Opinión: Contra los castillos de naipes

JULIO 2020

OPINIÓN

COLUMNA DE

COLUMNA DE

OPINIÓN

No basta solo con una buena elección de algoritmos, sino también es necesario entender las complejidades geográficas de los sistemas urbanos de nuestro país si queremos elegir las mejores políticas públicas de control de la pandemia.

Julio 2020

COLUMNA DE OPINIÓN | Facultad de Ingeniería, Usach

Por Dr. Ricardo Crespo, Nicole Leppe e Ignacio Hernández

L

os autores de esta columna buscan apoyar la toma de decisiones de la nueva autoridad sanitaria indicando las variables que se tienen que considerar para hacer modelos que predigan el comportamiento del Covid-19. Esas variables son aquellas que reflejan disparidades socioterritoriales,socioambientales, sociosanitarias y socioeconómicas. Como no han sido consideradas hasta ahora, dicen, los modelos predictivos se han derrumbado como castillos de naipes, según él ex ministro Mañalich dijo. Aquí se identifican zonas donde esas variables se concentran y pueden causar miles de muertes: Maipú, San Ramón, La Pintana, El Bosque, San Bernardo, Estación Central y Peñalolén entre otras comunas.

Aún recordamos cuando el ex-ministro de Salud declaró en un medio de comunicación que “todos los ejercicios epidemiológicos, las fórmulas de proyección con las que yo mismo me seduje en enero, de proyectar, qué se yo, se han derrumbado como castillo de naipes”. Y en parte, es cierto. Todo modelo estadístico de predicción está calibrado sobre la base de una serie de supuestos, los cuales se derrumban como castillos de naipes en un sistema tan complejo como son las ciudades (grandes, medianas o pequeñas) y sobre todo en las sociedades que las componen y sus formas de organización. De ahí la frase también atribuible al ex-ministro “La realidad ha superado a cualquier modelo”.

Es tiempo, por lo tanto, de entender mejor la realidad, nuestra realidad, no la de Nueva

Zelanda, China o Estados Unidos, sino la nuestra, con una amplia diferenciación socioterritorial y segregación. Una realidad con injusticias que se reflejan en el territorio.

No basta solo con una buena elección de algoritmos, sino también es necesario entender las complejidades geográficas de los sistemas urbanos de nuestro país si queremos elegir las mejores políticas públicas de control de la pandemia. El gobierno apostó por la inmunidad rebaño, postergando cuarentenas cuando los mismos municipios, que conocen mucho mejor sus realidades socioeconómicas, clamaban por declarar cuarenta en sus comunas. Inmunidad rebaño quiere decir que un alto porcentaje de la población (se habla de cifras entre un 50% a un 70%) se contagie de manera tal que se pueda detener la propagación del virus, asumiendo que los recuperados presentarán inmunidad. El Reino Unido abandonó esta estrategia en marzo y está siendo fuertemente cuestionada en Suecia.

Es claro que en Chile esta estrategia también fracasó, y al menos esperamos un giro o una modificación sustancial de esta, luego del cambio de ministro de Salud. ¿Podría el gobierno haber previsto el fracaso de esta estrategia, de haber considerado la gran heterogeneidad territorial de nuestras ciudades?

O ¿podría haber considerado los supuestos más importantes detrás de cualquier estrategia o modelo matemático para evitar el derrumbe del castillo de naipes? No son preguntas fáciles de responder, pues son muchísimos los factores involucrados. Pero sin duda que hubiese contribuido a reducir la cantidad de muertes, la velocidad de propagación de la pandemia y el colapso del sistema hospitalario.

Un primer supuesto que debe abordarse dice relación con los patrones de movilidad de las personas. En períodos sin cuarentena,

COLUMNA DE

OPINIÓN

una cantidad importante de personas se desplazan diariamente a lo largo de las ciudades por diferentes motivos, laborales o trámites personales. Cada persona es o un portador que lleva el virus de un lugar a otro, o un receptor que viaja posiblemente a “contagiarse” lejos de su lugar de residencia. Los modelos actuales suelen considerar que los agentes (personas) no se mueven de su lugar de residencia, o de hacerlo, lo hacen en un radio pequeño medido a través de señales de sus teléfonos móviles.

