Patrones cambiantes en la distribución geográfica del COVID-19: Propuesta de modelización aplicada al caso de Madrid
Por Adolfo Maza, Universidad de Cantabria
Parece claro que el shock protagonizado por la COVID-19 posee peculiaridades que lo convierten en único. Por un lado, combina, como ningún otro, impactos tanto desde el lado de la demanda como de la oferta. Por otro lado, plantea un evidente dilema entre salud y economía, ya que las restricciones basadas en la movilidad, destinadas a aplanar la curva de incidencia del virus, han conducido, inevitablemente, a una reducción de la actividad económica. Por si esto fuera poco, además su influencia se extiende a otras esferas de la vida, hasta el punto de que hoy en día todo el mundo está familiarizado con términos como “distanciamiento social”, “confinamiento”, “aplanar la curva”, “teletrabajo”, “grupo de riesgo”, “inmunidad de rebaño”, etc.
En consecuencia, numerosos artículos han abordado el estudio de la pandemia de coronavirus desde diferentes perspectivas, algunas de las cuales han intentado dar forma a la desigual y cambiante distribución espacial/geográfica de la enfermedad (como en este mismo blog ponía de relieve recientemente el profesor Arauzo-Carod). Para ello, los esfuerzos académicos se han centrado en estudios ecológicos que analizan los determinantes de las infecciones y/o muertes por COVID-19.
Con la idea de contribuir modestamente a tales esfuerzos, el artículo que traigo a colación, elaborado junto con la profesora Hierro y recientemente publicado en una revista especializada (consultar aquí), trata de avanzar en una mejor comprensión de los determinantes de la transmisión comunitaria de la COVID-19 abordando de forma exhaustiva puntos críticos que no deberían ser (pero que a menudo han sido) pasados por alto. En primer lugar, los diferentes motores que pueden ampliar la propagación de la enfermedad deben considerarse conjuntamente debido a interacciones entre ellos, y no de forma individual como se hace en muchos casos; en consecuencia, proponemos y estimamos un modelo que intenta evaluar el papel desempeñado por algunos de esos potenciales determinantes. En segundo lugar, las interacciones espaciales entre áreas vecinas o, dicho de forma más técnica, la existencia de correlación/dependencia espacial, debería incluirse en el modelo; esta cuestión es fundamental porque la ubicación geográfica importa, y mucho, a la hora de explicar la propagación de un virus. En tercer lugar, es crucial calibrar si, dependiendo de la fase de la pandemia, los factores determinantes varían con el tiempo de la mano de la aplicación o relajación de las intervenciones no farmacéuticas, tales como el distanciamiento social/físico.
Con este objetivo, el estudio se ocupa de la primera ola de la pandemia en la región de Madrid; siendo más preciso, se toman datos de 178 municipios y, en lo que respecta al municipio de Madrid, dado su tamaño relativo, se consideran sus 21 distritos. La variable dependiente del modelo recoge la incidencia acumulada a 14 días, siendo los factores explicativos incluidos en el mismo, sin entrar en detalle por razones obvias, los siguientes: índice de movilidad intermunicipal, población, riqueza, inmigración, edad, turismo y, como se ha señalado, la incidencia en los municipios cercanos. Además, resulta importante señalar que el periodo de análisis contiene diferentes fases de la pandemia, especialmente en lo que se refiere a las ya mencionadas medidas de intervención no farmacéuticas. Por ello, el modelo se estima para todo el periodo y para fechas concretas dentro del mismo: 6 de marzo (antes del confinamiento); 15 de marzo (inicio del mismo); 29 de marzo (pico de la pandemia); 27 de abril (fase 0 de la desescalada); 10 de mayo (se prolonga la fase 0); 25 de mayo (fase 1 de la desescalada); 8 de junio (fase 2 de la desescalada); 21 de junio (fin del estado de alarma). Así, se proporciona una visión precisa de la evolución de la primera ola de la pandemia y, sobre todo, de los posibles cambios en los determinantes de la transmisión del virus a lo largo de la misma.
