The Impact of Neglecting Vaccine Unwillingness in Epidemiology Models

Este estudio demuestra que ignorar la negativa a vacunarse en los modelos epidemiológicos genera errores significativos, especialmente en el análisis del equilibrio endémico y en epidemias de enfermedades menos infecciosas con programas de vacunación lentos, lo que subraya la necesidad de ajustar las tasas de vacunación solo a la población dispuesta y capaz de recibir la vacuna.

Lo esencial

Imagina que estás intentando predecir cómo se comportará una tormenta de arena en una ciudad. Para hacer esto, usas un modelo matemático (una especie de "simulación por computadora") que te dice cuánta gente se cubrirá, cuánta se enfermará y cuándo la tormenta pasará.

En el mundo de las enfermedades, los científicos usan modelos similares para predecir cómo se propagan los virus. Durante mucho tiempo, estos modelos han asumido algo muy simple: que toda la gente que puede vacunarse, se va a vacunar. Es como si en tu simulación de la tormenta, asumieras que todos los ciudadanos tienen paraguas y están dispuestos a abrirlos inmediatamente.

Pero, en la vida real, no todos quieren o pueden usar un paraguas. Algunos dicen "no", otros no tienen acceso, y otros simplemente no creen que sea necesario. A esto el autor, Glenn Ledder, le llama "vacilación o negativa a vacunarse".

Este artículo se pregunta: ¿Qué pasa si ignoramos a esos "no vacunados" en nuestros modelos? ¿Nos equivocamos mucho? ¿Podemos arreglar el error simplemente diciendo "bajemos un poco la velocidad de vacunación" en la fórmula?

Aquí está la explicación sencilla, dividida en dos escenarios, usando analogías:

1. El Escenario de "Largo Plazo" (La Endemia)

Imagina que la enfermedad es como una marea constante que nunca se va del todo, sube y baja un poco cada año, pero siempre está ahí.

• El problema: Si ignoras que hay gente que no quiere vacunarse, tu modelo piensa que la marea se detendrá pronto porque "todos" se han protegido. Pero en realidad, la marea sigue subiendo porque hay un grupo de gente que nunca se cubrió.
• La solución fallida: Algunos pensaron: "¡Ya sé! Si no todos se vacunan, simplemente reduzcamos la velocidad de la vacuna en la fórmula". Es como decir: "Vamos a simular que el paraguas se abre más lento".
• El resultado: El autor dice que esto no funciona. En el largo plazo, la velocidad a la que se abren los paraguas no importa tanto como el hecho de que algunos nunca los abren. Si ignoras a los que se niegan, tu modelo te dará una respuesta totalmente equivocada sobre si la enfermedad desaparecerá o no.
• La lección: Para problemas de largo plazo, es obligatorio separar a la gente en dos grupos: los que sí quieren vacunarse y los que no. No puedes simplemente "ajustar el volumen" de la fórmula; tienes que cambiar la estructura del modelo.

2. El Escenario de "Corto Plazo" (La Epidemia)

Ahora imagina que la enfermedad es como un tsunami que llega de golpe. Tienes muy poco tiempo para reaccionar antes de que la ola golpee.

• La dinámica: Aquí, la velocidad es clave. Si el tsunami (el virus) es muy rápido (muy contagioso) y tu equipo de rescate (la vacunación) es lento, no importa si hay gente que no quiere el paraguas; la ola los alcanzará de todos modos. En este caso, ignorar a los "no vacunados" no cambia mucho el resultado final porque la enfermedad se propaga tan rápido que la vacunación apenas logra hacer algo.
• El peligro real: El problema surge cuando el tsunami es lento (menos contagioso) pero tu equipo de rescate es rápido. Aquí, si ignoras a los que no quieren vacunarse, tu modelo te dirá que "casi nadie se enfermará". Pero en la realidad, esos pocos que se niegan a vacunarse pueden actuar como un "puente" que mantiene la ola viva, infectando a otros.
• La solución fallida: En este escenario rápido, intentar "bajar la velocidad de la vacuna" en la fórmula (ajustar el número) ayuda un poco, pero no es perfecto. A veces funciona, a veces no, dependiendo de qué tan rápido sea el virus y qué tan rápido sea la vacuna.
• La lección: En las crisis rápidas, el error de ignorar a los reacios puede ser grande, especialmente si la vacuna es buena y el virus no es extremadamente rápido. Sin embargo, como los modelos de corto plazo ya se hacen con computadoras potentes, es mejor y más fácil simplemente agregar la categoría de "gente que no quiere vacunarse" desde el principio, en lugar de intentar arreglar los números después.

