Esto es lo que está investigando el personal científico de BCAM en relación con la pandemia de COVID-19

Varios miembros del Centro Vasco de Matemáticas Aplicadas - BCAM nos explican los temas relacionados con el coronavirus en los que están trabajando actualmente

Desde el comienzo de la crisis sanitaria el Centro Vasco de Matemática - BCAM ha puesto a disposición de la administración su experiencia y sus conocimientos en materia de modelización matemática y estadística con el fin de proporcionar información útil basada en investigaciones avanzadas sobre la evolución de la pandemia de la COVID-19.

De hecho, varios miembros de BCAM - en colaboración con Ikerbasque, la Universidad del País Vasco e instituciones sanitarias - están participando en un grupo de trabajo sobre COVID-19 y están centrando su investigación en la predicción en tiempo real de la evolución epidemiológica del coronavirus, la estimación del número de ingresos hospitalarios previstos y en la mejora, comparación y evaluación de modelos avanzados de predicción de la enfermedad. Este grupo multidisciplinario está formado por científicos con experiencia en la elaboración de modelos matemáticos en biología, ciencia de los datos e inteligencia artificial.

En vista del impacto económico y social causado por la epidemia BCAM se propone seguir contribuyendo, centrando su capacidad de investigación fundamental, para reforzar la lucha contra la enfermedad y contribuir a la recuperación y a minimizar los posibles impactos futuros.

A continuación, varias investigadoras e investigadores nos explican los temas relacionados con el coronavirus en los que están trabajando actualmente.
Modelización epidemiológica de la dinámica de COVID19 para estudiar el impacto de la pandemia

Equipo: Maíra Aguiar (BCAM-Ikerbasque)
Colaboradores: Nico Stollenwerk (Universidad de Lisboa), el Departamento de Salud del Gobierno Vasco y Osakidetza

La elaboración de modelos matemáticos es un instrumento importante para comprender la dinámica de las enfermedades infecciosas, contribuyendo a la capacidad de las autoridades de salud pública para aplicar las medidas de intervención disponibles para controlar la transmisión de enfermedades. Para describir la transmisión de la enfermedad y predecir futuros brotes se formulan modelos epidemiológicos centrados en los aspectos básicos y aplicados de los factores del huésped, el patógeno y el medio ambiente que influyen en la aparición, transmisión y propagación de la enfermedad, abordando cuestiones específicas de salud pública sobre la epidemiología, la prevención y el control de la enfermedad.

En BCAM esta línea de investigación está siendo explorada por la investigadora Ikerbasque Maíra Aguiar, experta en modelización matemática en epidemiología de la salud pública que dirige el grupo de Matemáticas y Biología Teórica del centro. Aguiar tiene una amplia experiencia en el desarrollo y análisis de modelos descriptivos y predictivos de enfermedades infecciosas, con especial atención al estudio del dengue y otras enfermedades vectores óseas, así como de enfermedades prevenibles mediante vacunas, como la gripe y el sarampión.

Actualmente trabaja en la modelización de la dinámica de COVID-19 para estudiar el impacto de la pandemia en el País Vasco y otras regiones europeas. Para describir adecuadamente el proceso de expansión de la enfermedad, la Dra. Aguiar y su colaborador utilizan modelos estocásticos de tipo SHARUCD que consideran los siguientes grupos:

• S: Personas susceptibles
• H: Casos de admisión en hospitales y casos graves propensos a la hospitalización
• A: Casos de infección asintomática, incluyendo infecciones leves y subclínicas
• R: Pacientes recuperados
• U: Pacientes admitidos en las unidades de cuidados intensivos (UCI)
• C: Casos positivos acumulados registrados (que incluye todos los nuevos casos positivos para cada clase de H, A, U y R)
• D: Pacientes fallecidos

Este modelo ha podido describir correctamente la incidencia de la enfermedad sobre la base de los datos empíricos disponibles y se han validado las predicciones a corto plazo.

Predicciones del modelo entre el 04-03-2020 y el 05-05-2020 en base a los datos reportados en el País Vasco.



