METRO.Mientras tanto, casi parece un poco tonto enfatizar esta diferencia una y otra vez. Pero simplemente no es lo mismo: lo que producen los modeladores de pandemias, las curvas prospectivas del proceso de infección, no son predicciones. No dices lo que será. Son escenarios. Dicen lo que podría ser, bajo ciertos supuestos y con todas las incertidumbres, cuantificadas en el mejor de los casos. Por el momento es particularmente necesario señalar esta aparente sutileza, ahora que la tercera ola se ha roto y las cifras han vuelto a bajar desde finales de abril. Hasta marzo, los modeladores habían advertido que la tercera ola podría ser la peor. ¿Ha engañado al público con su pesimismo? ¿Son, en última instancia, inútiles los modelos pandémicos?
Esta objeción fue contrarrestada primero con referencia a la conocida paradoja de la prevención: si la advertencia tiene éxito con su advertencia, lo que se advirtió no sucederá. Sin embargo, esta falla no prueba que la advertencia fuera injustificada. En segundo lugar, con una explicación de los modelos a seguir que desempeñan en esta pandemia. En vista de las inevitables incertidumbres que surgen al intentar predecir futuros eventos de infección, esta función solo puede ser la demostración de un espectro de posibles caminos entre el peor y el mejor escenario. Por tanto, debe llevarse a cabo una evaluación de riesgos sobre la base de estos escenarios. El hecho de que a menudo se preste especial atención al peor de los casos se debe a la naturaleza de esta consideración.
La pregunta de por qué no ocurrieron los peores escenarios de los modelos producidos en marzo es, por lo tanto, quizás menos interesante que la pregunta de por qué hay tanta incertidumbre en la modelización del proceso de infección. ¿No se supone que los modelos mejoran lentamente? Esta pregunta lleva a al menos dos aspectos fascinantes: primero, la interacción entre los propios modelos y lo que están estudiando; y segundo, el comportamiento extremadamente no lineal del sistema modelado.
El primer punto ya está ilustrado por la paradoja de la prevención. La publicación de un escenario pesimista conlleva un cambio de comportamiento en la población, que probablemente anula algunos supuestos del propio modelo de cálculo. Un mecanismo de retroalimentación similar obstaculizó el estudio de la estacionalidad del virus el año pasado: después de que los científicos especularan públicamente que el virus estaría en desventaja frente a temperaturas más altas, aire más húmedo y radiación ultravioleta más fuerte en el verano, políticos como Donald Trump difundieron eso las medidas en el verano ya no serían necesarias. El comportamiento descuidado de gran parte de la población alimentó la propagación del virus y, a su vez, falsificó la situación de los datos para los científicos.
La cuestión de cuán grande es realmente la estacionalidad del virus aún no se ha aclarado por completo, incluso después de un año, porque los factores de las propiedades del virus, la adaptación del comportamiento e incluso la variación estacional del sistema inmunológico humano son muy difíciles de separar. . Los modeladores se quejan una y otra vez: si el comportamiento de la población pudiera predecirse de manera más confiable, esto daría como resultado un gran salto en la calidad de los cálculos del modelo.
Su punto de no linealidad se basa en la complejidad del evento modelado. Esto significa que, en ocasiones, cambios mínimos en los parámetros de entrada provocan enormes cambios cualitativos en el comportamiento del sistema. Científicos austriacos publicaron un ejemplo de esto en la revista Nature Communications: Tan pronto como el número de nuevas infecciones se vuelve tan grande que ya no se pueden probar y monitorear adecuadamente, las infecciones crecen repentinamente de manera explosiva. El grupo de Viola Priesemann ya lo había señalado. Tales puntos débiles hacen que las predicciones sean sistemáticamente más difíciles, ya que los sistemas no tienen una gran tolerancia hacia parámetros de entrada inciertos en ciertas situaciones. Esto significa: hay incertidumbres de las que no puede deshacerse. Pero también significa que cualquiera que quiera criticar los modelos debería primero tratar de entender cómo funcionan.
