MORGENSHTERN & Тимати - El Problema E Problem Probl Prob Pro Pr P т ти тим МОРГЕНШТЕРН и ft feat f f
Tabla de contenido:
Un niño de 2 años en Guinea rural murió de Ébola en diciembre de 2014. En los próximos dos años, casi 30,000 personas en África occidental se infectarán con el virus de Ébola.
¿Por qué, a diferencia de los 17 brotes previos de ébola, este creció tan rápidamente? ¿Qué se puede hacer, si es que se hace algo, para prevenir futuros brotes? Estas preguntas, junto con muchas otras, están en el corazón del campo científico naciente de la previsión de brotes. Y las apuestas no podrían ser más altas. En enero, el Foro Económico Mundial calificó a las pandemias como uno de los mayores riesgos para las empresas y la vida humana.
A lo largo de los últimos siglos, los científicos han podido predecir muchos aspectos del mundo, incluida la órbita de los planetas, el flujo y reflujo de las mareas y los caminos de los huracanes. La capacidad de comprender los sistemas naturales y físicos lo suficientemente bien como para hacer pronósticos precisos es quizás uno de los mayores logros de la humanidad.
Gran parte de este éxito en el pronóstico comienza con la idea fundamental de Isaac Newton de que existen leyes universales inmutables que gobiernan los fenómenos naturales que nos rodean. La capacidad de realizar rápidamente grandes cálculos ha fomentado la perspectiva newtoniana de que, dados los suficientes datos y potencia de cálculo, se pueden predecir los fenómenos más complejos.
Hay, sin embargo, límites. Como científicos que estudian este tipo de sistemas predictivos, dudamos que sea posible predecir exactamente qué sucederá después de un brote de enfermedad, porque las variables más importantes pueden cambiar mucho de un brote a otro.
Esta es la razón por la que, al igual que con el pronóstico del tiempo, la recopilación de datos en tiempo real es probablemente esencial para mejorar la capacidad de la comunidad científica para predecir los brotes.
Epidemias caprichosas
La idea de que los científicos pueden modelar epidemias se basa en la idea de que la trayectoria de cada brote es predecible debido a sus propiedades intrínsecas e invariables.
Digamos que una enfermedad es causada por un patógeno transmisible. La capacidad de contagio de esa enfermedad se puede encapsular en un número llamado "relación reproductiva básica" o R0, un número que describe la extensión de la propagación de un patógeno en una población determinada.
Si los epidemiólogos saben lo suficiente sobre el R0 de un patógeno, la esperanza es que puedan predecir algunos aspectos de su próximo brote y, con suerte, evitar que los brotes a pequeña escala se conviertan en epidemias a gran escala. Podrían hacerlo movilizando recursos a áreas donde los patógenos tienen valores R0 especialmente altos. O podrían limitar las interacciones entre los portadores de enfermedades y los miembros más susceptibles de una sociedad determinada, a menudo los niños y los ancianos.
De esta manera, R0 se interpreta como un número inmutable. Pero los estudios modernos demuestran que este no es el caso.
Por ejemplo, considere la epidemia del virus Zika. Para esta enfermedad, R0 varió de 0.5 a 6.3. Este es un lapso notable, que va desde una enfermedad que se disipará por sí sola hasta una que causará una epidemia a largo plazo.
Uno podría pensar que esta amplia gama de valores R0 para el Zika se debe a la incertidumbre estadística, que tal vez los científicos solo necesitan más datos. Pero eso sería en su mayoría incorrecto. Para el Zika, innumerables factores, desde el clima y los mosquitos hasta la presencia de otros virus relacionados como el Dengue y el papel de la transmisión sexual, llevan a diferentes valores de R0 en diferentes entornos.
Resulta que las características de una epidemia (contagio del patógeno, tasa de transmisión, disponibilidad de vacunas, etc.) cambian tan rápidamente durante el curso de un solo brote que los científicos pueden predecir la dinámica solo en el curso de ese brote. En otras palabras, estudiar el brote de la enfermedad del virus del ébola en abril de 2014 puede ayudar a los científicos a comprender un brote de ébola en ese mismo entorno el mes próximo, pero a menudo es mucho menos útil para comprender la dinámica de las futuras epidemias de ébola, como la que ocurrió. en mayo de 2018.
Las epidemias a menudo no son fenómenos ordenados y agrupados. Son ocurrencias ruidosas donde muchas variables juegan roles esenciales, pero cambiantes. No hay una verdad subyacente de la enfermedad, solo una colección inestable de detalles que varían, a menudo se enredan, a medida que la enfermedad se propaga.
Mejores predicciones
Si los científicos no están seguros de poder entender los sistemas epidemiológicos lo suficientemente bien como para predecir el comportamiento de los relacionados, ¿por qué molestarse en estudiarlos?
La respuesta podría residir en lo que llamamos una "física blanda" de predicción: los científicos deben dejar de asumir que cada brote sigue las mismas reglas. Al comparar un brote con otro, deben tener en cuenta todas las diferencias contextuales entre ellos.
Por ejemplo, los biólogos han descubierto muchos detalles sobre las infecciones de influenza. Saben cómo los virus se unen a las células huésped, cómo se replican y cómo desarrollan resistencia a los medicamentos antivirales. Pero una epidemia podría haber comenzado cuando una gran población utilizaba el transporte público en un determinado día del mes, mientras que otra podría haber sido iniciada por una congregación en un servicio religioso. Aunque ambos brotes están enraizados en el mismo agente infeccioso, estas y muchas otras diferencias en sus detalles significan que los científicos pueden necesitar replantear cómo modelan cómo progresa cada uno.
Para comprender mejor estos detalles, los científicos necesitan importantes inversiones en datos en tiempo real. Tenga en cuenta que el Servicio Meteorológico Nacional gasta más de $ 1 mil millones por año para recopilar datos y hacer pronósticos. Los CDC gastan solo una cuarta parte en estadísticas de salud pública y no tienen un presupuesto dedicado para el pronóstico.
La vigilancia de enfermedades sigue siendo una de las áreas científicas más importantes. Una cuidadosa consideración de las circunstancias únicas que subyacen a los brotes y una recopilación de datos más responsable podría salvar miles de vidas.
Este artículo fue publicado originalmente en The Conversation por C. Brandon Ogbunu, Randall Harp y Samuel V. Scarpino. Lee el artículo original aquí.
Por qué el problema plástico del mundo es más difícil de resolver que una limpieza masiva
Se estima que hay cinco billones de piezas de plástico flotando en los océanos del mundo. El océano está mejor sin él, por supuesto, pero el problema del plástico tiene muchas más capas de las que parece al principio, y la clasificación es un problema principal entre ellos.
2018 puede haber sido el año más difícil de Tesla hasta el momento, pero No Cakewalk de 2019
Tesla está a punto de enfrentar un difícil año de expansión, recién salido de dos trimestres consecutivos de ganancias. El director ejecutivo, Elon Musk, dijo que la compañía enfrentó una "grave amenaza de muerte" durante los momentos más difíciles, pero que algunos de sus mayores desafíos aún están por venir, como el Modelo Y, la Camioneta, la conducción autónoma y más.
¿Por qué es difícil hacer ejercicio? Los cerebros de personas perezosas revelan por qué no podemos ayudar pero evitamos hacer ejercicio
Las personas no pueden evitar evitar hacer ejercicio, pero podría no ser su culpa, según un estudio publicado en la revista Neuropsychologia. Encontraron que incluso pensar en los ejercicios provoca una batalla en el cerebro que debe superarse antes de que comience cada entrenamiento