Bounds on $R_0$ and final epidemic size when the next-generation matrix $M$ is only partially known

Este artículo establece cotas superiores e inferiores precisas para el número reproductivo básico ($R_0$) y el tamaño final de la epidemia en modelos SIR multigrupo cuando la matriz de la siguiente generación está parcialmente conocida, logrando resultados agudos en el caso general pero enfrentando mayores dificultades para obtener cotas precisas cuando la matriz satisface el balance detallado.

Lo esencial

Imagina que estás tratando de predecir cómo se propagará un virus en una ciudad. Para hacerlo, los científicos usan una herramienta matemática llamada Matriz de Nueva Generación. Piensa en esta matriz como un "mapa de contactos" gigante que dice: "Si una persona del grupo A se enferma, ¿a cuántas personas del grupo B, C y D podría contagiar?".

El problema es que, en la vida real, no tenemos el mapa completo. A veces solo sabemos cuántas personas en promedio contacta un grupo (la "suma de la fila"), pero no sabemos exactamente a quiénes contagia. Otras veces, solo sabemos cuántas personas son contactadas por los demás (la "suma de la columna").

Este paper de Andrea Bizzotto, Frank Ball y Tom Britton es como un detective matemático que dice: "Aunque no tenemos el mapa completo, podemos dibujar los límites exactos de lo que podría pasar".

Aquí te explico los conceptos clave con analogías sencillas:

1. El "Número Reproductivo" (R0): ¿Cuánto se va a propagar?

Imagina que el virus es una bola de fuego. El R0 es una medida de qué tan rápido crece esa bola.

• Si R0 es alto: La bola de fuego crece descontroladamente (una epidemia grande).
• Si R0 es bajo: La bola se apaga sola.

El hallazgo del paper:
Cuando no conocemos el mapa completo de contactos, no podemos dar un número exacto de R0. Pero, ¡tenemos suerte! Podemos calcular un techo (el peor escenario posible) y un suelo (el mejor escenario posible).

• Analogía: Es como si supieras que un coche viaja entre 60 y 100 km/h porque no sabes la velocidad exacta, pero sí sabes que el tanque tiene cierta cantidad de gasolina y el motor tiene cierta potencia. El paper te da esos límites exactos basándose en los datos parciales que tienes.

2. El "Tamaño Final de la Epidemia": ¿Cuánta gente se enfermará?

Esto es como preguntar: "¿Qué porcentaje de la ciudad terminará con fiebre?".

• El problema: Si no sabes quién se contagia de quién, es difícil predecir si el virus saltará de los niños a los ancianos o si se quedará atrapado en un solo grupo.
• La solución del paper: Han encontrado fórmulas que te dicen el mínimo y el máximo de gente que podría enfermar, sin importar cómo se mezclen los grupos, siempre que respeten los promedios de contactos que conocemos.

3. La Regla de "Equilibrio Detallado" (Detailed Balance): El baile simétrico

Aquí es donde la historia se pone interesante. Hay dos escenarios:

• Escenario General (El caos): Imagina una fiesta donde la gente se mueve al azar. Un grupo muy activo podría contagiar a un grupo pasivo, pero el grupo pasivo no contagia mucho al activo. Aquí, los límites de predicción son muy amplios (el techo es muy alto y el suelo muy bajo). Es como intentar adivinar el clima sin saber la dirección del viento.
• Escenario de Equilibrio (El baile simétrico): En la vida real, los contactos suelen ser recíprocos. Si yo te saludo, tú también me saludas. Si un niño juega con un adulto, ese adulto también está jugando con el niño. Esto se llama Equilibrio Detallado.
  • La magia: Cuando aplicamos esta regla de "reciprocidad" a los datos, el papel de detective se vuelve mucho más preciso. Los límites de predicción se estrechan. Ya no tenemos un abismo entre el peor y el mejor escenario; ahora tenemos una ventana más clara.

4. La Sorpresa: A veces, más contactos = menos epidemia

El paper descubrió algo contraintuitivo en el escenario de "Equilibrio Detallado" con dos grupos de gente.

• La analogía: Imagina que tienes dos grupos: "Los Activos" (que se mueven mucho) y "Los Quietos" (que se quedan en casa).
• Si los "Activos" tienen muy pocos contactos, la epidemia se queda pequeña.
• Pero, si aumentas un poco los contactos de los "Activos" (haciendo que se mezclen más con los "Quietos"), ¡podría pasar que la epidemia total disminuya!
• ¿Por qué? Porque al mezclarse más, el virus se "diluye" en un grupo que no es tan propenso a propagarlo rápidamente, en lugar de concentrarse en un grupo que lo explota. Es como si mezclaras un poco de agua caliente con mucha agua fría; la temperatura final baja, aunque hayas añadido más calor.

5. ¿Por qué importa esto en la vida real?