Resumen con una Metáfora Final

Imagina que estás organizando una fiesta y quieres que todos usen un sombrero para protegerse de la lluvia.

1. El modelo antiguo (el error): Asumes que el 100% de los invitados pondrá el sombrero. Tu cálculo dice: "¡Nadie se mojará!".
2. La realidad: El 30% de los invitados dice "No quiero el sombrero".
3. El intento de arreglo (ajustar la fórmula): Dices: "Bueno, en mi cálculo, voy a asumir que el 70% de la gente se pone el sombrero, pero voy a hacer que el proceso de ponerlo sea un 30% más lento".
   • En el largo plazo (la fiesta dura días): Esto no sirve. La gente que no quiere el sombrero se quedará mojada y arruinará la fiesta. Necesitas saber quién no quiere el sombrero, no solo cuántos hay.
   • En el corto plazo (la fiesta dura minutos): Si la lluvia es un diluvio repentino, a todos les caerá agua de todos modos, así que el error es pequeño. Pero si la lluvia es suave y tienes tiempo de repartir sombreros, ignorar a los que se niegan hará que tu cálculo diga que la fiesta estará seca, cuando en realidad habrá charcos.

Conclusión Simple

El autor nos dice: No seas perezoso con tus modelos.
Si quieres predecir el futuro de una enfermedad, no puedes simplemente "restar un poco" a la velocidad de la vacuna para compensar a los que no quieren. Tienes que construir un modelo que reconozca que hay dos tipos de gente: los que aceptan la vacuna y los que no.

• Para problemas lentos y constantes, ignorar a los reacios es un error gigante que no se puede arreglar con trucos matemáticos simples.
• Para problemas rápidos y urgentes, el error también es importante, y la mejor forma de solucionarlo es simplemente incluir a los "reacios" en el dibujo del modelo desde el principio.

En resumen: La realidad es compleja, y nuestros modelos deben serlo también para ser útiles.

Resumen técnico

Resumen Técnico: El Impacto de Ignorar la Renuencia a la Vacunación en Modelos Epidemiológicos

1. Planteamiento del Problema

En la actualidad, una fracción significativa de la población en muchas sociedades se niega a vacunarse o no puede hacerlo. Sin embargo, la práctica estándar en la modelización epidemiológica (modelos de compartimentos como SIR/SVIR) suele aplicar la tasa de vacunación a toda la clase de susceptibles, asumiendo implícitamente que todos están dispuestos y son capaces de recibir la vacuna.

El autor identifica dos problemas centrales derivados de esta simplificación:

1. Error de modelado: ¿Cuánto error se introduce en los resultados clave del modelo al ignorar la renuencia a la vacunación?
2. Estrategia de corrección: ¿Es posible reducir este error simplemente ajustando la constante de la tasa de vacunación (multiplicándola por la fracción de dispuestos) sin necesidad de modificar la estructura del diagrama de tasas (es decir, sin dividir la población de susceptibles en subclases)?

El estudio se centra en determinar si la complejidad añadida de dividir a los susceptibles en "dispuestos" y "no dispuestos" está justificada por una mayor precisión, considerando diferentes escalas de tiempo: la escala endémica (comportamiento a largo plazo) y la escala epidémica (la primera ola de infección).

2. Metodología

El autor desarrolla y analiza un modelo matemático genérico de tipo SVIR (Susceptible-Vacunado-Infectado-Recuperado) que incorpora demografía (nacimientos y muertes) y renuencia a la vacunación.

• Estructura del Modelo:

  • La población se divide en susceptibles dispuestos ($S_W$) y no dispuestos ($S_U$).
  • Se consideran tres beneficios potenciales de la vacunación (comparados con los susceptibles no vacunados): menor tasa de infección ($\sigma$), menor infectividad ($\eta$) y recuperación más rápida ($\alpha$).
  • Se define un parámetro de carga de enfermedad relativa $\xi = \sigma \eta / \alpha$.
  • Se asume que la inmunidad post-infección es de por vida.

• Escalas de Tiempo y Análisis:

  • Escala Epidémica: Se utiliza un tiempo adimensional $\tau = (\gamma + \mu)t$ (basado en la duración de la infección). El objetivo es simular la primera ola grande de la epidemia mediante integración numérica. La métrica de salida es la fracción de la población que escapa a la infección.
  • Escala Endémica: Se utiliza un tiempo adimensional $T = \mu t$ (basado en la esperanza de vida). El objetivo es el análisis de puntos de equilibrio a largo plazo. Se estudian dos estados estables: el Equilibrio Libre de Enfermedad (DFE) y el Equilibrio Endémico (EDE).

