Artículo escrito por Pau Fonseca 

• Pau Fonseca es profesor de la UPC, docente de simulación, procesamiento de datos, investigación operativa y estadística. En este artículo explica cómo desde InLab FIB se está trabajando para predecir el desarrollo de la pandemia mediante la utilización de gemelos digitales.
• Los gemelos digitales han venido para quedarse y se han convertido en piezas clave que superan el ámbito netamente industrial y van más allá, como por ejemplo el modelado de una catástrofe o pandemia.

Cuando se plantea el reto de entender e incluso poder predecir un fenómeno como la propagación de una nueva enfermedad, el principal problema al que nos enfrentamos es determinar los valores de los diferentes parámetros que definen esta propagación. Uno de los parámetros claves es el famoso número reproductivo básico o R₀, que tiene precisamente como objetivo medir su potencial de transmisión. Este valor representa la media de infecciones secundarias producidas por una sola infección en una población. Hay que tener en cuenta que esto es una abstracción matemática y, rápidamente nos podemos dar cuenta que el número medio de casos secundarios será inferior al número básico de reproducción porque no toda la población será susceptible. Es por ello que tendremos que calcular un nuevo valor, el Rt, o número reproductivo efectivo. Como podemos ver, el problema está servido, ya que caracterizar a la población que sí puede infectarse y transmitir la enfermedad para poder encontrar la Rt dependerá, entre otros factores, de cómo se transmite el virus o del comportamiento de la población y, esto no es una tarea trivial. Además, fijémonos que en el caso del SARS-CoV-2 y la enfermedad que genera, la Covid-19, la información que teníamos hace un año, a principios de 2020, era muy limitada (aunque hemos incrementado mucho nuestro conocimiento, quedan muchas dudas aún por resolver).

Este tipo de problemas, no son problemas que se puedan afrontar desde una óptica que no sea multidisciplinar, dado que hay que tener en cuenta una gran y compleja cantidad de información que se generará durante la evolución misma del proceso de modelado en que trabajamos. Además, esta información se deberá ir incorporando al modelo de forma continua lo que implicará una revisión, continua y nunca acabada, de las hipótesis de trabajo. Fue en este punto y, ante nuestra decisión de participar en el proceso de modelado de la pandemia, donde optamos por una aproximación bien pragmática, basada en una idea bien propia de la industria, bueno, de la Industria 4.0, que nos permitiera obtener resultados bastante precisos con el poco tiempo que teníamos; estamos hablando de crear un gemelo digital de la evolución de la pandemia en Cataluña. 

Un gemelo digital es una reproducción digital de un sistema, que potencialmente puede reproducir en cualquier momento (por lo tanto, podemos crear gemelos digitales para explorar el pasado, el presente o el futuro del sistema) aunque cuando hablamos de gemelo digital usualmente nos ceñimos al estudio del presente y su futuro más inmediato. Esta versatilidad viene dada porque en el núcleo del gemelo digital encontramos un modelo de simulación.

Como hemos comentado, sin embargo, en el análisis de este fenómeno necesitaremos expertos de diferentes áreas que colaboren a través de diferentes puntos de vista. Además, sabemos que errare humanum est, por tanto, necesitaremos mecanismos para poder detectar estos errores, debido a la mala comprensión del comportamiento del sistema o de la codificación del modelo en las herramientas informáticas que emplearemos. Es por ello que, en la creación de un gemelo digital, es clave tener un lenguaje común, que permita que todos los especialistas puedan entender lo que dicen y, por lo tanto, corregir y detectar errores antes de obtener predicciones erróneas debidas a una mala comprensión del sistema. Fijémonos, si tenemos un pronóstico erróneo es un problema, pero si tenemos un pronóstico aparentemente válido, pero que contiene una mala representación de las hipótesis de modelado, no podremos adquirir conocimiento sobre el sistema, que al final, en muchos casos, es la principal motivación de la creación de los modelos. Por lo tanto, una predicción errónea puede ser una magnífica fuente para obtener conocimiento, pero un uso incorrecto de una hipótesis es siempre una pérdida de tiempo (dinero, recursos o vidas en los peores escenarios).

Nosotros utilizamos un lenguaje estandarizado por la ITU-T un lenguaje gráfico y completo, ampliamente utilizado en el marco de nuestro centro de investigación, el inLab FIB,  y esto nos permitió dos cosas, tener una visión gráfica de las hipótesis de modelado (estableciendo este lenguaje común) y permitir una codificación automática (evitando errores) de estas mismas hipótesis y, por tanto, ir más rápido con los pocos recursos de los que disponíamos.

A partir de esta aproximación usando un gemelo digital de la pandemia, fuimos capaces de crear un modelo de evolución de la misma que incorporara los efectos de las opciones de contención sobre la población. Podemos acceder a un cuadro de mando a http://pand.sdlps.com donde se puede ver el pronóstico a través de los indicadores clave y el modelo, validado continuamente contra los datos reales en un enfoque que se llama de validación de la Solución, que es un esquema de validación típico en los gemelos digitales. Cuando el modelo invalida (una divergencia entre la predicción del modelo y los datos), hay que reevaluar las hipótesis y volver a calibrar el modelo, proporcionando información valiosa para entender la situación. Ciertamente, en estas situaciones en las que se analiza un nuevo fenómeno, es más interesante ver que el modelo se ha equivocado y detectar errores en la comprensión del sistema, que obtener un pronóstico aparentemente correcto. Nótese también, que el modelo invalidará de forma natural cada vez que se modifique el sistema de forma externa al mismo como, por ejemplo, cada vez que se aplican las famosas y necesarias restricciones y medidas de control, o como se define en la jerga, acciones no farmacéuticas.

Los gemelos digitales han venido para quedarse. Aunque no han venido ahora, hace mucho tiempo que están entre nosotros, es ahora, con la posibilidad de interconectar las diferentes tecnologías gracias a la explosión de la Industria 4.0, cuando se convierten en piezas claves que superan el ámbito netamente industrial y van más allá, como por ejemplo el modelado de una catástrofe.

Como conclusiones, un gemelo digital de una pandemia, o de un fenómeno natural, no deja de ser un modelo de simulación (o un conjunto de ellos), pero con un objetivo bastante concreto; queremos monitorizar y modificar continuamente el modelo para hacer una réplica continua de la realidad, para poder ir evaluando alternativas y obteniendo predicciones a través del modelo. Este cambio en el objetivo implica el uso de técnicas precisas que permitan mantener este paralelismo necesario entre modelo y sistema y, hacerlo de forma ágil.

La principal barrera a superar será la selección y el uso de un lenguaje común (o conjunto de lenguajes con unas características muy concretas). Sin él es imposible que el proceso de Validación y Verificación se dé de forma ágil. También es necesario un sistema de adquisición y validación de los datos fiable y eficiente. Sin eso no tendremos información en tiempo real del sistema y el modelo no podrá hacer la Validación de la Solución; trabajar y fomentar el uso de datos abiertos es una magnífica respuesta a este problema. También es necesario un equipo que esté gestionando modelo y datos, para poder mantener el gemelo digital vivo mientras dure el sistema/proceso que queremos evaluar. Finalmente indicar que el gemelo digital, como todo modelo, si no tiene credibilidad no sirve para nada y en este punto necesitamos fomentar un cambio de cultura importante en todos los ámbitos de nuestra sociedad. La discusión y la toma de decisiones a partir de modelos será cada vez más necesaria debido a los nuevos retos a los que nos enfrentamos.

Consulta la web de InLab FIB | Consulta el Linkedin de Pau Fonseca