🧬 biología

Stochastic SIS Model with Dynamic Node Activity: Epidemic Threshold and Stationary States

Este artículo extiende el modelo estocástico clásico de SIS a redes con actividad de nodos dinámica, demostrando que, si bien las tasas de actividad no alteran el umbral epidémico ni los niveles de infección estacionarios, ralentizan significativamente la dinámica transitoria al permitir que los nodos infectados temporalmente desactivados actúen como un reservorio que sostiene la infección.

Autores originales: Alexey V. Nikiforov, Alexey A. Magazev

Publicado 2026-10-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Alexey V. Nikiforov, Alexey A. Magazev

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

En el mundo digital, las redes son el andamiaje invisible que sostiene nuestra vida moderna. Desde las computadoras en un edificio de oficinas hasta los dispositivos en un hogar inteligente, estos sistemas dependen de conexiones constantes para compartir información. Sin embargo, tal como un virus puede propagarse a través de una multitud de personas, el software malicioso puede viajar a través de estas conexiones digitales, saltando de un dispositivo a otro. Los científicos han utilizado durante mucho tiempo modelos matemáticos para predecir cómo se comportan tales infecciones, tratando a las computadoras como personas que pueden estar sanas o enfermas. Un modelo clásico, conocido como SIS, asume que una vez que una computadora es infectada, puede recuperarse y volver a estar sana, solo para potencialmente contraer el virus más tarde. Este marco ayuda a los investigadores a comprender cuándo una infección desaparecerá por sí sola y cuándo se convertirá en un problema permanente y persistente. Pero estos modelos tradicionales a menudo asumen que cada computadora está siempre en línea y lista para interactuar, una condición que rara vez coincide con la realidad. En el mundo real, los dispositivos se desconectan para actualizaciones, modo de suspensión o simplemente porque están apagados, creando una dinámica donde la capacidad de la red para difundir información cambia constantemente.

Un equipo de investigadores de Rusia se propuso explorar qué sucede cuando esta conectividad constante se rompe. Desarrollaron una nueva forma de simular cómo se propaga un virus informático cuando los dispositivos mismos no siempre están disponibles para participar. En su modelo, cada computadora tiene dos estados distintos: está "habilitada", lo que significa que está en línea y lista para comunicarse, o "deshabilitada", lo que significa que está fuera de línea y en silencio. Crucialmente, una computadora deshabilitada no puede contraer un virus, ni puede transmitir uno, pero tampoco puede recuperarse si ya está infectada. Simplemente espera en un estado de animación suspendida hasta que vuelve a estar en línea. Los investigadores querían saber si este cambio constante entre estar en línea y fuera de línea cambiaría las reglas fundamentales de cómo se propaga una epidemia, específicamente si elevaría o reduciría el umbral necesario para que una infección se apodere de la red y se vuelva permanente.

Para investigar esto, el equipo construyó una simulación por computadora que involucraba una red de mil nodos, representando dispositivos individuales. Crearon un entorno virtual donde estos dispositivos estaban conectados en un patrón aleatorio, similar a cómo las computadoras podrían estar vinculadas en una red de oficina típica. Luego introdujeron un virus y observaron cómo se movía a través del sistema a lo largo del tiempo. La simulación les permitió ajustar la "tasa de actividad", que determinaba la frecuencia con la que los dispositivos cambiaban entre estar en línea y fuera de línea. Probaron escenarios donde el virus era débil y propenso a morir, así como escenarios donde el virus era fuerte y propenso a convertirse en una presencia permanente en la red. Al ejecutar miles de estas simulaciones, pudieron observar el comportamiento promedio de la infección y comparar sus hallazgos con sus predicciones matemáticas.

Los resultados revelaron una estabilidad sorprendente en las reglas centrales de la epidemia. Los investigadores encontraron que el umbral crítico para que una infección se convirtiera en un problema permanente no cambió, independientemente de qué tan seguido los dispositivos se desconectaran. Ya fuera que las computadoras estuvieran cambiando de estado constantemente o permanecieran estables, el punto en el que el virus se volviera imparable seguía siendo exactamente el mismo que en los modelos clásicos. Si el virus era lo suficientemente fuerte como para propagarse en una red estática, también se propagaría en esta red dinámica. La actividad de los nodos no hizo que la red fuera más o menos vulnerable a la toma de control inicial; la matemática fundamental del brote permaneció inalterada.

