Infectious disease modeling for public health practice: projections, scenarios, and uncertainty in three phases of outbreak response

Resumen Técnico: Modelado de Enfermedades Infecciosas para la Práctica de la Salud Pública

Planteamiento del Problema
Los departamentos de salud pública requieren proyecciones de escenarios basadas en evidencia para apoyar la toma de decisiones durante los brotes de enfermedades infecciosas. Sin embargo, los modelos tradicionales de enfermedades infecciosas a menudo no son fácilmente desplegables o sensibles a las prioridades urgentes y cambiantes de los departamentos de salud locales. Además, la incertidumbre en los resultados de los modelos se evalúa o comunica frecuentemente de manera inadecuada, lo que puede socavar la confianza entre los profesionales y el público. Existe una distinción crítica entre el pronóstico (predecir resultados futuros específicos) y el modelado de escenarios (proyectar resultados bajo condiciones de statu quo o alternativas), aunque esta distinción suele desdibujarse, lo que genera expectativas erróneas. El artículo aborda la necesidad de un marco que equilibre la provisión de números accionables con la comunicación precisa de la incertidumbre, adaptado específicamente a la disponibilidad variable de datos y a las necesidades de modelado en las diferentes fases de un brote.

Metodología
Los autores proponen un marco de modelado escalonado dividido en tres fases de respuesta ante brotes, utilizando flujos de datos de casos reportados, hospitalizaciones y defunciones. El enfoque integra parámetros de datos específicos: la relación infección-caso, la relación caso-hospitalización, la razón de letalidad y los retrasos de notificación para casos, hospitalizaciones y defunciones.

1. Fase 1: Proyecciones Preliminares (Pre-introducción Local)

   • Contexto: Antes de la detección de la propagación local.
   • Modelo: Modelo de crecimiento exponencial.
   • Método: Las proyecciones se generan basándose en datos de brotes históricos o en curso. Dado que no existen datos locales, la incertidumbre se cuantifica mediante el muestreo de Sobol' para generar un gran número de combinaciones de parámetros a partir de rangos realistas. Los intervalos de credibilidad se calculan para cada día de la proyección.
   • Objetivo: Estimar la velocidad y magnitud potencial de la propagación local para apoyar la planificación avanzada y las solicitudes de recursos.

2. Fase 2: Crecimiento Exponencial Local

   • Contexto: La transmisión local es sostenida y la epidemia está creciendo exponencialmente.
   • Modelo: Modelo de crecimiento exponencial con parámetros informados por datos locales recientes.
   • Método: Los modelos se ajustan a los datos locales (típicamente una ventana de 2 semanas) utilizando la estimación de máxima verosimilitud (minimizando la log-verosimilitud negativa asumiendo distribuciones de Poisson). Se estiman parámetros como los recuentos iniciales de casos, el tiempo de duplicación y las relaciones de resultados. Los parámetros no identificables (por ejemplo, la relación infección-caso) se manejan mediante análisis de sensibilidad utilizando rangos de la Fase 1. La incertidumbre se captura mediante el muestreo de combinaciones de parámetros dentro de rangos (por ejemplo, ±25% de los valores de mejor ajuste) para generar intervalos de confianza.
   • Objetivo: Proporcionar proyecciones de estatus quo a corto plazo (2 semanas) para guiar la planificación inmediata.

3. Fase 3: Transmisión Establecida con Posibles Intervenciones

   • Contexto: Transmisión establecida donde se están considerando intervenciones.
   • Modelo: Modelo compartimental mecanístico (Susceptible–Latente–Infectado–Recuperado, o SLIR) simulado mediante ecuaciones diferenciales.
   • Métño: El modelo tiene en cuenta las tasas de transmisión efectiva y los retrasos entre compartimentos. Se emplea un análisis de incertidumbre de dos pasos:
     1. Muestreo de un gran número de combinaciones para parámetros no identificables (por ejemplo, fracción inicial de infectados, tasas de latencia/recuperación).
     2. Para cada conjunto muestreado, estimación de parámetros identificables (por ejemplo, número de reproducción efectivo $R_e$, razones de notificación) mediante máxima verosimilitud.
     3. Descarte de conjuntos de parámetros con log-verosimilitudes negativas que excedan un umbral por encima del mínimo.
     4. Generación de proyecciones para los conjuntos restantes para graficar intervalos de credibilidad del 50% y 95%.
   • Análisis de Escenarios: El marco permite realizar experimentos "in silico", como simular cambios del ±25% en el número de reproducción para ilustrar trayectorias potenciales bajo diferentes escenarios de intervención o cambios de comportamiento.

