MADRID 24 Ene. (EUROPA PRESS) -
Los investigadores de ingeniería y medicina de la Universidad de Penn (Estados Unidos) han desarrollado un marco innovador que puede determinar la mejor estrategia de distribución, y la más optimizada desde el punto de vista computacional, para las vacunas contra la COVID-19 en cualquier comunidad.
Este estudio, publicado en 'PLOS One', aborda uno de los desafíos más críticos en la respuesta a la pandemia: cómo priorizar los esfuerzos de vacunación en comunidades con individuos de diferentes niveles de riesgo cuando los suministros son escasos y hay mucho en juego.
El equipo de investigación, compuesto por Saswati Sarkar , profesora de Ingeniería Eléctrica y de Sistemas (ESE), Shirin Saeedi Bidokhti , profesora adjunta de ESE, Harvey Rubin , médico en ejercicio en Penn Medicine y profesor de Enfermedades Infecciosas, y el estudiante de doctorado de ESE Raghu Arghal, diseñó su marco para poder tener en cuenta la suficiente complejidad de la población como para determinar las mejores y más aplicables estrategias de vacunación, pero no tan complejas que se vuelvan inaccesibles para las oficinas de salud pública sin supercomputadoras de alta potencia. Lo que los investigadores terminaron creando fue un marco altamente adaptable que proporciona estrategias efectivas y únicas en cuestión de segundos y solo requiere la potencia computacional de una computadora portátil personal.
Determinar la mejor estrategia teórica para la distribución de una vacuna que incluya todos los parámetros influyentes, como las métricas de salud individuales, las limitaciones de ubicación y las dosis requeridas, normalmente llevaría meses o más, incluso con la enorme capacidad computacional disponible en la actualidad. Esto se debe a que el tamaño de las comunidades en las que se necesitaría optimizar tales lanzamientos puede alcanzar fácilmente un millón de personas. Por ejemplo, las comunidades en los distritos de la ciudad de Nueva York varían entre 0,5 y 2,7 ??millones de personas.
"Necesitábamos un enfoque que ofreciera estrategias en un marco temporal más relevante y que requiriera menos potencia informática. Esto era especialmente importante para nosotros, ya que queríamos que el marco en sí fuera accesible para las comunidades remotas y de bajos recursos, que suelen ser las más afectadas por los brotes de enfermedades", subraya Sarkar. "Tuvimos que abordar este problema del mundo real de manera más práctica, pero al mismo tiempo utilizando herramientas de teoría de redes que capturaran suficiente heterogeneidad de la población para llegar a una estrategia significativa y útil", añade.
Para lograr este nivel de complejidad "Goldilocks", los investigadores definieron tres grupos amplios, pero representativos: Por un lado, un grupo de alto riesgo : incluye a los ancianos y a las personas inmunodeprimidas que son más vulnerables a las formas graves de COVID-19 y a la muerte. Otro grupo de alto contacto : trabajadores esenciales, como proveedores de atención médica, maestros y empleados de supermercados, que corren un alto riesgo de propagar el virus. Finalmente un grupo de base : el resto de la población, que no entra en las categorías de alto riesgo o alto contacto.
Al definir estos grupos distintos y aprovechar décadas de investigación sobre marcos de control óptimos, el equipo pudo utilizar una metodología numérica con la cantidad justa de complejidad que puede ofrecer estrategias únicas y efectivas para cualquier comunidad determinada.
No es sorprendente que el marco haya demostrado que, para reducir el número de muertes en general, es mejor vacunar primero al grupo de alto riesgo o al grupo de alto contacto, y al grupo de base al final. "La estrategia más común, y la que se implementó con las vacunas contra la COVID-19, vacuna primero al grupo de alto riesgo", comenta Saeedi Bidokhti.
"Pero en el 42% de los casos simulados, nuestro marco muestra que en realidad es más eficaz administrar la vacuna al grupo de alto contacto antes que al grupo de alto riesgo", continúa. Independientemente de qué grupo deba tener prioridad, quedó muy claro que no existe una solución única para todos.
"Este marco computacional puede ayudarnos a identificar soluciones específicas para diferentes grupos de personas y aquellas que tienen más matices y a las que no podríamos llegar intuitivamente por nuestra cuenta", afirma Arghal. "Además, a medida que las enfermedades infecciosas y sus brotes se vuelven más complejos y se propagan a diferentes velocidades en diferentes comunidades, el uso de este enfoque de teoría de redes será cada vez más pertinente".
Ampliar las capacidades del marco para abordar brotes simultáneos de múltiples enfermedades, así como la difusión de opiniones sobre comportamientos que afectan la propagación de enfermedades y la correlación entre las evoluciones de dichas opiniones y las enfermedades, son algunos de los proyectos que este equipo de investigación tiene en el horizonte. El estudio en sí también podría ayudar a los nuevos estudiantes de Penn a encontrar nuevas vías de investigación con impacto en el mundo real.
