Skip to main content

Los autores de esta columna buscan apoyar la toma de decisiones de la nueva autoridad sanitaria indicando las variables que se tienen que considerar para hacer modelos que predigan el comportamiento del Covid-19. Esas variables son aquellas que reflejan disparidades socioterritoriales, socioambientales, sociosanitarias y socioeconómicas. Como no han sido consideradas hasta ahora, dicen, los modelos predictivos se han derrumbado como castillos de naipes, según él ex ministro Mañalich dijo. Aquí se identifican zonas donde esas variables se concentran y pueden causar miles de muertes: Maipú, San Ramón, La Pintana, El Bosque, San Bernardo, Estación Central y Peñalolén entre otras comunas.

Por Ricardo Crespo, Nicole Leppe e Ignacio Hernández

Aún recordamos cuando el ex-ministro de Salud declaró en un medio de comunicación que “todos los ejercicios epidemiológicos, las fórmulas de proyección con las que yo mismo me seduje en enero, de proyectar, qué se yo, se han derrumbado como castillo de naipes”. Y en parte, es cierto. Todo modelo estadístico de predicción está calibrado sobre la base de una serie de supuestos, los cuales se derrumban como castillos de naipes en un sistema tan complejo como son las ciudades (grandes, medianas o pequeñas) y sobre todo en las sociedades que las componen y sus formas de organización. De ahí la frase también atribuible al ex-ministro “La realidad ha superado a cualquier modelo”.

Es tiempo, por lo tanto, de entender mejor la realidad, nuestra realidad, no la de Nueva Zelanda, China o Estados Unidos, sino la nuestra, con una amplia diferenciación socioterritorial y segregación. Una realidad con injusticias que se reflejan en el territorio.

No basta solo con una buena elección de algoritmos, sino también es necesario entender las complejidades geográficas de los sistemas urbanos de nuestro país si queremos elegir las mejores políticas públicas de control de la pandemia. El gobierno apostó por la inmunidad rebaño, postergando cuarentenas cuando los mismos municipios, que conocen mucho mejor sus realidades socioeconómicas, clamaban por declarar cuarenta en sus comunas. Inmunidad rebaño quiere decir que un alto porcentaje de la población (se habla de cifras entre un 50% a un 70%) se contagie de manera tal que se pueda detener la propagación del virus, asumiendo que los recuperados presentarán inmunidad. El Reino Unido la abandonó esta estrategia en marzo y está siendo fuertemente cuestionada en Suecia. Es claro que en Chile esta estrategia también fracasó, y al menos esperamos un giro o una modificación sustancial de esta luego del cambio de ministro de Salud.

¿Podría el gobierno haber previsto el fracaso de esta estrategia de haber considerado la gran heterogeneidad territorial de nuestras ciudades? O ¿podría haber considerado los supuestos más importantes detrás de cualquier estrategia o modelo matemático para evitar el derrumbe del castillo de naipes? No son preguntas fáciles de responder, pues son muchísimos los factores involucrados. Pero sin duda que hubiese contribuido a reducir la cantidad de muertes, la velocidad de propagación de la pandemia y el colapso del sistema hospitalario.

Un primer supuesto que debe abordarse dice relación con los patrones de movilidad de las personas. En períodos sin cuarentena, una cantidad importante de personas se desplazan diariamente a lo largo de las ciudades por diferentes motivos, laborales o trámites personales. Cada persona es o un portador que lleva el virus de un lugar a otro, o un receptor que viaja posiblemente a “contagiarse” lejos de su lugar de residencia. Los modelos actuales suelen considerar que los agentes (personas) no se mueven de su lugar de residencia, o de hacerlo, lo hacen en un radio pequeño medido a través de señales de sus teléfonos móviles.

Un segundo supuesto corresponde a una visión más bien homogénea del territorio desde el punto de vista socioeconómico y sociodemográfico. Los niveles de hacinamiento, la densidad de población, la distribución geográfica de las personas con enfermedad crónicas, la distribución del ingreso distan mucho de ser uniformes a lo largo del territorio. ¿Es lo mismo, para efectos de la propagación del virus, viajar de una zona con alta densidad de población a otra con baja densidad? o ¿Es lo mismo para efectos del sistema hospitalario los rangos etarios y las preexistencias de salud de los contagiados? Claramente no.

