Optimal Control of Behavioral-Feedback SIR Epidemic Model

Resumen Técnico: Control Óptimo de un Modelo Epidémico SIR con Retroalimentación Conductual

1. El Problema

El estudio aborda la gestión de epidemias mediante el control de la tasa de infección en un modelo SIR (Susceptibles-Infectados-Recuperados). A diferencia del modelo SIR clásico, donde la tasa de infección ($\beta$) es constante, este trabajo introduce un mecanismo de retroalimentación conductual. En este modelo, la tasa de infección depende de forma endógena del estado de la epidemia: específicamente, de la fracción de agentes susceptibles ($x$) y de la fracción de infectados ($y$). Esto permite modelar comportamientos humanos como el distanciamiento social voluntario o el uso de mascarillas en respuesta al riesgo percibido.

El objetivo es resolver un problema de control óptimo para un "planificador social" que desea minimizar el costo económico de las intervenciones (como confinamientos) bajo una restricción crítica: mantener la curva de infectados ($y$) por debajo de un umbral determinado ($\bar{y}$), el cual representa la capacidad máxima del sistema de salud (ej. capacidad de camas UCI).

2. Metodología

Los autores emplean herramientas de la teoría de control no lineal y el análisis geométrico de sistemas dinámicos. La metodología se divide en tres etapas principales:

• Modelado Dinámico: Se define un sistema de ecuaciones diferenciales ordinarias (EDO) donde el control externo ($u$) actúa reduciendo la tasa de infección. Se establece una condición de monotonía (Asunción 1) que garantiza que el número de reproducción $R(x, y)$ sea creciente en $x$ y no creciente en $y$.
• Análisis de la Dinámica No Controlada: Se demuestra que, bajo la Asunción 1, la curva de infección es unimodal (tiene un único pico). Se realiza un análisis de las órbitas en el espacio de estados para identificar qué trayectorias exceden el umbral $\bar{y}$ sin intervención y cuáles no.
• Demostración de Optimidad: Dado que la función de valor (el costo mínimo) no es necesariamente diferenciable en todo el espacio, los autores no pueden usar directamente la ecuación de Hamilton-Jacobi-Bellman. En su lugar, utilizan un enfoque de comparación de trayectorias y el Teorema Fundamental del Cálculo para demostrar que la estrategia propuesta es la que minimiza el funcional de costo $J(u) = \int_{0}^{\infty} u(t) dt$.

3. Contribuciones Clave

• Generalización del Modelo: Extienden los resultados conocidos para el modelo SIR clásico a una clase mucho más amplia de modelos donde la tasa de infección depende de ambos estados ($x$ e $y$), permitiendo capturar la "fatiga pandémica" o cambios en la percepción del riesgo.
• Prueba de la Estrategia "Filling the Box" (Llenar la Caja): Demuestran matemáticamente que, bajo condiciones de regularidad y monotonía, la estrategia óptima es dejar que la epidemia se propague sin control hasta que alcance el umbral $\bar{y}$, y luego aplicar el control mínimo necesario para mantener la curva de infectados exactamente en ese umbral hasta que el número de reproducción caiga por debajo de uno.
• Identificación de Límites: Proporcionan un contraejemplo numérico que demuestra que, si se relajan las condiciones de monotonía (cuando la tasa de infección aumenta con el número de infectados), la estrategia de "llenar la caja" deja de ser óptima.

4. Resultados Principales

• Estrategia Óptima Única: Se prueba que la política de retroalimentación $u^*(t)$ descrita anteriormente es la solución única al problema de optimización.
• Comportamiento de la Curva: La estrategia óptima logra "aplanar la curva" de manera eficiente, evitando intervenciones costosas mientras la capacidad hospitalaria no esté en riesgo, y liberando el control de forma gradual una vez que la epidemia comienza a remitir naturalmente.
• Validación Numérica: Las simulaciones confirman que la estrategia propuesta minimiza el costo total comparado con otras políticas de control.

5. Significancia

Este trabajo es de gran relevancia para la salud pública y la política económica. Ofrece una base matemática robusta para diseñar estrategias de contención que sean tanto efectivas para proteger los sistemas de salud como económicamente sostenibles. Al reconocer que el comportamiento humano es dinámico y reactivo, el modelo proporciona una visión más realista y robusta para la gestión de crisis sanitarias futuras, permitiendo a los tomadores de decisiones entender cuándo es más eficiente intervenir y cuándo es preferible permitir la dinámica natural de la enfermedad.