Imagina que eres un funcionario de salud pública. Tienes datos de encuestas donde la gente dice: "Yo tengo 10 contactos al día". Pero no sabes si esos 10 contactos son con gente de tu misma edad o con gente de otra edad.

• Sin este paper, tendrías que adivinar o hacer suposiciones peligrosas.
• Con este paper, puedes decir: "Aunque no sabemos exactamente quién se contagia de quién, sabemos con certeza que la epidemia no superará el X% y que el R0 estará entre Y y Z".

En resumen

Este trabajo es como un paraguas matemático. Aunque no tengamos el mapa completo de cómo se mueve el virus, nos permite saber exactamente qué tan grande puede ser la tormenta y qué tan pequeña podría ser, dependiendo de si los grupos de gente se mezclan de forma caótica o de forma equilibrada. Nos ayuda a tomar decisiones de salud pública más seguras incluso cuando la información es incompleta.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Bounds on R0 and final epidemic size when the next-generation matrix M is only partially known" (Límites para R0 y el tamaño final de la epidemia cuando la matriz de próxima generación M es solo parcialmente conocida), escrito por Bizzotto, Ball y Britton.

---

1. Planteamiento del Problema

En la modelización de epidemias multitypo (donde la población se divide en $k$ tipos, ej. por edad, actividad social, etc.), un componente central es la Matriz de Próxima Generación (NGM), denotada como $M = \{m_{ij}\}$. El elemento $m_{ij}$ representa el número esperado de contactos infecciosos que un individuo infectado del tipo $i$ tiene con individuos del tipo $j$ durante su periodo infeccioso.

El problema central abordado en este trabajo surge cuando $M$ no se conoce completamente. En muchos estudios de contacto social (Social Contact Studies), se conoce el número promedio de contactos que realiza un individuo de un tipo específico (las sumas de filas de $M$), o el número promedio de contactos que recibe un tipo específico (las sumas de columnas), pero se desconoce la estructura detallada de la mezcla entre tipos (los elementos individuales $m_{ij}$).

El objetivo del artículo es determinar límites superiores e inferiores precisos (sharp bounds) para dos cantidades críticas de la epidemia basándose únicamente en esta información parcial:

1. El Número Básico de Reproducción ($R_0$): El valor propio dominante de $M$.
2. El Tamaño Final de la Epidemia: Tanto el vector de tamaños finales por tipo $\tau = (\tau_1, \dots, \tau_k)$ como el tamaño total $\bar{\tau} = \sum \pi_i \tau_i$, donde $\pi_i$ es la fracción de la población del tipo $i$.

El análisis se realiza en dos escenarios:

• Caso General: $M$ es cualquier matriz no negativa.
• Caso de Balance Detallado: $M$ satisface $\pi_i m_{ij} = \pi_j m_{ji}$. Esto ocurre cuando la heterogeneidad se debe únicamente a patrones de contacto simétricos (sin diferencias en susceptibilidad o infectividad intrínseca más allá de la mezcla).

2. Metodología

Los autores utilizan una combinación de teoría de matrices, análisis espectral y optimización no lineal:

• Descomposición de la Matriz: Expresan $M$ en términos de las sumas conocidas (filas o columnas) y una matriz estocástica que captura la mezcla desconocida.
  • Si se conocen las sumas de columnas $c$: $M = P D_c$, donde $P$ es estocástica por columnas.
  • Si se conocen las sumas de filas $r$: $M = D_r Q$, donde $Q$ es estocástica por filas.
• Ecuaciones de Tamaño Final: Utilizan las ecuaciones deterministas del modelo SIR multitypo:
  $$1 - \tau_j = \exp\left(-\sum_{i} \pi_i \tau_i \frac{m_{ij}}{\pi_j}\right)$$
• Optimización Extremal: Para encontrar los límites, buscan las matrices $M$ "admisibles" (que respetan las sumas fijas) que maximizan o minimizan $R_0$ y $\tau$.
• Herramientas Especiales:
  • Para el caso general, utilizan resultados de álgebra lineal sobre valores propios y sumas de filas/columnas.
  • Para el caso de balance detallado, aprovechan la simetría de la matriz transformada $S = D_{\pi}^{1/2} M D_{\pi}^{-1/2}$ para aplicar fórmulas de Rayleigh-Ritz.
  • Para el caso de dos tipos ($k=2$) con balance detallado, realizan un análisis paramétrico explícito, reduciendo el problema a una dimensión libre.

3. Contribuciones y Resultados Clave

A. Límites para $R_0$

1. Caso General (Sin balance detallado):

   • Se obtienen límites agudos (sharp) basados en los valores mínimos y máximos de las sumas de filas ($r_{min}, r_{max}$) o columnas ($c_{min}, c_{max}$).
   • Resultado: $r_{min} \le R_0 \le r_{max}$ y $c_{min} \le R_0 \le c_{max}$.
   • Estos límites son alcanzables mediante matrices de rango uno (mixing extremadamente sesgado).

