Herramienta para estimar la demanda de recursos de atención médica durante epidemia COVID-19

 

Ante la incertidumbre existente frente a la epidemia de CoVID-19, el profesor Eduardo Undurraga, junto a dos investigadores de Georgia State University, elaboraron a comienzos de abril 2020 una herramienta de modelación dinámica para estimar la demanda de atención médica durante la epidemia en diferentes escenarios. La herramienta fue desarrollada en Excel para facilitar su uso por trabajadores de la salud, aumentar la transparencia en los supuestos y cálculos del modelo. Fue presentada en un seminario a la Organización Panamericana de la Salud el 7 de mayo, y ya ha sido usada por salubristas de los gobiernos de Perú y Brasil. 

La pandemia provocada por el Coronavirus COVID-19 ha impuesto una enorme carga para los sistemas de salud pública alrededor del mundo (1,2). El primer caso de CoVID-19 en América Latina fue reportado el 25 de febrero en Sao Paulo, Brasil (3). Poco después, la mayoría de los países de la región había implementado medidas severas de contención de la epidemia. Sin embargo, la región ya ha pagado un alto precio, con miles de muertes en Brasil, Ecuador, Perú, y recientemente, Chile ha reportado más del mil muertes (4). El primer caso de CoVID-19 fue reportado el 3 de marzo, 2020 (5). El Ministerio de Salud implementó una rápida respuesta, anunciando restricciones de reunión, clausura de establecimientos educacionales, y cierre de comercio. El 22 de marzo comenzó la estrategia de cuarentenas dinámicas, enfocadas en municipalidades específicas. Ante la incertidumbre existente y para facilitar la toma de decisiones desde el gobierno, el profesor Eduardo Undurraga junto a Gabriel Rainisch y Gerardo Chowell, desarrollaron una herramienta para estimar la demanda de atención médica en diferentes escenarios de mitigación del virus (6).

En su artículo A dynamic modeling tool for estimating healthcare demand from the COVID19 epidemic and evaluating population-wide interventions, publicado en abril en un repositorio científico para uso público (arXiv), y en mayo en la revista científica International Journal of Infectious Diseases, los investigadores explican cómo proyectar la demanda potencial del sistema de salud en diferentes escenarios. Usando datos públicos disponibles en la página web del Ministerio de Salud (5) hasta el 6 de abril, los investigadores ilustran el uso de herramienta en tres regiones de Chile.

Numerosos esfuerzos de modelación han pronosticado la propagación del virus SARS-COV-2, el causante de la enfermedad conocida como CoVID-19, y examinado los beneficios potenciales de las intervenciones de distanciamiento social (1,2,7,8). Si bien estos modelos son muy informativos y útiles en el contexto de una epidemia, en general están limitados a países determinados o a un momento específico en el tiempo, y los tomadores de decisión y salubristas en el gobierno dependen de los autores de los modelos para obtener estimaciones actualizadas a medida que evoluciona la pandemia. Otras herramientas disponibles online ofrecen la capacidad de generar estimaciones autónomas, pero su utilidad práctica es limitada sin el apoyo de los autores, porque sus supuestos y resultados pueden no coincidir con las necesidades específicas de las jurisdicciones y de autoridades que toman decisiones en salud pública, o requieren conocimiento de programación para acceder a los cálculos o modificarlos.

La herramienta es simple de usar, es transparente en los cálculos, supuestos, y limitaciones principales. Los parámetros y supuestos además pueden ser fácilmente modificados por cualquier usuario, para adaptarse a nueva información disponible sobre el virus o a la situación local que se está proyectando.

Considerando esto, los investigadores desarrollaron una herramienta de modelación dinámica (disponible en inglés y español) para estimar el impacto del CoVID-19 en la demanda de recursos de atención médica. Una vez descargado, el modelo se puede usar sin conexión a internet, para apoyar en la elección de estrategias de intervención locales. El modelo requiere información que típicamente está disponible para trabajadores de salud pública y autoridades, incluido el número de casos en su jurisdicción, el tamaño y la demografía de su población en riesgo, la capacidad de atención médica, las expectativas para el uso de la atención médica y varias estrategias de contención del virus. Los resultados del modelo reflejan la demanda potencial en el sistema de salud. La herramienta es simple de usar, es transparente en los cálculos, supuestos, y limitaciones principales. Los parámetros y supuestos además pueden ser fácilmente modificados por cualquier usuario, para adaptarse a nueva información disponible sobre el virus o a la situación local que se está proyectando.

