MAPFRE
Madrid 2,55 EUR 0,07 (+2,66 %)
Madrid 2,55 EUR 0,07 (+2,66 %)

TECNOLOGÍA | 01.06.2020

¿Son las matemáticas capaces de cambiar el futuro?

By Alvy (Microsiervos)

Kevin Systrom es informático y millonario. Es sobre todo conocido por ser uno de los cofundadores de Instagram, empresa que fue adquirida en 2012 por Facebook. Allí desarrolló su trabajo presidiendo la compañía en sus inicios hace una década hasta hace algo más de un año. Desde entonces se dedica a otros proyectos, especialmente invertir en pequeñas nuevas empresas y aprender sobre diversos temas que le interesan

En los últimos meses Kevin Systrom ha dedicado parte de su tiempo a aplicar sus conocimientos y experiencia al análisis de los datos públicos de la pandemia por la enfermedad del coronavirus (COVID-19). Su planteamiento, que ya aplicó en Instagram y otros proyectos hace años, es que a partir de los datos se pueden aprender muchas cosas, desarrollar modelos matemáticos que expliquen y lleguen a predecir el futuro –incluso partiendo de datos imperfectos– y especialmente cómo se puede actuar sobre ellos. Lo define en una frase:

«Si con un modelo matemático sobre un tema determinado puedes estimar mil futuros posibles, quizá puedas saber qué tipo de actuaciones te llevarían a los que más te interesan.»

En una entrevista en el podcast de Recode, y especialmente en una serie de artículos, explicó todos los detalles. Los artículos tienen un perfil divulgativo aunque un poco técnico; en parte están basados en las matemáticas que se usan en campos como la inteligencia artificial. Comenzaron a publicarse el 19 de marzo de 2020, cuando en Estados Unidos había apenas 9.000 casos y muy pocas víctimas:

Las fórmulas que aplica Kevin Systrom –que lo primero que hace es reconocer que no es epidemiólogo– son las del llamado modelo SIR epidemiológico, que hemos visto mencionado muchas veces por los expertos en las noticias. Estos modelos son versiones simplificadas del mundo real, pero útiles para ver cómo se comporta una epidemia. Sus siglas provienen de la división de los individuos de una población en tres grupos:

  • (S) Susceptibles
  • (I) Infectados
  • (R) Enfermos

La evolución del grupo (por ejemplo, en un país) varía con el paso del tiempo, arriba y abajo, y traza las famosas curvas en un diagrama, cuyo aspecto depende a su vez de dos variables: la tasa de transmisión y la tasa de recuperación.

La capacidad de influir en el futuro

A Kevin Systrom le llamó la atención que variables como la tasa de transmisión se parecieran mucho a las que definen el crecimiento de las apps y los contenidos en las redes sociales: si cien personas se instalan una app cuando se lanza al mercado y cada una convence a otras dos para que se lo instalen pronto habrá 200, luego 400, 800, 1.600… algo que por similitud se conoce de hecho como “efecto viral”. Es un crecimiento de tipo exponencial, más o menos pronunciado, según algunas variables numéricas clave bien definidas. Al cambiar, estas variables producen efectos como los famosos «aplanar la curva» o «doblar el pico».

Cuando en esos modelos matemáticos se utilizan los datos reales que se van conociendo a lo largo del tiempo, se observa su gran capacidad predictiva. A esto ayuda mucho que en el caso de la COVID-19 hay cantidades enormes de información y además muy detallada. De hecho, Kevin Systrom esperaba equivocarse porque el modelo inicial le indicaba una cifras altísimas para los pocos datos que se tenían de Estados Unidos; el tiempo por desgracia le dio la razón. También tiene claro que esos factores no son los mismos para cada país por diversas razones complicadas de modelizar.

Pero lo más interesante es que esos modelos pueden retocarse con más detalles, las llamadas intervenciones, entre ellas y en el caso de la COVID-19:

  • Mantener la distancia social
  • Usar mascarillas
  • Confinar a la población de una ciudad
  • Limitar la movilidad en coche, transporte público o avión

Muchos países han utilizado esas tácticas o intervenciones para actuar sobre los efectos de la enfermedad e intentar volver a la normalidad lo antes posible. Kevin Systrom lo compara con lo que sucede tras añadir una nueva función o un botón extra a una app: estudiando los datos es fácil valorar a los pocos días si esa medida ha sido buena o mala.

La confianza en la ciencia

Para muchas personas es difícil confiar en algo tan frío como los datos, las tablas de números, las fórmulas y modelos matemáticos. Pero es la mejor herramienta con la que cuentan los epidemiólogos para intentar definir qué puede suceder en el futuro. Tan pronto como se reciben nuevos datos sobre los factores clave (tasa de transmisión, capacidad hospitalaria, tasas de recuperación, mortalidad, etcétera) se pueden añadir y actuar en consecuencia.

Lo que es más: debido a la gran cantidad de datos disponibles, cualquiera podría en principio «elegir su propio futuro»: una persona puede saber el riesgo que tiene salir a la calle o quedarse en casa; la probabilidad de contagiarse al mantener un encuentro con un grupo de dos, diez o cien. Incluso un negocio podría estimar la probabilidad de que entrara una persona contagiada a la tienda dependiendo del «momento que marca la curva».

Es sin duda esperanzador saber que la intervención humana puede tener una gran influencia en el futuro de una pandemia. Aunque los modelos a veces consideren que variables como la tasa de transmisión son estáticas, es algo que depende del comportamiento de las personas. La actitud de la gente, las actuaciones sanitarias y las políticas de los gobiernos pueden hacer que el riesgo disminuya, produciendo un efecto drástico sobre el resultado. Sabiendo todo esto hay un mayor aliciente para que todo el mundo respete esas medidas y actuar de forma coordinada en una situación que afecta a todos.

___Foto: (CC) Cristopher Michel @Wikimedia