A principios de mayo de 2020, el número de nuevas infecciones por COVID-19 comenzó a aumentar rápidamente en Chile, amenazando la capacidad de los servicios de salud para acomodar todos los casos entrantes. Rápidamente, el Ministerio de Salud tomó el control de todas las camas UCI del país, coordinando los hospitales públicos y privados como un solo sistema centralizado.
En todo momento, el Ministerio impulsó la adición de más capacidad UCI e implementó el traslado interregional de pacientes desde las ciudades más congestionadas a las menos congestionadas. Todas estas decisiones requerían una previsión detallada de cuántas camas se iban a necesitar en un futuro próximo en cada región del país.
A mediados de mayo, había una preocupante tasa de ocupación de camas UCI, la que alcanzaba más del 95% en la capital, donde se concentraban la mayoría de los casos. Repentinamente, la planificación de la capacidad de la UCI se convirtió en una preocupación de primer orden.
Para dar respuesta a las necesidades urgentes de planificación, a mediados de mayo un equipo de investigación liderado por el Investigador del Instituto Marcel Goic, desarrolló modelos de predicción de a corto plazo de la ocupación de las UCI para todas las regiones del país, partiendo por aquellas con las tasas de ocupación más elevadas.
¿Cómo funcionaba?
Los pronósticos se basaban en modelos compartimentales, en los que los pacientes evolucionaban estocásticamente a través de diferentes estados. En cada región, describían el comportamiento del proceso UCI equilibrando los flujos de entrada y salida de pacientes en tres estados diferentes:
- El número de individuos contagiados que mostraron síntomas de Covid-19.
- El número de enfermos críticos que necesitaron una cama en la UCI.
- El número de individuos que fueron dados de alta de la UCI.
Para estimar las transiciones, consideraron la probabilidad de que un determinado paciente evolucione a otro estado y la distribución de probabilidad para la duración de cada transición. Los modelos tomaron en cuenta que estos eventos dependen de las características de los pacientes y que la duración de cada proceso puede ser muy heterogénea, ya que algunos pacientes necesitan la UCI durante varias semanas.
Para utilizar estos modelos, necesitaban estimaciones precisas de los parámetros epidemiológicos y clínicos relevantes, que para el caso concreto de Covid-19, podían cambiar rápidamente con el tiempo. Por ejemplo, los sistemas de generación de datos estaban bajo un estrés constante y, por lo tanto, la información que disponían podría haber estado desfasada. Asimismo, como el SARS-CoV-2 era un virus nuevo, supuso un aprendizaje continuo por parte de los equipos médicos.
Según la Sociedad Chilena de Medicina Intensiva, a medida que la pandemia evolucionaba, intubaban menos y seleccionaban mejor a los pacientes más graves. Esto implicó una mayor duración de las estancias en la UCI. Para acomodar todas estas cortas variaciones en el proceso, ensamblaron el modelo compartimental con una variedad de modelos autorregresivos y de aprendizaje de maquina automático con la flexibilidad necesaria para capturar estas complejas dinámicas.
Durante los momentos más críticos de la pandemia, Marcel Goic, que también es académico de Ingeniería Industrial de la Universidad de Chile, y su equipo, elaboraron 56 informes de la UCI con resúmenes gráficos intuitivos adaptados para una evaluación rápida por parte de los funcionarios encargados de la toma de decisiones.
Pronósticos Salvadores
El análisis numérico indica que, en comparación con una serie de modelos alternativos, los pronósticos desarrollados por esta investigación tuvieron mayor precisión, logrando errores de pronóstico promedios del 4% y el 9% para horizontes de 1 y 2 semanas respectivamente.
La precisión de los pronósticos era importante. Por un lado, una subestimación de las camas podría haber dejado a los pacientes sin tratamientos críticos. Por otro lado, una sobreestimación de camas era costosa, no solo debido a la limitada disponibilidad de ventiladores, sino también porque implicaba una reconversión de equipos que eran necesarios para responder a otras necesidades médicas.
Este sistema de pronósticos ayudó al Ministerio de Salud a poner en marcha un aumento progresivo del número de camas UCI, que se tradujo en más del doble de capacidad en las regiones más congestionadas.
Una estimación del impacto de este esfuerzo demostró que permitió evitar aproximadamente 850 muertes.
Puedes leer el estudio completo aquí:
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0245272
