lugares específicos basados en variables ambientales como la altitud, la temperatura y la proximidad a los cuerpos de agua. Por ejemplo, un modelo espacial de la Gran Plaga de Londres 1665 podría utilizar mapas históricos de distribución de calles y límites parroquiales para simular cómo la enfermedad se acerca de un barrio a otro.

Casos de estudio: modelación de epidemias históricas

Varios estudios de referencia demuestran el poder de la historia computacional en la investigación epidémica. Cada caso destaca diferentes fortalezas metodológicas y desafíos de datos, y juntos ilustran cómo el modelado puede reformar el entendimiento histórico.

La muerte negra (1346–1353)

El ADN negro[FLT] ha matado a un 30-60% de la población del continente. Los primeros modelos se centraron en la ruta de transmisión primaria: si la bacteria Yersinia pestis fue llevada por pulgas en ratas o por piojos humanos y pulgas.

Otro hallazgo importante de estudios computacionales de la muerte negra se refiere al papel de las redes comerciales. Los modelos de red muestran que la plaga se extendió más rápido por las rutas marítimas que por el interior, contradiciendo supuestos anteriores que la Ruta de la Seda era el conducto primario. Al simular el cierre de ciertos puertos o la aplicación de medidas de cuarentena, los historiadores han estimado que ciudades como Venecia y Milán, que implementó políticas estrictas, experimentaron tasas de mortalidad significativamente inferiores a las que permanecieron.

La pandemia de la gripe 1918

La gripe española mató a 50 millones de personas en todo el mundo. Se han utilizado modelos computacionales para analizar el impacto de intervenciones no farmacéuticas, como cierres escolares, prohibiciones en reuniones públicas y aislamiento de casos. Un estudio que utiliza un modelo compartimental para ciudades en los Estados Unidos encontró que las ciudades que implementaron intervenciones tempranas y estratadas tenían tasas de mortalidad 50% más bajas que las que se retrasaron.

Los modelos de red de la pandemia de 1918 también han arrojado luz sobre el papel de la estructura de edad. Al reconstruir los patrones de contacto de las encuestas domésticas y los registros de asistencia escolar, los investigadores encontraron que los niños no sólo eran altamente susceptibles, sino que también actuaron como transmisores eficientes dentro de los hogares. Esto plantea problemas la narración de que la gripe de 1918 era única letal para los adultos jóvenes; más bien, la alta mortalidad en el grupo de 20 a los 20 a los 40 años se debió ser una respuesta inmune inmune.

Cholera en Londres de 19a temporada

El brote de cólera de la calle Broad 1854 es un ejemplo clásico de investigación epidemiológica, pero los modelos computacionales modernos han añadido matices. Al digitalizar mapas históricos, datos censales y ubicaciones de bombas de agua, los investigadores han construido modelos espaciales que muestran la enfermedad diseminada principalmente a través de agua contaminada de una sola bomba. Sin embargo, los modelos de red también sugieren que las conexiones sociales como los sirvientes que llevan agua a hogares más ricos.

La Gran Pla de Londres (1665)

Un cuarto estudio de casos, la Gran Plaga de Londres, ilustra cómo los modelos computacionales pueden compensar los datos escasos. Los registros de las parroquias de 1665 proporcionan recuentos semanales pero poco detalle demográfico. Modelos basados en agentes parametizados con tamaños de hogar, tasas de mortalidad y patrones de movimiento se han utilizado para estimar el número de reproducción básica (R] [Fgues

Fuentes y desafíos de datos

Los registros de la enfermedad histórica de modelar son una nueva estructura de datos que a menudo son incompletos, inconsistentes o ambiguos. Los investigadores se basan en una variedad de fuentes: registros de entierro parroquial, registros fiscales, registros de buques, libros de admisión hospitalaria e incluso cuentas literarias. Cada fuente tiene sesgos. Por ejemplo, registros de entierro suelen estar en contacto con otras causas.

Un reto importante es la falta de datos de la serie de tiempo granular. Muchos registros históricos reportan totales mensuales o anuales, que son demasiado gruesos para modelar la transmisión rápida. Para abordar esto, los historiadores computacionales utilizan técnicas de imputación estadística y asimilación de datos tomadas de la meteorología. Otro desafío es la incertidumbre en los tamaños de población históricos y patrones de migración.

A pesar de estos obstáculos, el campo avanza rápidamente. La digitalización de archivos históricos y el desarrollo de herramientas de medición de textos permiten a los investigadores extraer datos estructurados de documentos no estructurados. Por ejemplo, los algoritmos de aprendizaje automático ahora pueden identificar automáticamente menciones de brotes de enfermedades en periódicos centenarios, proporcionando nuevos conjuntos de datos para el modelado de epidemias. Proyectos como la

Enfoques interdisciplinarios

Historia computacional exitosa de epidemias requiere colaboración entre disciplinas. Los historiadores proporcionan conocimientos contextuales y crítica de fuentes; los epidemiólogos contribuyen a la estimación de modelos y parámetros; los científicos informáticos desarrollan algoritmos y herramientas de visualización; y los estadísticos manejan la incertidumbre y validación. Los equipos interdisciplinarios han producido algunos de los estudios más influyentes, como la reconstrucción de la plaga que se extiende a lo largo de la Ruta de la Seda utilizando una combinación de datos genómicos, registros históricos.