Si vamos a usar modelos predictivos, entonces comencemos por caracterizar nuestra realidad, y que no nos pase lo que reconocía el ex-ministro de Salud (que representa a un gobierno): “En un sector de Santiago hay un nivel de pobreza y hacinamiento, perdón que lo diga así, del cual yo no tenía conciencia de la magnitud que tenía. Esa es la verdad”. Una verdad que la academia y la comunidad científica conocían ya hace mucho tiempo.

Comencemos con una radiografía del Gran Santiago como ejemplo. Las siguientes figuras, que se muestran a continuación, fueron recientemente publicadas por los autores en la revista de planificación y ordenamiento territorial Letters in Spatialand Resources Science[1]. Se observa una ciudad altamente segregada de acuerdo al ingreso de su población, donde el sector nororiente concentra los ingresos más altos de la ciudad. A tan solo 20 kilómetros de esta zona, los ingresos promedios pueden llegar ser hasta ocho veces menores (ver primer intervalo en la leyenda).

Figura 1. Promedio del ingreso per cápita por zona censal

Fuente: elaboración propia basado en datos del Censo y Casen 2017.


Sabemos que esta injusticia territorial puede tener un efecto en la propagación de virus, pero veámoslo más detalladamente en otro mapa que nos muestra cómo se distribuyen geográficamente los niveles de hacinamiento de la población.

Como indicador de hacinamiento, utilizamos la tasa dada por el número personas habitando una vivienda, dividido por número dormitorios en la vivienda. Y como umbral de hacinamiento seguimos el utilizado por la Cepal en 2011[2], que define a una vivienda en condición de hacinamiento como aquella donde el indicador es igual o mayor a 3.

En la Figura 2 se observa el nivel de hacinamiento por zona censal para el Gran Santiago. La leyenda indica el porcentaje de viviendas en condición de hacinamiento. Como se podría esperar, los mayores niveles se localizan en las zonas con menor ingreso per cápita. Dada la alta capacidad de contagio observada del covid-19 (se estima un número de reproducción R0 entre 2 y 3) cada una de las zonas censales con alto nivel de hacinamiento corresponde en sí a un foco de rápida propagación de virus.

Figura 2. Porcentaje de hacinamiento por zona censal

Fuente: elaboración propia basado en datos del Censo 2017.


Pueden identificarse como comunas críticas a La Pintana, San Bernardo, San Ramón, La Granja, Lo Espejo, Santiago, Recoleta, Independencia, Cerro Navia y Estación Central, entre otras. El mapa muestra adicionalmente la variabilidad que existe incluso al interior de cada comuna (propia de los sistemas urbanos por lo demás) lo que nos permite poner a disposición de las autoridades de manera mucho más desagregada geográficamente los puntos más críticos de la ciudad.

Sin embargo, el nivel de hacinamiento no basta en sí para identificar polos geográficos de propagación del virus. Una alta densidad de población en zonas donde no necesariamente existan elevados niveles de hacinamiento también contribuye a una rápida propagación.

Mostramos en la siguiente figura la densidad de población por manzana expresada en número de personas por hectárea. Adicionalmente, para evaluar el impacto en la población crítica, agregamos por zona censal el porcentaje de personas con enfermedades crónicas. Este indicador fue obtenido mediante métodos avanzados de simulación espacial en base a la encuesta Casen y el Censo 2017. El mapa resalta aquellas zonas censales donde más del 50% de las personas se han atendido por alguna enfermedad crónica en los últimos 12 meses.

Figura 3. Densidad de población y enfermedades crónicas

Fuente: elaboración propia basado en datos del Censo 2017.


La figura nos permite visualizar zonas críticas de la ciudad donde la combinación de niveles de hacinamiento, alta densidad de población y altos niveles de enfermedades crónicas pueden convertir la actual pandemia en una catástrofe aún mayor lamentando miles de fallecimientos.