Sin embargo, aunque el resultado final fue el mismo, el viaje para llegar allí fue dramáticamente diferente. Los investigadores descubrieron que la velocidad a la que la infección se propagaba o moría estaba fuertemente influenciada por la frecuencia con la que los dispositivos se desconectaban. En una situación donde el virus era débil y destinado a morir, la infección desaparecía mucho más lentamente cuando los dispositivos cambiaban con frecuencia entre estar en línea y fuera de línea. Este resultado contraintuitivo ocurre porque una computadora infectada deshabilitada actúa como un reservorio oculto. Cuando un dispositivo infectado se desconecta, no puede recuperarse, por lo que retiene el virus mientras espera volver a estar en línea. Esto retrasa el proceso de recuperación, permitiendo que el virus persista durante más tiempo de lo que lo haría si cada dispositivo estuviera siempre activo y capaz de sanar por sí mismo.

El mismo efecto de ralentización se observó cuando el virus era fuerte y destinado a volverse permanente. En estos casos, la infección tardaba mucho más en alcanzar su nivel final y estable cuando la tasa de actividad era alta. El cambio constante creó un cuello de botella; los dispositivos infectados pasaban tanto tiempo fuera de línea que no podían transmitir el virus a sus vecinos tan rápido como lo harían en una red estática. Era como si la infección estuviera intentando correr una carrera, pero los corredores fueran forzados frecuentemente a detenerse y esperar, ralentizando el progreso de todo el grupo. A pesar de este retraso, la infección eventualmente alcanzó el mismo alto nivel de prevalencia que tendría en una red donde todos estuvieran siempre en línea. El número final de dispositivos infectados dependía solo de la fuerza del virus y la estructura de la red, no de qué tan seguido los dispositivos se fueran a dormir.

Estos hallazgos sugieren que, si bien la naturaleza dinámica de las redes modernas no las hace fundamentalmente más o menos susceptibles a un brote, sí altera significamente la línea de tiempo del evento. Para aquellos que intentan gestionar o contener una infección digital, la actividad de los dispositivos es un factor crucial. Una red donde los dispositivos se desconectan frecuentemente puede parecer que está frenando un brote, pero en realidad solo está retrasando lo inevitable, manteniendo al virus vivo en un estado latente durante períodos más largos. El estudio proporciona una imagen más clara de cómo las restricciones del mundo real, como el apagado de dispositivos, interactúan con la propagación de las amenazas digitales, mostrando que las reglas del juego permanecen iguales, incluso si el ritmo de juego cambia.

Resumen Técnico: Modelo SIS Estocástico con Actividad de Nodos Dinámica

Planteamiento del Problema
El modelado matemático de los procesos de propagación, como la propagación de virus informáticos, se basa típicamente en modelos compartimentales como el marco Susceptible-Infectado-Susceptible (SIS). Mientras que los modelos clásicos asumen topologías de red estáticas o disponibilidad continua de los nodos, los sistemas del mundo real a menudo exhiben una actividad de nodos dinámica donde los nodos (por ejemplo, estaciones de trabajo o dispositivos móviles) cambian periódicamente entre estados activos (habilitados) e inactivos (deshabilitados). En tales escenarios, la topología subyacente de la red permanece fija, pero solo los nodos habilitados participan en la transmisión. El problema central abordado en este artículo es determinar cómo esta disponibilidad dinámica de los nodos afecta el umbral epidémico y los estados estacionarios de la propagación de la infección, investigando específicamente si el umbral SIS clásico se preserva y cómo la tasa de actividad influye en la dinámica transitoria.

Metodología
Los autores proponen un modelo SIS estocástico definido en un grafo no dirigido conexo $G = (V, L)$ con $N$ nodos. Cada nodo posee dos atributos binarios independientes:

Estado de Actividad: Habilitado ( $E$ ) o Deshabilitado ( $D$ ).
Estado Epidemiológico: Susceptible ( $S$ ) o Infectado ( $I$ ).

Esto resulta en cuatro posibles estados de los nodos: $(D,S), (D,I), (E,S), (E,I)$ . La dinámica está gobernada por transiciones probabilísticas de tiempo discreto:

Transiciones de Actividad: Los nodos cambian entre $D$ y $E$ con probabilidades $\lambda_+$ y $\lambda_-$ , independientemente de su estado de infección.
Transiciones Epidemiológicas:
- Un nodo susceptible habilitado se infecta con probabilidad $\mu_a \approx \beta k_a i(t)$ , donde $k_a$ es el grado del nodo, $\beta$ es la probabilidad de transmisión, e $i(t)$ es la fracción de nodos infectados entre la población habilitada.
- Un nodo infectado habilitado se recupera con probabilidad $\delta$ .
- Los nodos deshabilitados mantienen su estado epidemiológico; no pueden infectar a otros ni recuperarse mientras estén deshabilitados.