Próximos pasos:
Se está vigilando el efecto de las medidas de control en la infecciosidad de la población a fin de hacer predicciones a más largo plazo de la epidemia y examinar las decisiones futuras sobre la flexibilización de las medidas de distanciamiento social que todavía se aplican. En este marco, se pueden abordar muchas cuestiones de salud pública, como la capacidad de realizar pruebas, el comportamiento social y las estrategias de autocuarentena y, eventualmente, de vacunación. El refinamiento de los modelos se va haciendo cada vez más evidente a medida que se dispone de nuevos datos.
Técnicas de investigación estadística y operativa para estimar los ingresos hospitalarios, las infecciones y el subregistro de casos
El segundo grupo que investiga sobre COVID-19 en el BCAM está formado por varios investigadores de la línea de investigación de Estadística Aplicada del centro en colaboración con la Universidad del País Vasco.

Coordinadores: Inmaculada Arostegui (BCAM-UPV/EHU), Dae-Jin Lee, M.Xosé Rodriguez (BCAM-Ikerbasque)
Equipo: Moumita Das, Fernando García García, Joaquín Martínez-Minaya, Abelardo Monsalve and Carlos J. Peña

Este grupo está trabajando en 3 enfoques diferentes para analizar la evolución de la pandemia.

1) Modelo bayesiano SEIR para predecir los ingresos hospitalarios y los casos de infección de COVID19 en el País Vasco

Colaboradores: Departamento de Salud del Gobierno Vasco y Osakidetza

El primer grupo está trabajando con un modelo bayesiano SEIR estratificado por edades para predecir los ingresos hospitalarios, los casos de infección y las muertes por COVID-19 en el País Vasco, basándose en el trabajo de Riou y otros (2020). El modelo se ajusta a los datos proporcionados por el Departamento de Sanidad del Gobierno Vasco sobre el número diario y por edades de casos positivos, ingresos hospitalarios, UCI, muertes y altas por COVID-19. Con este modelo se pueden obtener predicciones a corto plazo de ingresos hospitalarios y muertes tanto para el conjunto de la población como estratificadas por edad.

Algunos de los puntos fuertes de este modelo son que está estratificado por edad, permite la cuantificación de la incertidumbre y permite incluir conocimientos previos.

La investigadora Ikerbasque María Xosé (Coté) Rodríguez, experta en estadística aplicada y desarrollo de software con una amplia experiencia en la evaluación de biomarcadores diagnósticos y pronósticos, explica que desde el inicio de la crisis sanitaria este grupo ha proporcionado a los gestores sanitarios informes periódicos con las predicciones, a siete días vista, de casos positivos e ingresos hospitalarios tanto para el País Vasco como para sus principales Organizaciones Sanitarias Integradas (OSI).

Próximos pasos:
Para mejorar el modelo, los investigadores están considerando la posibilidad de modelar la función de forzamiento dependiente del tiempo utilizando splines e incluyendo los ingresos hospitalarios, los casos en la UCI, las muertes y las recuperaciones en el Sistema ODE.

2) Predicción de la necesidad de camas de hospital y de la UCI mediante métodos de simulación e investigación operativa

Colaboradores:
• Fermín Mallor, grupo de Métodos Cuantitativos para mejorar el rendimiento de los servicios sanitarios de la Universidad Pública de Navarra
• Unidad de Investigación Clínica del Hospital Galdakao-Usansolo
• Departamento de Salud del Gobierno Vasco y Osakidetza

Los investigadores de nuestro grupo de Estadística Aplicada también han trabajado en una herramienta para el dimensionamiento de camas hospitalarias y en las unidades de cuidados intensivos (UCI) a través de la simulación.

Fernando García García, investigador postdoctoral que trabaja en un proyecto de predicción para la práctica clínica mediante inteligencia artificial (con el apoyo del Gobierno Vasco) y que colabora habitualmente con el Hospital Galdakao-Usansolo, explica que el sistema está dividido en dos pasos:

"En primer lugar, se trabaja con datos de incidencia confirmados; es decir, con los nuevos casos diarios de pruebas COVID-19 positivas. Para ello se ajusta un modelo de crecimiento general según la función de Gompertz. El ajuste de los datos se realiza mediante técnicas bayesianas (bajo un modelo binomial negativo para los recuentos) y técnicas de bootstrapping, a fin de estimar la variabilidad de los parámetros del modelo.

A continuación se utilizan técnicas de investigación operativa para simular (mediante los métodos de Monte Carlo) diferentes escenarios de ocupación de camas en hospitales y UCI. Además de la tasa de incidencia, se consideran otros factores, como: la proporción observada en los días previos de hospitalización con respecto a los casos positivos, la tasa de admisiones en la UCI por motivos distintos de COVID-19 en la misma temporada de primavera de los años anteriores (2018 y 2019), o la duración de una admisión (distribución de probabilidad triangular).”