Observamos en particular sectores en las comunas de Maipú, San Ramón, La Pintana, El Bosque, San Bernardo, Estación Central y Peñalolén entre otras. Situación que ya comienza a perfilarse, tal como se indica en la información dada a conocer por Alejandra Matus en Twitter.

Es importante notar que la densidad está calculada sobre el área neta de los barrios residenciales por manzana. Es decir, el cálculo omite los sectores correspondientes a barrios industriales, comerciales, parques, zonas abandonadas, etc. Por este motivo, la cifras de densidad poblacional son mayores a las que de manera habitual se calculan en base a toda el área de una ciudad. Nos encontramos por lo tanto ante un escenario de densidad de población bastante mayor al que usualmente consideramos.

Sobre el escenario descrito por los mapas anteriores, proponemos modelar la evolución de la pandemia considerando ahora los factores de movilidad de las personas y teniendo siempre en cuenta factores claves que condicionan la propagación de cualquier pandemia de similares características a la actual. Estos factores, descritos a lo largo de la historia epidemiológica en la batalla contra las epidemias y pandemias son, entre otros:

  1. Las características propias del virus: número reproductivo básico (R0);
  2. El comportamiento de la movilidad de los individuos: ej. Origen, destino, frecuencia y propósito de los viajes, medio de transporte, distanciamiento social, uso de mascarilla;
  3. Las características socioeconómicas y sociodemográficas de la población: ej. Nivel de hacinamiento, densidad de población;
  4. La localización geográfica: ej. Nivel de contagio de la zona de origen y destino de los viajes;
  5. Las medidas de control dictaminadas por las autoridades: ej. Cuarentenas (totales o parciales), cordones sanitarios, apertura del comercio, regreso a clases escolares y universitarias.

Nuestra propuesta final es apoyar la toma de decisiones de las autoridades de manera de predecir la propagación del virus en la población, con el objetivo de evitar una situación aún más crítica. Nuestros próximos pasos son construir un modelo matemático que integre los factores mencionados anteriormente y que contribuya a responder las preguntas claves para la toma de decisiones. No basta con mostrar la situación día a día sin entender qué factores o combinación de ellos tienen más peso o influencia en el control de la pandemia. Se necesitan modelos complejos para abordar situaciones complejas. Esto es lo que queremos poner a disposición del país y las autoridades de gobierno.

 

Los autores agradecen el apoyo de Felipe Ulloa, Magister en Gerencia para el Desarrollo FLACSO, Licenciado en Ciencias de la ingeniería Universidad de Santiago, Geógrafo y Licenciado en Geografía Universidad de Chile, quien ha sido consultor internacional en desarrollo de infraestructura y transportes para CEPAL, OLADE, con residencia actual en Silicon Valley California EE.UU

Share on facebook
Share on twitter
Share on linkedin

Notas y referencias

[1]Crespo, R., Hernandez, I (2020). On the Spatially-Explicit Gini Coefficient: The Case Study of Chile, a High-Income   Developing Country, Letters in Spatial and Resource Sciences, 13, 37-47.

[2]CEPAL (2011). Seminario sobre Indicadores no monetarios de privación en América Latina: disponibilidad, comparabilidad y pertinencia. Disponible aquí.

Para obtener el porcentaje de población con defensas necesario para llegar a una inmunidad de rebaño se debe hacer el siguiente cálculo: Inmunidad de rebaño = 1-1/R_0. Donde R_0 es la tasa básica de reproducción. Es decir, para el caso en que se necesita que tengan defensas el 40% de la población asumimos que el R_0 es 1.67 y para el caso en que se necesita que tengan defensas el 70% asumimos un R_0 de 3.33. Esta definición la pueden encontrar en la página 292 y 293 del libro Modeling Infectious Diseases in Human and Animals de Matt J Keeling y Pejman Rohani. 3

Valores obtenidos usando la población de Chile el 30 de junio de 2020 estimada por el Instituto Nacional de Estadísticas (INE) (19.458.340 habitantes).4