El estudio emplea dos enfoques complementarios:

Aproximación de Campo Medio (Mean-Field): Se deriva un análogo continuo asumiendo la equivalencia estadística entre los nodos y describiendo el sistema mediante las fracciones de nodos en cada estado ( $s_D, i_D, s_E, i_E$ ). Esto genera un sistema de ecuaciones diferenciales ordinarias para analizar los estados estacionarios y la estabilidad.
Simulaciones Estocásticas: Se realizan simulaciones directas en grafos aleatorios de Erdős–Rényi ( $N=1000$ ) para verificar las predicciones analíticas y cuantificar los efectos de tamaño finito. Las simulaciones utilizan actualizaciones sincrónicas y promedios de conjunto sobre múltiples realizaciones de grafos y ejecuciones epidémicas.

Contribuciones Clave

Formulación del Modelo: El artículo introduce un modelo SIS estocástico que desacopla explícitamente la actividad del nodo del estatus epidemiológico, permitiendo un análisis riguroso de sistemas donde la transmisión depende de la disponibilidad del nodo.
Derivación Analítica: Los autores derivan las ecuaciones de campo medio e identifican los estados estacionarios, demostrando la existencia de una bifurcación transcrítica en el umbral epidémico.
Preservación del Umbral: Un hallazgo teórico principal es que el umbral epidémico, definido por el número básico de reproducción $R_0 = \beta \langle k \rangle / \delta$ , es idéntico al resultado del SIS clásico y es independiente de los parámetros de actividad ( $\lambda_+, \lambda_-$ ).
Análisis de la Dinámica Transitoria: El artículo cuantifica el efecto contraintuitivo de la tasa de actividad sobre la velocidad de convergencia. Demuestra que aumentar la tasa de cambio de actividad ( $\lambda$ ) ralentiza tanto el decaimiento de la infección en el régimen subcrítico ( $R_0 < 1$ ) como la convergencia al estado endémico en el régimen supercrítico ( $R_0 > 1$ ).

Resultos

Estados Estacionarios:
- Estado Libre de Infección: Existe y es estable cuando $R_0 < 1$ .
- Estado Endémico: Existe y es estable cuando $R_0 > 1$ . La fracción estacionaria de nodos infectados entre la población habilitada es $1 - 1/R_0$ .
- Independencia: El nivel estacionario de infección depende únicamente de $R_0$ y es independiente de la tasa de actividad $\lambda$ en el caso simétrico ( $\lambda_+ = \lambda_- = \lambda$ ).
Dinámica Transitoria (El Efecto "Reservorio"):
- Régimen Subcrítico ( $R_0 < 1$ ): Aumentar $\lambda$ ralentiza el decaimiento exponencial de la infección. Esto se explica por el hecho de que los nodos infectados en el estado deshabilitado no pueden recuperarse; actúan como un "reservorio" que sostiene la infección durante más tiempo que en una red estática.
- Régimen Supercrítico ( $R_0 > 1$ ): Aumentar $\lambda$ ralentiza la convergencia hacia la meseta estacionaria. Las altas tasas de actividad causan que los nodos infectados pasen un tiempo significativo en el estado deshabilitado, donde no pueden transmitir el virus, lo que provoca una caída inicial en los niveles de infección antes de que el sistema se estabilice.
Simulación vs. Teoría: Las simulaciones estocásticas en grafos de Erdős–Rényi confirman las predicciones analíticas respecto al umbral y la independencia del estado estacionario de $\lambda$ . Sin embargo, las simulaciones muestran una desviación sistemática (aproximadamente un 2–4% menor en los niveles de infección) de la predicción de campo medio en el régimen supercrítico, atribuida al promedio de campo medio de la probabilidad de infección sobre la distribución de grados y a los efectos de tamaño finito.

Significancia
El artículo afirma que su principal significancia radica en extender el modelo clásico de campo medio SIS al caso de la disponibilidad dinámica de nodos. Establece que, si bien el umbral epidémico es robusto y no se ve afectado por la actividad dinámica de los nodos, la dinámica temporal se altera significativamente. Específicamente, el hallazgo de que las tasas de actividad más altas pueden, paradójicamente, prolongar la persistencia de una infección (al prevenir la recuperación en el estado deshabilitado) ofrece una comprensión matizada de los procesos de propagación en sistemas con conectividad intermitente, como redes de dispositivos que se desconectan periódicamente. El trabajo proporciona una base teórica para comprender cómo el efecto "reservorio" de los nodos deshabilitados influye en las escalas de tiempo del control y la convergencia de las epidemias.

Más como este