Los resultados del modelo muestran que la importancia de los factores motrices de la epidemia difiere significativamente en función de las medidas de salud pública adoptadas para frenar su transmisión. Al inicio de la primera ola, la propagación de la enfermedad se centró principalmente en municipios muy poblados y caracterizados por una gran movilidad y aglomeración, provocada en parte por el turismo. Posteriormente, se desató un proceso de contagio espacial entre municipios cercanos. A continuación, las restricciones basadas en la movilidad empezaron a tener efectos significativos en la propagación de la enfermedad, que se ralentizó. De todos modos, la movilidad dentro de las áreas metropolitanas contribuyó a la aparición de grupos geográficos de municipios con alto riesgo de infección, que permanecieron activos debido a las dificultades para reducir la incidencia del virus dentro de sus fronteras. Además, las zonas con mayor población de edad avanzada fueron las más vulnerables en la primera etapa de la pandemia. Las estimaciones también aportan alguna evidencia de que los municipios con menor renta disponible son más propensos a las oleadas pandémicas.
Los resultados obtenidos tras el periodo de confinamiento proporcionan lecciones para el futuro. Por un lado, que la eficacia de este tipo de medidas se mantiene durante algún tiempo incluso después de su levantamiento. Sin embargo, a medida que las restricciones se relajan progresivamente durante las fases de desescalada, la movilidad intermunicipal impulsa de nuevo el contagio y refuerza patrones geográficos relacionados con la edad, la renta, etc. Por lo tanto, se debe seguir vigilando la movilidad de las personas, incluso, o especialmente, en las fases de desescalada.
Para tratar de cuantificar este punto, realizo un sencillo análisis contrafactual. Empleo los resultados del modelo para todo el periodo para predecir cuál habría sido el número de contagios sin el confinamiento; dicho de otro modo, bajo el supuesto de que el nivel de movilidad se hubiera mantenido constante. Siendo consciente de la simplicidad del enfoque, considero que puede proporcionar una visión aproximada de la importancia de las intervenciones no farmacéuticas y su orden de magnitud. El resultado es esclarecedor en este sentido. El número medio de infecciones (considerando un periodo de 14 días, en línea con los datos de incidencia que nos bombardean cada día) fue, según datos oficiales, de 7.665; en la simulación, alcanzó un valor de 20.675. En otras palabras, el número de infecciones habría sido, sin confinamiento, casi un 170% mayor.
En consecuencia, parece evidente que, hasta que los niveles de vacunación alcancen niveles elevados (inmunidad de rebaño) o, alternativamente, las infecciones por COVID-19 tengan tratamientos sólidos, las restricciones de movilidad o medidas como el uso de la mascarilla pueden formar parte de nuestras vidas. Sea como fuere, este trabajo indica que, una vez que se distingue un patrón geográfico, la acción pública es fundamental para contener la propagación de la enfermedad.
Por último, el artículo postula que, de volver a enfrentarnos a olas tan dañinas como las ya vividas, sean de esta pandemia o, esperemos que no, de pandemias futuras, en lugar de un confinamiento completo deberían aplicarse restricciones de movilidad específicas, de “confinamiento local/parcial”, porque serían menos costosas tanto social como económicamente. Sugiere que los esfuerzos se concentren en las zonas más pobladas con altos niveles de movilidad de la población y un fuerte sector turístico. En estas zonas debería haber controles masivos aleatorios y equipos de “rastreadores” bien formados (familiarizados, por ejemplo, con la zona y sus barrios) dispuestos a actuar para imponer los cierres y el distanciamiento. Si se hace de forma eficaz, confinamientos locales podrían ser suficientes para controlar la propagación del virus.
Artículo completo: Maza, A. y Hierro, M. (2021) Modelling changing patterns in the COVID-19 geographical distribution: Madrid’s case, Geographical Research, https://doi.org/10.1111/1745-5871.12521.
“La riqueza de las regiones” constituye un instrumento de comunicación e intercambio de ideas promovido por Asociación Española de Ciencia Regional (AECR). Para más información sobre la actividad de AECR visite su Página Web o síganos en Facebook, Linkedin y/o Twitter.