TecnoXplora » SINC

Loimos, un simulador de pandemias para prever la evolución de la covid-19

Loimos, un simulador de pandemias para prever la evolución de la covid-19

Este nuevo modelo informático, desarrollado por investigadores españoles, permite simular diferentes escenarios epidemiológicos y predecir sus efectos sobre la población. Aunque los resultados se limitan al SARS-CoV-2, son extensibles a otros tipos de patógenos.

Recreación de un coronavirus

Sinc Recreación de un coronavirus

Publicidad

Investigadores de la Universitat Politècnica de València (UPV) han participado en el desarrollo y validación de un nuevo simulador de pandemias, que ayuda a prever su evolución teniendo en cuenta diferentes escenarios epidemiológicos.

El sistema, denominado LOIMOS, se ha desarrollado en el contexto de la covid-19, y los resultados, que se publican en la revista microLife, se ciñen al virus SARS-CoV-2. No obstante, podría también aplicarse al estudio de cualquier otra pandemia de origen distinto a la provocada por este virus.

“La versatilidad de LOIMOS hace que sea una herramienta muy útil en la toma de decisiones sobre medidas no farmacéuticas para limitar la transmisión de virus, tanto en esta pandemia, como en otras que pudieran venir”, destaca José M. Sempere, investigador del grupo ALFA-VRAIN que ha participado en el desarrollo.

El sistema se basa en modelos de computación con membranas, que permiten diseñar de forma virtual el comportamiento de virus en diversos entornos, condiciones y niveles de gravedad

“Podemos dibujar múltiples escenarios, plantear todas las preguntas e hipótesis que queramos y predecir sus efectos. Esto ayuda muchísimo a decidir qué medidas tomar y a establecer aquellas que resulten más efectivas para evitar, o al menos limitar, la propagación del virus”, añade el científico.

Nivel de detalle sin precedentes

El sistema se basa en modelos de computación con membranas, que permiten diseñar de forma virtual el comportamiento de virus en diversos entornos, condiciones y niveles de gravedad.

“Estos modelos reproducen los virus y sus interacciones con un nivel de detalle sin precedentes. De esta forma, podemos evaluar y predecir la incidencia de un virus en un barrio, en una ciudad o en un país bajo distintas situaciones y observar su evolución a corto, medio y largo plazo”, explica Sempere.

“Lo importante es que se simulan bajo determinados supuestos, como diversos tipos de medidas preventivas, y se evalúa la tasa de infección y su variación con el tiempo en la población”, destaca Andrés Moya, investigador de Fisabio.

“Obviamente, si los supuestos cambian, podrían variar los efectos del virus, por eso es tan relevante disponer de una herramienta como la que aquí se ha desarrollado: porque puede proponer medidas efectivas contra la expansión de esta epidemia por parte del virus y, por extensión, de cualquier otro patógeno”, afirma el científico.

Estos modelos reproducen los virus y sus interacciones con un nivel de detalle sin precedentes

José M. Sempere (ALFA-VRAIN)

Diferentes niveles jerárquicos

LOIMOS es además un modelo con diferentes niveles jerárquicos que interactúan entre sí, a diferencia de otros utilizados hasta la fecha. De este modo, al modificar un parámetro de estos niveles permite ver los efectos no solo en dicho nivel, sino también en todos los demás.

“Por ejemplo, podríamos aumentar en el modelo el periodo en que el virus puede producir contagios y ver cómo afectaría esto a la cantidad de gente que va a trabajar”, explica Marcelino Campos, investigador del IRYCIS y primer firmante del estudio.

Entre otras variables, LOIMOS incorpora el tipo de infecciones que pueden darse (asintomáticas o sintomáticas), el grado de inmunidad adquirida al pasar la infección, o el periodo e índices de contagio.

LOIMOS también permite definir diferentes valores según la zona y el rango de edad de la persona infectada, o la mecánica de la infección.

“En este último caso, a la hora de simular la infección podemos definir su crecimiento, cómo actúa el sistema inmunitario en un primer momento, cuándo se puede generar la inmunidad y las probabilidades de que esto suceda —incluso pueden ser diferentes según el rango de edad— y los efectos sobre la persona infectada; sin síntomas, síntomas leves, síntomas graves, síntomas críticos o la muerte”, apunta Campos.

El escenario, una ciudad europea de 10.000 habitantes

Para la validación de LOIMOS, el equipo de investigación lo aplicó en una ciudad (ficticia) de poco más de 10.000 habitantes, reproduciendo la dinámica de la epidemia, y los efectos de la inmunidad sobre la transmisión del virus SARS-CoV-2 para diferentes franjas de edad.

El modelo predijo las consecuencias de retrasar la adopción de intervenciones no farmacéuticas entre 15 y 45 días después de los primeros casos notificados, y el efecto de esas intervenciones sobre las tasas de infección y mortalidad.

Una de las conclusiones más relevantes fue comprobar la importancia de centrar los primeros esfuerzos en la gente más sensible y de mayor edad

Los investigadores también simularon intervenciones no farmacéuticas para reducir los contagios en tres niveles diferentes: un 20 %, un 50 % y un 80 %. Una de las conclusiones más relevantes fue comprobar la importancia de centrar los primeros esfuerzos en la gente más sensible y de mayor edad.

“Si nada más empezar los contagios se aísla a la gente más sensible y de mayor edad, se consiguen frenar un poco, pero donde más se nota es en los recursos sanitarios utilizados y en la mortalidad. Estas personas son las que tiene una mayor probabilidad de padecer peores síntomas al estar infectados”, añade Campos.

Actualmente, el equipo de LOIMOS trabaja en la incorporación —y simulación en el modelo— de la incidencia de nuevas cepas en el periodo de vacunación.

Recopilar información cuando no es posible

Una de las características más útiles de modelos como LOIMOS es que ayuda a recopilar información cuando es imposible realizar pruebas en la vida real.

El equipo de LOIMOS trabaja para ello con tres tipos de datos: en primer lugar, con aquellos que se pueden extraer del conocimiento que ya existe; el segundo grupo son los datos que se pueden medir directamente; y el tercero, los que se han de deducir.

“En modelos como este hay un gran esfuerzo para ajustar al máximo estos últimos datos. Probamos muchos valores en diferentes experimentos, buscando resultados que se parezcan lo máximo posible a la realidad. Encontrar posibles valores a estos parámetros les puede resultar muy valioso a biólogos para sus propios estudios”, concluye Campos.

Referencia:

Campos, Sempere et al., "Simulating the impact of non-pharmaceutical interventions limiting transmission in COVID-19 epidemics using a membrane computing model", microLife, 2021.

Publicidad