Es importante destacar que todos los modelos son simplificaciones de la realidad. Estas simplificaciones permiten que un modelo se centre en reflejar aquellos aspectos de la compleja dinámica de la epidemia CoVID-19 que más interesan a quien tiene que usarlos, típicamente los aspectos que tienen mayor relevancia en la propagación y control de la enfermedad. Si bien las proyecciones de este modelo son estimaciones razonables del potencial de desarrollo de esta epidemia, no deben interpretarse como pronósticos de lo que efectivamente sucederá. Hay muchos aspectos de esta epidemia COVID-19 y otras que aún no se comprenden bien, y la realidad es siempre más compleja que un modelo. El valor principal de esta herramienta es ilustrar la demanda de recursos de salud en distintos escenarios posibles, por ejemplo, aplicando medidas alternativas de mitigación de la epidemia. La herramienta permite ilustrar políticas alternativas de control, y comprender la relación cuantitativa entre variables que se pueden y no se pueden controlar, en lugar de centrar la interpretación en los valores absolutos proyectados.

La herramienta fue presentada en el seminario de modelación de la Organización Panamericana de la Salud el 7 de mayo, y en las últimas semanas ha sido utilizada por salubristas de los gobiernos de Perú y Brasil.

El valor principal de esta herramienta es ilustrar la demanda de recursos de salud en distintos escenarios posibles, por ejemplo, aplicando medidas alternativas de mitigación de la epidemia.

Finalmente, es importante destacar que existen actualmente más de 20 grupos interdisciplinarios de todo Chile, incluyendo matemáticos, ingenieros, biólogos, físicos, epidemiólogos, modelando distintos aspectos de la epidemia del CoVID-19. Estos grupos han usado distintos tipos de modelos para caracterizar la epidemia, con varios niveles de agregación y complejidad, usando datos públicamente disponibles. Resultados preliminares de los modelos en desarrollo de 16 de estos grupos fueron presentados en el seminario “Desafíos para modelar y predecir la Epidemia de COVID-19 en Chile 16-17 abril” (disponibles: 16 abril y 17 abril), en un trabajo coordinado por la sub-mesa de Interdisciplina (Alejandro Maass y Pablo Marquet), como parte de los esfuerzos de la Mesa Social CoVID-19, de poner a las universidades del país al servicio de la crisis. Existe además un repositorio en preparación, que reúne algunos de los trabajos y los códigos, con acceso abierto, además de muchos otros esfuerzos de la comunidad científica para compartir datos y resultados para seguir la epidemia (visualizacion1, visualización2, informes, modelos, datos, cuarentenas, y un largo etcétera). La mayoría de estos grupos publica sus resultados de manera periódica en sus propias páginas web institucionales.

Referencias

1. Walker PG, Whittaker C, Watson O, Baguelin M, Ainslie K, Bhatia S, et al. The Global Impact of COVID-19 and Strategies for Mitigation and Suppression. On behalf of the imperial college covid-19 response team, Imperial College of London. 2020.

2. Flaxman S, Mishra S, Gandy A. Estimating the number of infections and the impact of non-pharmaceutical interventions on COVID-19 in 11 European countries. Imperial College COVID-19 Response Team. 2020;30.

3. Rodriguez-Morales AJ, Gallego V, Escalera-Antezana JP, Méndez CA, Zambrano LI, Franco-Paredes C, et al. COVID-19 in Latin America: The implications of the first confirmed case in Brazil. Travel Med Infect Dis. 2020;epub ahead of print:101613.

4. Dong E, Du H, Gardner L. An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis. 2020;20(5):P533-P4.

5. Ministerio de Salud. Cifras Oficiales COVID-19. 2020 [cited 2020 May 30]; Available from: https://www.gob.cl/coronavirus/cifrasoficiales/

6. Rainisch G, Undurraga EA, Chowell G. A dynamic modeling tool for estimating healthcare demand from the COVID19 epidemic and evaluating population-wide interventions. Int J Infect Dis. 2020;96:P376-83.

7. Ferguson N, Laydon D, Nedjati Gilani G, Imai N, Ainslie K, Baguelin M, et al. Report 9: Impact of non-pharmaceutical interventions (NPIs) to reduce COVID19 mortality and healthcare demand. 2020.

8. Kissler SM, Tedijanto C, Goldstein E, Grad YH, Lipsitch M. Projecting the transmission dynamics of SARS-CoV-2 through the postpandemic period. Science. 2020:eabb5793.