Un segundo supuesto corresponde a una visión más bien homogénea del territorio desde el punto de vista socioeconómico y sociodemográfico. Los niveles de hacinamiento, la densidad de población, la distribución geográfica de las personas con enfermedades crónicas, las distribuciones del ingreso distan mucho de ser uniformes a lo largo del territorio. ¿Es lo mismo, para efectos de la propagación del virus, viajar de una zona con alta densidad de población a otra con baja densidad? o ¿es lo mismo para efectos del sistema hospitalario los rangos etarios y las preexistencias de salud de los contagiados? Claramente no.

Si vamos a usar modelos predictivos, entonces comencemos por caracterizar nuestra realidad, y que no nos pase lo que reconocía el ex-ministro de Salud (que representa a un gobierno): “En un sector de Santiago hay un nivel de pobreza y hacinamiento, perdón que lo diga así, del cual yo no tenía conciencia de la magnitud que tenía. Esa es la verdad”. Una verdad que la academia y la comunidad científica conocían ya hace mucho tiempo.

Julio 2020

Comencemos con una radiografía del Gran Santiago como ejemplo. Se observa una ciudad altamente segregada de acuerdo al ingreso de su población, donde el sector nororiente concentra los ingresos más altos de la ciudad.

A tan solo 20 kilómetros de esta zona, los ingresos promedios pueden llegar ser hasta ocho veces menores.

Sabemos que esta injusticia territorial puede tener un efecto en la propagación de virus, pero veámoslo más detalladamente en cómo se distribuyen geográficamente los niveles de hacinamiento de la población.

Como indicador de hacinamiento, utilizamos la tasa dada por el número personas habitando una vivienda, dividido por número dormitorios de la misma. Y como umbral de hacinamiento seguimos el utilizado por la Cepal en 2011, que define a una vivienda en condición de hacinamiento como aquella donde el indicador es igual o mayor a 3.

Como se podría esperar, los mayores niveles se localizan en las zonas con menor ingreso per cápita. Dada la alta capacidad de contagio observada del covid-19 (se estima un número de reproducción R0 entre 2 y 3) cada una de las zonas censales con alto nivel de hacinamiento corresponde en sí a un foco de rápida propagación de virus.

Pueden identificarse como comunas críticas a La Pintana, San Bernardo, San Ramón, La Granja, Lo Espejo, Santiago, Recoleta, Independencia, Cerro Navia y Estación Central, entre otras.

COLUMNA DE OPINIÓN | Facultad de Ingeniería, Usach

Sin embargo, el nivel de hacinamiento no basta en sí para identificar polos geográficos de propagación del virus. Una alta densidad de población en zonas donde no necesariamente existan elevados niveles de hacinamiento también contribuye a una rápida propagación.

Adicionalmente, para evaluar el impacto en la población crítica, agregamos por zona censal, el porcentaje de personas con enfermedades crónicas. Este indicador fue obtenido mediante métodos avanzados de simulación espacial en base a la encuesta Casen y el Censo 2017.

Sobre el escenario descrito por los mapas anteriores, proponemos modelar la evolución de la pandemia considerando ahora los factores de movilidad de las personas y teniendo siempre en cuenta factores claves que condicionan la propagación de cualquier pandemia de similares características a la actual.

Nuestra propuesta final es apoyar la toma de decisiones de las autoridades de manera de predecir la propagación del virus en la población, con el objetivo de evitar una situación aún más crítica. Nuestros próximos pasos son construir un modelo matemático que contribuya a responder las preguntas claves para la toma de decisiones. No basta con mostrar la situación día a día sin entender qué factores o combinación de ellos tienen más peso o influencia en el control de la pandemia.

Se necesitan modelos complejos para abordar situaciones complejas. Esto es lo que queremos poner a disposición del país y las autoridades de gobierno.

1. PROMEDIO INGRESO PER Cร PITA POR ZONA CENSAL Fuente: elaboraciรณn propia basado en datos del Censo y Casen 2017.

2. PORCENTAJE DE HACINAMIENTO POR ZONA CENSAL

Fuente: elaboraciรณn propia basado en datos del Censo 2017.

COLUMNA DE OPINIÓN | Facultad de Ingeniería, Usach

3. DENSIDAD DE POBLACIÓN Y ENFERMEDADES CRÓNICAS Fuente: elaboración propia basado en datos del Censo 2017.

COLUMNA DE

OPINIÓN Julio 2020 www.fing.usach.cl