• Comparación de Estrategias:
  El estudio compara tres enfoques de modelado:

  1. Modelo Completo: Incluye subclases de susceptibles ($S_W, S_U$) y sus respectivas tasas de transición.
  2. Modelo Simplificado (Renuencia ignorada): Asume que todos los susceptibles son vacunables ($S_W = S$).
  3. Modelo Simplificado Ajustado: Mantiene la estructura simple pero reduce la constante de vacunación $\phi$ a $W\phi$ (donde $W$ es la fracción de dispuestos) para intentar compensar la renuencia.

3. Contribuciones Clave y Resultados

Los hallazgos dependen drásticamente de la escala de tiempo analizada:

A. Escala Endémica (Largo Plazo)

• Error Significativo: Ignorar la renuencia introduce un error grande en la predicción del número reproductivo básico efectivo ($R_v$) y en la tasa de nuevas infecciones en el equilibrio.
• Ineficacia del Ajuste de la Constante: Modificar la constante de vacunación ($\phi \to W\phi$) no corrige el error. En la escala endémica, el proceso de vacunación es tan rápido en comparación con la infección que la tasa exacta no afecta el resultado final de equilibrio; lo que importa es la fracción de la población que puede ser vacunada.
• Conclusión: Para modelos endémicos, es absolutamente vital incorporar la renuencia en el diagrama de tasas (dividiendo los compartimentos). Ajustar la constante es insuficiente y lleva a conclusiones erróneas sobre la estabilidad del equilibrio libre de enfermedad y la carga de enfermedad a largo plazo.

B. Escala Epidémica (Ola Inicial)

• Dependencia de Parámetros: El error al ignorar la renuencia varía según la infectividad de la enfermedad ($R_0$), la efectividad de la vacuna ($\sigma$) y la velocidad de vacunación ($\theta$).
• Escenarios de Alto Impacto: El error es más significativo cuando la enfermedad es menos infecciosa y el programa de vacunación es relativamente rápido. En estos casos, una gran parte de los susceptibles dispuestos podría vacunarse antes de infectarse, por lo que la distinción entre dispuestos y no dispuestos es crítica.
• Escenarios de Bajo Impacto: Si la enfermedad es altamente infecciosa ($R_0$ alto) y la vacunación lenta, la mayoría de los susceptibles se infectan antes de vacunarse, haciendo que la renuencia tenga un impacto menor en el resultado de la primera ola.
• Eficacia del Ajuste de la Constante:
  • Para vacunación lenta, ajustar la constante ($W\phi$) ofrece una aproximación razonable (el error es notable pero no grande).
  • Para vacunación rápida, ajustar la constante genera errores significativos en la predicción de la infectividad total y el tamaño de la población vacunada, especialmente si $R_0$ es bajo.

4. Significancia e Implicaciones

• Para la Salud Pública: Ignorar la renuencia a la vacunación puede llevar a una sobreestimación peligrosa de la eficacia de los programas de vacunación, especialmente en escenarios endémicos donde se busca la erradicación o el control a largo plazo. Incluso una pequeña fracción de renuentes (ej. 30%) puede cambiar drásticamente la estabilidad del sistema.
• Para la Modelización Matemática:
  • Modelos Endémicos: La complejidad adicional de dividir los compartimentos es indispensable. No se puede compensar la renuencia simplemente reduciendo la tasa de vacunación; la estructura del modelo debe reflejar la realidad biológica y social.
  • Modelos Epidémicos: Aunque ajustar la constante puede ser una aproximación aceptable en ciertos casos (vacunación lenta), la integración numérica de ecuaciones diferenciales no se ve significativamente afectada por la adición de variables extra. Por lo tanto, el autor recomienda siempre incorporar la renuencia correctamente en el diagrama de tasas, tanto para modelos epidémicos como endémicos, para garantizar la máxima precisión sin un costo computacional prohibitivo.

Conclusión Final:
El estudio demuestra que la renuencia a la vacunación no es un factor menor que pueda ser "promediado" mediante constantes ajustadas. Su omisión o su tratamiento simplificado en los modelos epidemiológicos conduce a errores sustanciales en la predicción de la carga de enfermedad, la estabilidad de los equilibrios y la efectividad de las intervenciones, siendo el error más crítico y no corregible en el análisis de escenarios endémicos.