Instituciones como el Carnegie Mellon University Decision Science Lab] son pioneros en este enfoque. Plataformas de modelado de código abierto, como GLEaM y FRED, permiten a los investigadores compartir y reproducir resultados, acelerando el ritmo de descubrimiento. La plataforma FRED, desarrollada originalmente en la Universidad de Pittsburgh, se ha utilizado para simular brotes históricos en poblaciones virtuales que reflejan las ciudades del siglo americano.

La formación de la próxima generación de historiadores computacionales es igualmente importante. Varias universidades ofrecen ahora títulos o certificados conjuntos en humanidades digitales y salud pública. Conferencias como la Cumbre de Humanidades Digitales y la Conferencia Internacional sobre Ciencias Sociales Computacionales presentan cada vez más sesiones sobre epidemias históricas. Estos espacios facilitan la polacion cruzada de ideas que impulsan la innovación metodológica.

El impacto de los factores sociales y económicos

Los modelos computacionales son únicos para examinar cómo las condiciones sociales y económicas dan forma a los resultados epidémicos. Por ejemplo, durante la gripe de 1918, las ciudades con mayores niveles de desigualdad de ingresos experimentaron mayor mortalidad, probablemente porque los trabajadores pobres no podían permitirse quedarse en casa. Los modelos de redes que incorporan el estatus socioeconómico pueden cuantificar este efecto asignando diferentes tasas de contacto a diferentes grupos.

Los registros históricos de los brotes de plagas indican que las mujeres, que a menudo se preocupaban por los enfermos, se vieron desproporcionadamente afectadas. Los modelos basados en agentes que simulan roles de cuidado pueden ayudar a estimar el exceso de riesgo. Estos hallazgos demuestran que las epidemias no son aleatorias; siguen patrones de vulnerabilidad social que pueden exponer las herramientas computacionales. En el caso de la viruela en la América colonial, los modelos que incorporan categorías raciales muestran que las poblaciones indígenas sufren la mortalidad catastrófica

Modelos computacionales en salud pública moderna

Aunque el objetivo principal de la modelación histórica de la epidemia es entender el pasado, las ideas a menudo tienen relevancia directa para la salud pública contemporánea. Por ejemplo, los modelos de la gripe de 1918 han informado planes de preparación pandémica para la gripe y COVID-19. La constatación de que las intervenciones no farmacéuticas tempranas y estratadas reducen la mortalidad fue utilizada por muchos gobiernos durante la pandemia COVID-19.

El campo de la "filodinámica", que combina secuencia genética de patógenos con modelos computacionales, permite a los investigadores rastrear la historia evolutiva de virus junto a su propagación espacial. Esta técnica se ha utilizado para reconstruir los orígenes del VIH y la aparición de la tuberculosis resistente a los medicamentos.

Future Directions

La próxima frontera en la historia computacional de las epidemias radica en la integración de fuentes heterogéneas de datos y la aplicación del aprendizaje automático. Los modelos de aprendizaje profundo pueden analizar textos no estructurados de miles de documentos históricos para extraer los plazos de enfermedad y descripciones de síntomas. Los sistemas de información geográfica (SIG) se están volviendo más refinados, permitiendo a los investigadores modelar paisajes en alta resolución. Además, el crecimiento de proyectos de humanidades digitales significa que cada año se están haciendo más datos disponibles públicamente.

Una dirección prometedora es la creación de "mellizos digitales" de ciudades históricas: réplicas virtuales que combinan las reconstrucciones arqueológicas con datos demográficos. Estos gemelos pueden utilizarse para simular la propagación de una enfermedad con realismo sin precedentes. Por ejemplo, el proyecto Virtual Roma modela toda la ciudad en el momento de la Plájala Antonine (165–180 dC), incluyendo acueductos, baños y densidad de vivienda.

Sin embargo, las consideraciones éticas siguen siendo. Los modelos no deben utilizarse para culpar retroactivamente a las comunidades por brotes, ni deben reforzar narrativas deterministas. Los historiadores y modeladores deben ser transparentes sobre las suposiciones y limitaciones. El objetivo no es producir una historia única "verdadera", sino abrir nuevas preguntas y proporcionar herramientas para la exploración. En particular, se debe prestar una atención cuidadosa al riesgo de presentar el presenteismo: proyectar las categorías modernas de poblaciones de raza, clase, o género computa.

Conclusión

La historia computacional ha transformado cómo estudiamos la propagación de epidemias históricas. Combinando el rigor de modelar con la profundidad del análisis histórico, los investigadores pueden descubrir dinámicas que antes estaban ocultas. Modelos basados en agentes, compartimentales, de red y espaciales cada uno ofrece una visión única, y estudios de casos de la muerte negra a la gripe de 1918 demuestran su poder.