Contribuciones Clave

• Marco de Modelado por Fases: El artículo delinea estrategias de modelado específicas apropiadas para tres fases distintas de un brote, reconociendo que la disponibilidad de datos y las necesidades de modelado evolucionan con el tiempo.
• Distinción entre Pronóstico y Modelado de Escenarios: Enmarca explícitamente los modelos como herramientas para la planificación de escenarios (responder preguntas de "¿qué pasaría si?") en lugar de pronósticos precisos, enfatizando que las desviaciones de las proyecciones suelen reflejar cambios en los parámetros subyacentes (por ejemplo, tasas de transmisión) más que fallos del modelo.
• Cuantificación de la Incertidumbre: Los autores proporcionan un enfoque estructurado para cuantificar la incertidumbre, yendo más allá de las estimaciones de punto único para proporcionar intervalos de mejor caso, peor caso y de credibilidad. Esto incluye el manejo de parámetros no identificables mediante muestreo y análisis de sensibilidad.
• Herramienta Práctica: El trabajo ofrece código de código abierto y ejemplos (utilizando datos de COVID-19 de Michigan de 2020–2021) para servir como punto de partida para socios de salud pública y modeladores, con el fin de reducir la necesidad de "reinventar la rueda" para cada nuevo brote.

Resultos
Utilizando datos de COVID-19 de Michigan, los autores demostraron la aplicación de su marco:

• Fase 1: Proyectó resultados de 6 semanas comenzando desde una única introducción, arrojando rangos amplios (por ejemplo, 1,500–15,100 casos reportados con un IC del 95%) para ilustrar la magnitud potencial.
• Fase 2: Generó proyecciones de estatus quo de 2 semanas basadas en datos de noviembre de 2020, estimando 6,600 casos reportados (IC 95%: 4,100–12,000) y 400 ingresos hospitalarios, con un tiempo de duplicación de mejor ajuste de 17.2 días.
• Fase 3: Modeló la transmisión establecida (abril de 2021) utilizando un modelo SLIR, estimando un $R_e$ de 1.71. El modelo proyectó una mediana de 12,000 casos en cuatro semanas bajo el estatus quo. Crucialmente, el estudio mostró cómo los escenarios alternativos (por ejemplo, un aumento o disminución del 25% en $R_e$) produjeron trayectorias muy diferentes, y cómo un escenario retrospectivo con una reducción del 45% en $R_e$ se alineó con los datos reportados reales, validando la utilidad del modelado de escenarios en retrospectiva.

Significancia y Reivindicaciones
El artículo afirma proporcionar una "guía conceptual y una herramienta práctica" para apoyar un uso más transparente, oportuno y apropiado de los modelos en la respuesta ante brotes. Su principal significancia radica en:

• Accesibilidad: Demostrar que los enfoques analíticos relativamente simples, como los modelos de crecimiento exponencial, pueden ser altamente efectivos para los profesionales de la salud pública si se aplican con criterio, en lugar de requerir modelos mecanísticos complejos en todos los casos.
• Construcción de Confianza: Al comunicar rigurosamente la incertidumbre y distinguir entre proyecciones de estatus quo y pronósticos, el marco busca evitar la pérdida de confianza que ocurre cuando los resultados reales se desvían de las predicciones excesivamente confiadas.
• Accionabilidad: Los modelos están diseñados para informar la planificación (por ejemplo, capacidad hospitalaria, necesidades de EPP) y motivar la acción, en lugar de predecir resultados precisos.
• Colaboración: Enfatiza la necesidad de un entendimiento compartido entre los modeladores y los socios de salud pública con respecto a los objetivos, limitaciones y expectativas del modelado.

Los autores declaran explícitamente que estos modelos son puntos de partida destinados a ser modificados para brotes específicos y no son adecuados para todas las dinámicas de transmisión (por ejemplo, redes altamente agrupadas o fuentes zoonóticas puntuales). Este trabajo sirve como base para el Grupo de Trabajo de Guía de Modelado de Insight Net para mejorar la preparación ante futuros brotes.