Un modelo ayuda a distinguir qué variante de COVID-19 empuja cada ola

Contar casos de COVID-19 no alcanza para saber qué variante está impulsando una ola, y mirar solo la proporción de genomas secuenciados tampoco cuenta toda la historia. Un estudio publicado en eLife propone combinar ambas fuentes para estimar, en tiempo real, cuántos contagios genera cada variante por separado y detectar antes cuáles están ganando terreno.

La idea apunta a un problema que se volvió central durante la pandemia. Cuando circulan varias variantes al mismo tiempo, una puede subir en frecuencia sin que eso signifique necesariamente que esté provocando más infecciones en términos absolutos. También puede ocurrir lo contrario: una variante perder peso relativo mientras todavía sostiene muchos contagios. Por eso los autores buscaron una herramienta que no se quedara solo con el reparto porcentual de las muestras secuenciadas, sino que integrara esa información con el volumen real de casos registrados.

Para hacerlo, el equipo desarrolló un modelo matemático que combina conteos de casos confirmados con datos de secuenciación genética recolectados en distintos estados de Estados Unidos entre enero de 2021 y marzo de 2022. El objetivo fue estimar el número de reproducción efectivo de cada variante, es decir, cuántas infecciones nuevas genera en promedio una persona infectada en un momento dado. Ese indicador ya se usa para seguir epidemias en general, pero aquí se adapta para separar la contribución de variantes que circulan al mismo tiempo.

Según el trabajo, ese enfoque permitió reconstruir mejor la sucesión de olas que marcaron la pandemia en ese período. En la primavera de 2021, varias variantes como Alpha, Beta, Gamma e Iota compartían escena en distintos lugares. Más tarde, Delta mostró una ventaja de crecimiento mucho mayor y empujó la gran ola del verano boreal. Después, la llegada de Ómicron produjo un salto todavía más fuerte, favorecido no solo por su capacidad de transmisión sino también por su mayor escape a la inmunidad acumulada. El modelo sugiere que ya en diciembre de 2021 Ómicron tenía un número de reproducción inicial entre 2 y 3, antes de que su impacto completo se volviera evidente en los conteos globales.

Uno de los aportes más útiles es que la herramienta puede señalar subepidemias en ascenso antes de que el promedio general las haga visibles. Los autores muestran, por ejemplo, que Delta ya estaba creciendo rápidamente en varios estados en mayo de 2021, cuando el panorama total todavía no revelaba con claridad la magnitud de lo que vendría. Para salud pública, ese tipo de señal temprana puede ayudar a anticipar cambios en vigilancia, comunicación de riesgo o preparación hospitalaria.

El interés del trabajo no se limita a reconstruir la historia del COVID-19 en Estados Unidos. También ofrece una forma más fina de unir vigilancia epidemiológica y vigilancia genómica, dos sistemas que muchas veces avanzan en paralelo. En lugar de preguntar solo qué variante aparece más en las muestras, el método intenta responder qué variante está sosteniendo realmente la transmisión y con qué ventaja frente a las demás. Esa lógica podría servir en futuros brotes de otros virus cuando existan suficientes datos de casos y secuencias.

Aún así, el estudio tiene límites importantes. El modelo es determinista, por lo que no incorpora toda la variabilidad azarosa que puede influir en la transmisión real. Además, sus estimaciones dependen de supuestos sobre el tiempo que pasa entre una infección y la siguiente, un parámetro que si está mal calibrado puede sesgar los resultados. También persiste un problema práctico: la calidad y representatividad de los datos de secuenciación no siempre es uniforme entre territorios y momentos.

En otras palabras, el trabajo no ofrece una bola de cristal para futuras variantes. Lo que sí propone es una manera más informada de leer epidemias complejas cuando varios linajes compiten al mismo tiempo. Después de una pandemia en la que los cambios de variante alteraron una y otra vez el curso de la transmisión, contar con herramientas que distingan mejor quién está empujando cada ola puede marcar una diferencia real en la rapidez de la respuesta.