2. Caso de Balance Detallado:

   • Los límites son más estrechos que en el caso general, pero generalmente no son agudos para $k > 2$.
   • Se derivan límites inferiores basados en promedios ponderados de las sumas al cuadrado:
     $$R_0 \ge \sqrt{\sum \pi_i r_i^2} \quad \text{y} \quad R_0 \ge \sqrt{\frac{\sum c_j^2/\pi_j}{\sum 1/\pi_i}}$$
   • Para $k=2$, se proporciona una fórmula explícita para el límite inferior agudo.

B. Límites para el Tamaño Final ($\tau$ y $\bar{\tau}$)

1. Caso General (Sumas de Columnas conocidas):

   • Se obtienen límites agudos simultáneos para cada tipo. El tamaño final $\tau_i$ está acotado por funciones exponenciales que dependen de la suma de columnas $c_i$ y de un parámetro $y^*$ que representa la "presión de infección" extrema (mínima o máxima posible).
   • La interpretación es que el tamaño final está acotado por dos escenarios extremos: uno donde toda la infecciosidad proviene del tipo con menor exposición per cápita, y otro donde proviene del tipo con mayor exposición.

2. Caso General (Sumas de Filas conocidas):

   • Los límites para cada $\tau_i$ individual son agudos, pero no simultáneamente agudos (no existe una sola matriz $M$ que maximice/minimice todos los $\tau_i$ a la vez).
   • Para el tamaño total $\bar{\tau}$, se derivan límites agudos. El límite superior se alcanza con una matriz de mezcla de rango uno (todos los infectados distribuyen sus contactos según la misma distribución de probabilidad).

3. Caso de Balance Detallado:

   • Caso $k=2$: Se logra un análisis completo. Se demuestra que el comportamiento de $\bar{\tau}$ en función del parámetro de mezcla es monótono o tiene un único punto de inflexión (máximo). Se identifican regiones en el espacio de parámetros $(r_1, r_2)$ donde el tamaño total es creciente o decreciente.
   • Caso $k > 2$: El problema es mucho más complejo debido a la alta dimensionalidad. Los autores proponen una conjetura basada en evidencia numérica: el tamaño total máximo se alcanza cuando la matriz de mezcla tiene una estructura específica donde ciertos tipos tienen presión de infección constante y otros tienen tamaño final cero.

4. Ejemplos Numéricos y Aplicación Empírica

• Ejemplo Teórico ($k=2$): Se muestra que bajo balance detallado, aumentar la suma de filas de un tipo ($r_2$) puede, paradójicamente, disminuir el límite inferior de $R_0$ y el tamaño final si $r_2$ es pequeño. Esto se debe a que un aumento en los contactos del tipo 2 puede "diluir" la transmisión del tipo 1 (que es supercrítico) hacia un tipo 2 subcrítico, reduciendo la eficiencia global de la transmisión en ciertos escenarios extremos.
• Estudio de Contacto en Bélgica: Se reanalizan datos reales donde la población se clasifica por edad y nivel de actividad social.
  • Se conoce la matriz de contactos por edad, pero no la estructura interna de actividad social dentro de cada grupo de edad.
  • Al aplicar los límites derivados, se observa que el rango de posibles valores para $R_0$ y el tamaño final es muy amplio si no se asume balance detallado.
  • La imposición de la condición de balance detallado reduce significativamente la incertidumbre, estrechando los límites.
  • Se demuestra que ignorar la heterogeneidad dentro de los grupos de edad (asumiendo mezcla homogénea) puede llevar a estimaciones erróneas de la magnitud de la epidemia.

5. Significado e Implicaciones

1. Robustez en la Incertidumbre: El trabajo proporciona herramientas matemáticas rigurosas para cuantificar el riesgo epidémico cuando los datos de contacto son incompletos, una situación muy común en la vida real.
2. Valor del Balance Detallado: Demuestra que asumir balance detallado (común en modelos basados en encuestas de contacto puras) no es solo una simplificación matemática, sino que reduce drásticamente la incertidumbre en las predicciones de $R_0$ y el tamaño final.
3. Comportamiento Contra-intuitivo: Revela fenómenos no lineales, como la posibilidad de que un aumento en la actividad de un grupo subcrítico reduzca la propagación global en un sistema de dos tipos, lo cual es crucial para políticas de intervención dirigidas.
4. Guía para Recolección de Datos: Sugiere que para reducir la incertidumbre en las predicciones, es vital obtener información sobre la estructura de mezcla (asortatividad) y no solo sobre los promedios de contactos (sumas de filas/columnas).

En conclusión, el artículo establece un marco teórico sólido para la inferencia de parámetros epidémicos bajo restricciones parciales de datos, diferenciando claramente entre escenarios de mezcla general y aquellos con simetría de contacto, y ofreciendo soluciones analíticas y numéricas para casos de interés práctico.