Desde que el Gobierno de España impusiera el estado de alarma para limitar los movimientos de la población a causa del coronavirus, los desplazamientos a lugares de trabajo se han reducido un 63 %. En el caso de los movimientos a tiendas y sitios recreativos, la cifra sube hasta el 92 %, según los Informes de Movilidad Comunitaria de Google. Este estudio reúne datos de los usuarios que permiten el seguimiento de su ubicación en sus dispositivos.

Pero en Estados Unidos, donde las medidas de confinamiento dependen de estados y ciudades, y no todos las han implantado, las cifras son bastante más bajas. Así que, varios investigadores de las universidades de California, Berkeley y el MIT (todas en EE. UU.) han utilizado la información de Google como punto de partida para responder a una pregunta crucial: ¿hasta qué punto podría moverse libremente la gente sin provocar importantes resurgimientos del brote?

Al aproximar la tasa de crecimiento de los casos antes del confinamiento y adoptando lo que consideran un cálculo razonable del impacto de la reducción del movimiento en la propagación del contagio, los investigadores estiman que en San Francisco (EE. UU.), donde la tasa global de desplazamientos ha bajado hasta el 40 %, podría volver a aumentar hasta un máximo del 70 % frente a su movilidad habitual. El análisis revela que, incluso ciudades como Los Ángeles, que acumula una gran parte de todos los casos y fallecimientos por COVID-19 en California, podrían aumentar sus niveles de movilidad poco después de alcanzar el pico de la ola inicial de casos.

Pero uno de los investigadores, el profesor asistente de Estadística de la Universidad de California en Berkeley Jacob Steinhardt, destaca que estas conclusiones resultan todavía muy inciertas y que las estimaciones probablemente son demasiado altas. Además, añade que las regiones no deberían suavizar sustancialmente las restricciones sin haber establecido primero medios efectivos de rastreo de la enfermedad para detectar rápidamente cualquier repunte en las tasas de contagio.

La incertidumbre es un reflejo de lo difícil que resulta estimar los efectos de levantar las restricciones sociales. Aunque gran parte de los modelos asociados a la COVID-19 que se han realizado hasta ahora exploran cómo los diversos grados de alejamiento social pueden limitar la propagación de la enfermedad, cada vez más investigadores se han lanzado a intentar predecir el impacto de suavizar esas restricciones.

El Laboratorio Mordecai de la Universidad de Stanford (EE. UU.) también ha desarrollado un modelo para analizar varios enfoques para manejar las próximas fases del brote en algunas regiones del norte de California. Dichos enfoques abarban las opciones entre extender las medidas de confinamiento durante meses, activando y desactivando continuamente las restricciones de alejamiento social, y las de aumentar las pruebas de diagnóstico de la población y el aislamiento de los pacientes contagiados. Cuanto más efectivas se vuelvan las regiones a la hora de ejecutar esto último, los casos disminuirán de manera constante, incluso sin volver a las reglas de alejamiento más estrictas, según el equipo.

Pero el modelado es complicado y los datos necesarios todavía no son consistentes. Estos análisis solo proporcionan estimaciones aproximadas, con márgenes de error muy amplios. Y no podremos tener información más precisa hasta que los investigadores comprendan mejor algunos de los conceptos básicos de la COVID-19, incluida la tasa de propagación generalizada, lo contagioso que es en distintos escenarios y lo rápido que sube o baja el contagio en un lugar determinado.

Una limitación adicional del trabajo de los investigadores del MIT y Berkeley reside en que, aunque los datos de movilidad están correlacionados con las interacciones humanas, se trata de un indicador imperfecto. El hecho de que la sociedad en su conjunto no se esté moviendo tanto sugiere que estamos teniendo menos encuentros directos durante los cuales podríamos contagiarnos unos a otros. Pero caminar 100 metros hasta una fiesta llena de gente es peor que conducir 16 kilómetros hasta un parque vacío, en términos del riesgo de propagación de la enfermedad.

Un punto crucial del trabajo, que Steinhardt y Andrew Ilyas del MIT escribieron en un borrador que aún no se ha publicado ni revisado por pares, consiste en que las comunidades deben mejorar mucho su capacidad para monitorizar los contagios. Steinhardt afirma: "Con los datos que tenemos actualmente, no podemos saber cuál es el nivel de movilidad segura. Necesitamos más y mejores mecanismos para rastrear la prevalencia a fin de realizar todo esto de manera segura".

El análisis también se basa en otras mediciones ruidosas y poco claras, incluidos los ingresos por hospitalización y muertes para estimar la prevalencia de la enfermedad antes del confinamiento. También tuvieron que realizar algunas suposiciones, con las que otros podrían estar en desacuerdo, acerca de cuánto habían alterado las reglas de confinamiento a la propagación de la enfermedad. Gran parte de la incertidumbre general se debe a la irregularidad de las pruebas de diagnóstico ejecutadas hasta la fecha. Si el número de casos aumenta, pero también lo hace la cantidad de pruebas realizadas, resulta difícil determinar si el contagio sigue creciendo o si se está sometiendo a la prueba a una mayor proporción de personas contagiadas.

Esto produce resultados confusos para cualquier formulador de políticas que busque una dirección clara. En particular, en Los Ángeles, la estimada tasa de crecimiento de contagio desde que entró en vigor el orden de confinamiento varía de negativa a positiva. Esto sugiere que, por un lado, la ciudad podría empezar a relajar las restricciones y que, por el otro, debería endurecerlas aún más.

Finalmente, los investigadores destacan que las comunidades deben desarrollar medidas para rastrear los contagios que permitan reducir esta incertidumbre y lograr un equilibrio apropiado entre la reapertura de la economía y la minimización de los riesgos para la salud pública.

Los investigadores proponen varias formas de llevarlo a cabo, incluida la realización de pruebas virológicas en una muestra aleatoria de unas 20.000 personas al día en un área determinada; crear encuestas online a gran escala que soliciten a las personas que informen sobre los posibles síntomas, similar a lo que hacen los investigadores de Carnegie Mellon a través de los esfuerzos con Facebook y Google; y a lo mejor comprobando la prevalencia de material viral en aguas residuales, una técnica que ya hizo "saltar las alarmas" en los brotes de polio en el pasado.

Recientemente, un equipo de investigadores del MIT, Harvard y la start-up Biobot Analytics analizó muestras de agua de una instalación de tratamiento de Massachusetts (EE. UU.), y detectó niveles del coronavirus "significativamente más altos" de lo esperado sobre la base de casos confirmados en este estado, según un artículo no revisado por pares publicado a principios de este mes.