El modelo predictivo utilizado en Andalucía para prever contagios ajusta su precisión para enfrentar la séptima ola de Covid

En las últimas semanas los datos de personas contagiadas por coronavirus han ido en aumento, lo que evidencia el inicio de una nueva ola, la séptima desde que se inició la pandemia. Medidas de prevención como el confinamiento, la mascarilla o la distancia personal han servido en diferentes momentos para controlarla. Para adoptar estas medidas ha sido fundamental la predicción. Saber cómo va a evolucionar la pandemia por covid-19 y anticipar la evolución de los contagios es importante para tomar medidas de prevención a tiempo. En este sentido, la predicción de dichos contagios se convierte en un sistema de apoyo a la toma de decisiones.

Así, un estudio desarrollado por investigadores de Departamento de Informática y Análisis Numérico de la Universidad de Córdoba, del Instituto Maimónides de Investigaciones Biomédicas de Córdoba y de la Universidad de Sevilla y publicado en la revista Expert System swith Applications, ha aplicado un modelo predictivo basado en un modelo polinómico de grado 3, que combina técnicas estadísticas y de Inteligencia Artificial para predecir los contagios por coronavirus ajustándolo según la información de la dinámica de contagios en oleadas anteriores. Con esa información consiguieron mayor precisión a la hora de predecir los nuevos contagios por coronavirus en 3 o 5 días.

De izquierda a derecha, los investigadores de la UCO Pedro Antonio Gutiérrez, César Hervás Martínez, Miguel Díaz Lozano y Antonio Manuel Gómez Orellana.

Para ello analizaron los datos de contagios acumulados (esto es, no solo los nuevos contagios del día, sino también la suma de días anteriores) en los ocho distritos sanitarios andaluces en los que están ubicadas las capitales de provincia desde la segunda oleada de la pandemia hasta la quinta.

Datos de contagio y otras variables

Para obtener una mayor precisión era necesario incluir en el modelo predictivo, además de los datos de contagios, información externa que influyera en la evolución del número de personas contagiadas. En el caso de la meteorología, por ejemplo, para predecir la temperatura de los siguientes días se tiene en cuenta el viento o la humedad. Para la pandemia, sin embargo, esa información externa resultaba de difícil estudio ya que incluía una gran cantidad de factores como la población, la movilidad o la época del año, entre otros.

Por ello, el equipo investigador decidió sustituir esa información por una serie de valores de las curvas de crecimiento de las oleadas anteriores, una gráfica en la que se incluían periódicamente la evolución de los contagios en días previos. De esas curvas extraían valores que determinan cómo se comporta la curva con información sobre cuándo llega el momento de crecimiento exponencial, cómo de intenso es este momento o cuánto dura, además de otros parámetros del brote a estudiar. Con esa información, la predicción de contagios en un horizonte temporal de 3 o 5 días era más precisa.

Constataron que el error en una predicción a 5 días era mayor que en la de 3 días. “Cuanto más larga en el tiempo es la predicción que vas a hacer, más error vas a cometer porque el efecto de los posibles factores externos aumenta. Sin embargo, hay que tener en cuenta que aunque parezcan pequeños estos horizontes temporales de 3 o 5 días, nos proporcionan la suficiente precisión para tomar decisiones en base a unos resultados fiables. Sería muy utópico decir lo que va a pasar en un mes o en dos meses y en esos resultados no puedes basar tus decisiones”, explica el investigador Pedro Antonio Gutiérrez Peña que ha formado parte del equipo de investigación de la UCO junto a César Hervás Martínez, Miguel Díaz Lozano, Antonio Manuel Gómez Orellana y David Guijo Rubio.

A pesar de los cambios en la forma de contabilizar los datos de contagios, pues desde marzo de 2022 solo se contabilizan a las personas contagiadas mayores de 60 años, inmunodeprimidas y mujeres embarazadas, este modelo, como destaca el equipo investigador, es de gran importancia para futuras oleadas o cepas. Además, un aspecto a destacar del modelo predictivo es que, como señala Díaz-Lozano, no solo se puede emplear en la predicción de personas contagiadas por covid, sino que, en realidad, “en cualquier campo, un modelo matemático capaz de ajustarse con relativa precisión a la forma que adoptan los datos observados puede definir la evolución inherente de los mismos”.

Dos años en funcionamiento

Aunque el modelo predictivo se ha presentado en la revista científica Expert Systems with Applications, lleva dos años y medio en funcionamiento, ya que lo han utilizado para los informes que semanalmente (en ocasiones incluso dos veces por semana) han entregado a la Consejería de Salud y Familias de la Junta de Andalucía, para que esta, teniendo en cuenta también otros informes de otras instituciones, adoptara las medidas oportunas para controlar la pandemia. En esos informes, además de incluir la predicción de contagios en los 34 distritos sanitarios que existen en Andalucía, informaban sobre datos de hospitalizaciones tanto en planta como en UCI.

La investigación ha contado con la financiación del Ministerio de Economía y Competitividad del Gobierno de España (proyecto TIN2017-85887-C2-1-P), la Agencia Española de Investigación (proyecto PID2020-115454GB-C22/AEI/10.13039/501100011033), la Consejería de Salud y Familia de la Junta de Andalucía (proyecto PS-2020-780) y la Consejería de Transformación Económica, Industria, Conocimiento y Universidades de la Junta de Andalucía (proyectos UCO-1261651 y PY20_00074).

Referencia:

Miguel Díaz-Lozano, David Guijo-Rubio, Pedro Antonio Gutiérrez, Antonio Manuel Gómez-Orellana, Isaac Túnez, Luis Ortigosa-Moreno, Armando Romanos-Rodríguez, Javier Padillo-Ruiz, César Hervás-Martínez, “COVID-19 contagion forecasting framework based on curve decomposition and evolutionary artificial neural networks: A case study in Andalusia, Spain”, Expert Systems with Applications, Volume 207, 2022, https://doi.org/10.1016/j.eswa.2022.117977