Como resultado, se obtienen escenarios estimados sobre la ocupación diaria de las camas hasta un horizonte de 7 días, que están proporcionando apoyo y orientación a la administración del hospital en la planificación de los recursos del mismo.

3) Utilizando un índice de letalidad ajustado por retraso para estimar el subregistro

Colaboradores: Departamento de Salud del Gobierno Vasco y Osakidetza

Este último enfoque se basa en el trabajo de Russell y otros investigadores del Centro de Modelización Matemática de Enfermedades Infecciosas (Escuela de Higiene y Medicina Tropical de Londres) y es un intento de estimar un índice de letalidad o CFR (Case Fatality Ratio) corregido para estimar el subregistro de casos de COVID-19 en España, las comunidades autónomas y en particular, el País Vasco, con el objetivo de evaluar la evolución del CFR y el porcentaje de casos confirmados de COVID-19 a lo largo del tiempo.

Para ello, los investigadores del BCAM están utilizando los datos sobre las muertes acumuladas y los casos confirmados acumulados diariamente proporcionados por el Instituto de Salud Carlos III.. Aunque el modelo se basa en fuertes supuestos, esta estimación sirve para controlar el subregistro y adaptarlo a los nuevos conocimientos sobre COVID-19.

Evolución de la tasa de letalidad corregida en el País Vasco en base a los datos reportados entre el 11-03-2020 y el 16-04-2020 por el ISCIII



Próximos pasos:

Según Dae-Jin Lee, líder del grupo de Estadística Aplicada en BCAM, este enfoque podría ampliarse para considerar la distribución por grupos de edad o para modelar y predecir la evolución temporal. "También podría ser útil para apoyar y contrastar el resultado con el modelo bayesiano SEIR en el que estamos trabajando", afirma.
Enfoque de aprendizaje automático para la predicción de hospitalizaciones e ingresos en la unidad de cuidados intensivos

Coordinador: J.A. Lozano (BCAM-UPV/EHU)
Equipo: Onintze Zaballa
Colaboradores: Departamento de Salud del Gobierno Vasco y Osakidetza

Los miembros del grupo de Aprendizaje Automático de BCAM están prediciendo hospitalizaciones y admisiones en las unidades de cuidados intensivos del País Vasco en base a un modelo de inteligencia artificial.

La situación se plantea como un problema de predicción de series temporales y se lleva a cabo mediante procesos gausianos.

La decisión de no utilizar modelos más complejos se basa en la incertidumbre actual sobre parámetros como la probabilidad de infección, el tiempo desde la infección hasta la aparición de los síntomas, etc. En este sentido, el modelo propuesto es principalmente un modelo agnóstico basado en los datos disponibles. Sin embargo, como modelo bayesiano, es posible introducir información a priori en él, y esto se hace asumiendo un valor esperado para cada uno de los valores a predecir.

Para seleccionar y aprender cuáles son los mejores modelos de predicción, los datos se dividen en 2 conjuntos: el conjunto de entrenamiento y el conjunto de validación. Este segundo conjunto está formado por las últimas 7 observaciones de los datos, y el conjunto de entrenamiento, por las observaciones anteriores a éstas. Los parámetros se ajustan con el conjunto de entrenamiento y el modelo aprende para cada una de las funciones de los medios considerados como información a priori.

El modelo es simple y tiene algunas limitaciones en cuanto a las predicciones a largo plazo, pero rápido. También es un modelo flexible que puede ser adaptado a otros conjuntos de datos, por lo que se ha compartido con la iniciativa Acción Matemática contra el Coronavirus del Comité Español de Matemáticas (CEMat) para la predicción cooperativa.

Predicciones a nivel estatal realizadas por el modelo entre el 04-04-2020 y el 10-04-2020 en base a los datos proporcionados por el ISCIII



Próximos pasos:
Se pondrán en marcha nuevos proyectos de investigación en el ámbito de la inteligencia artificial para el seguimiento de las personas afectadas, la detección precoz de síntomas compatibles con COVID-19, la modelización de la población asintomática o la predicción de la criticidad de las infecciones sobre la base de los datos actuales. Además, el grupo está explorando otros temas como el diagnóstico por reconocimiento de voz o el análisis de imágenes Rx para la detección temprana.
//]]>