Clave para predecir epidemias de enfermedades infecciosas
Por el equipo editorial de LabMedica en español
Actualizado el 27 Apr 2016
Actualizado el 27 Apr 2016
Un nuevo estudio pone de manifiesto la necesidad de desarrollar e implementar las pruebas de detección de diagnóstico fiables para detectar individuos infectados, ya sea que estén sintomáticos o no.
Imagen: Un cribado con luz ultravioleta para líquidos que contienen potencialmente el Ébola (Fotografía cortesía del Departamento para el Desarrollo Internacional DFID-Reino Unido).
Las epidemias importantes: como el reciente brote de Ébola o la emergente epidemia de Zika pueden ser difíciles de pronosticar debido a la incapacidad de determinar si ciertas personas no están infectadas o si lo están pero no muestran síntomas, de acuerdo a un nuevo estudio realizado por investigadores de la Universidad de Cambridge (Cambridge, Reino Unido). Un desafío principal en la epidemiología de las enfermedades infecciosas es predecir con exactitud las amenazas planteadas por las enfermedades a principios de los brotes emergentes. Las previsiones exactas, en tiempo real, de si o no los informes iniciales de los casos de enfermedad, serán seguidos por una gran epidemia son necesarios para determinar cuáles son las medidas de control que se deben implementar.
El período de incubación de la enfermedad (el tiempo transcurrido entre la infección y la aparición de los síntomas, durante el cual las personas infectadas son clasificadas como pre-sintomáticas), puede conducir a una incertidumbre significativa en el pronóstico durante las primeras etapas de una epidemia. El equipo de estudio usó un modelo matemático sobre el virus de Ébola como caso de estudio para evaluar el efecto de la infección pre-sintomática sobre las predicciones de las grandes epidemias. Los resultados muestran, por primera vez, que las estimaciones precisas del número actual de individuos infectados- y, consecuentemente, la posibilidad de un brote importante en el futuro - no se pueden deducir de los datos basados en casos sintomáticos únicamente. Este es el caso, incluso si se pueden estimar con exactitud los factores tales como: la tasa de infección promedio y las tasas de mortalidad o de recuperación de los individuos en la población.
“Si somos capaces de utilizar las pruebas de diagnóstico para determinar si ciertas personas que no muestran síntomas son susceptibles o en cambio están infectadas, pero no muestran síntomas, estaremos en una mejor posición para calcular la probabilidad de un brote importante”, dijo el Dr. Nik Cunniffe, quien dirigió el estudio. “Puesto que la fiabilidad de las pruebas de diagnóstico afecta la medida en que la predicción es posible, es importante no sólo desarrollar nuevas pruebas de diagnóstico, sino también asegurar que aquellas que tenemos son refinadas continuamente y utilizadas de inmediato”.
Aunque los investigadores eligieron Ébola como un estudio de caso representativo de una enfermedad para la que los informes iniciales de los casos no son siempre seguidos por una gran epidemia, dicen que sus resultados son aplicables a otros brotes, y no sólo los que afectan a los seres humanos. “Estos resultados: que el pronóstico exacto está basado en modelos de información con datos de infecciones pre-sintomáticas, son ciertos para cualquier infección, desde el actual brote de Zika hasta las enfermedades animales: como la lengua azul e incluso los patógenos de plantas: como Xylella fastidiosa, que actualmente está causando una devastación enorme en los olivos del sur de Italia”, añadió el primer autor, Robin Thompson.
Los investigadores reconocen que sus modelos se basan en la configuración idealizada en la que los casos sintomáticos y las muertes son registrados a la perfección y en la que se conocen con exactitud los valores de los parámetros de transmisión de la enfermedad. Sin embargo, la incertidumbre adicional sólo hará que la previsión sea un reto aún mayor. La infección pre-sintomática, por sí sola, hace que la predicción sea imprecisa, lo que refuerza la necesidad de una mejor estimación de los niveles de infección oculta en las poblaciones.
El estudio, realizado por Thompson RN et al, fue publicado el 5 de abril de 2016, en la revista PLOS Computational Biology.
Enlaces relacionados: