—O coronavirus axudounos a naturalizar as matemáticas, a entender que están en todo o que nos rodea?
A pandemia permitiu que moita xente reflexionase mellor sobre a axuda que representan as matemáticas, tanto para a análise dos datos como para a toma de decisións, que talvez sexa a faceta máis descoñecida por parte do gran público. De feito, teño a sensación de que non se aproveitou toda a potencialidade que había neste sentido, por exemplo, en canto á organización e eficiencia de quendas de traballo; á repartición eficaz, xusta e equitativa de máscaras cando máis escasearon; mesmo á planificación máis efectiva das rutas de recollida de mostras para a realización de tests de anticorpos dentro da poboación, optimizando os tempos e os vehículos dispoñíbeis. Faltou atención ou interese por parte das Administracións para aproveitar toda a capacidade das matemáticas.
—Unha das achegas esenciais permitiu explicar o estendido que está o virus entre a poboación.
A información á que tivemos acceso grazas ao estudo seroepidemiolóxico realizado en abril, maio e xuño é moi valiosa, e non está dispoñíbel na maioría dos países da nosa contorna. Fíxose coa axuda do Instituto Nacional de Estatística e a colaboración do Comité Español de Matemáticas co obxectivo de coñecer a porcentaxe da poboación que tiña o virus ou padecera a enfermidade. Unha achega fundamental que no mes de xuño nos deu a idea de que se estaban detectando 10% dos casos reais que había, e que agora, serán máis. Por iso o Centro Nacional de Epidemioloxía está tratando de alimentalo de novo con outras tres roldas de toma de mostras.
—Aquí participou nun dos primeiros estudos para cuantificar a presenza de virus nas augas residuais da Coruña e contorna.
En xuño logramos anticipar un par de semanas os números oficiais de casos activos que despois se deron, polo que o modelo que formulamos se revela como unha ferramenta moi valiosa para traducir a carga viral detectada nas augas residuais en número de persoas infectadas que son portadoras do virus.
As matemáticas son moi útiles para valorar escenarios e anticipar que impacto poden conseguir determinadas medidas.
Unha experiencia local que se podería estender a outras zonas para determinar que porcentaxe de casos activos se están detectando, a efectividade dos tests ou en que lugares concretos se están producindo repuntas para actuar e tomar as medidas sanitarias pertinentes. É mou útil, ademais, porque este estudo permite unha medida global do conxunto da poboación ao detectar a carga viral tanto das persoas sintomáticas como das que non o son.
—As matemáticas poden predicir agora a evolución da pandemia?
Poderían facelo, pero para is, a grande escala, teriamos que dispoñer de información moi fiábel de como se están producindo as cousas, sen perder de vista que ese tipo de predicións están moi condicionadas polo tipo de medidas que se adoptan: distanciamento, restricións de mobilidade; o que significa que as autoridades teñen marxe para intervir e condicionar a evolución da pandemia. Neste sentido, as matemáticas son moi útiles para valorar escenarios e anticipar que impacto poden conseguir determinadas medidas, a nivel global e local.
—Tense cuestionado moito a calidade, a transparencia e o uso dos datos. Que valoración fai deste tratamento?
É un problema complexo, e máis notorio desde que teño a oportunidade de observalo desde dentro. Moitos dos obstáculos que vexo son estruturais. Dunha banda non se lle deu suficiente relevancia á necesidade de datos precisos nin se puxeron os medios para podelos tratar de inmediato. Doutra, o propio procedemento para a obtención dos datos provoca nesgos, involuntarios moitas veces. Así, para os analistas, tan importante como coñecer os datos é saber cal é a súa imperfección para podela corrixir.
—Os datos non son perfectos?
Case sempre son imperfectos, e esa imperfección ofrece unha información adicional para mellorar as predicións. Neste sentido, é habitual traballar co que denominamos datos censurados, que non son reais ao cen por cento. Fixémolo, por exemplo, para concluír a baixa probabilidade de que os pacientes ingresados en planta acaben na UCI despois de 10 días, un detalle puntual chave para poder planificar os recursos sanitarios que hai que ter previstos.
Independentemente da evolución da pandemia, as matemáticas seguirán sendo chave para explicar a Covid-19.
Mais as matemáticas permiten outro tipo de prognósticos a curto prazo a partir de ferramentas de clasificación, a estatística, a análise de datos e tamén a intelixencia artificial. Así, en función das evidencias e das características dun doente -sexo, idade, doenzas previas- podemos tratar de predicir o probábel que é que a enfermidade sexa leve ou teña que ingresar na UCI.
Loxística da vacinación contra a Covid-19
Independentemente da evolución da pandemia, as matemáticas seguirán sendo chave para explicar a Covid-19 e "cada momento da evolución da enfermidade", defende Ricardo Cao, quen sinala novos obxectivos moi interesantes para o futuro. "Axiña empezaremos a traballar co Centro Nacional de Epidemioloxía para predicir o exceso de mortalidade a partir das incidencias acumuladas, tan en voga; a nivel estatal, pero tamén en ámbitos moi locais".
Sen descoidar un escenario no que aínda non deron ningún paso: axudar a definir a estratexia de vacinación contra o coronavirus. "Máis aló do criterio básico das autoridades sanitarias, por onde é mellor comezar: pola poboación máis vulnerábel ou pola que pode infectar moita máis xente? Que pode ter máis efecto de cara ao control da pandemia? As matemáticas poden ofrecer información moi valiosa", conclúe.
