Cómo pueden ayudar los datos de movilidad a evitar un nuevo confinamiento

La movilidad ha vuelto en muchas provincias a niveles prepandemia. Y en el resto se acerca rápidamente. Importa poco la letra pequeña de qué se puede hacer en cada fase: Guipuzcoa está ya al 91% de la movilidad respecto a principios de marzo, seguida de Zamora, Soria, Alava, Cantabria, Vizcaya o Baleares, todas por encima del 85%. Madrid y Barcelona, en un 62% y un 70%, son las que más pararon y las que más lentamente vuelven a la normalidad.

Estas cifras tienen su origen en datos de movilidad que Facebook ha ido compartiendo desde abril con el grupo de BIOCOM-SC de la Universitat Politècnica de Catalunya. Los datos de movilidad con tanta precisión son nuevos en una pandemia y han sido claves para entender lo que ocurre. “Cada país tiene su modo de hacer y sus leyes. Cada uno ha hecho su confinamiento. ¿Cómo los comparas? Con un dato así tienes algo real”, dice Clara Prats, que coordina el trabajo sobre la covid-19 en el grupo.

Ahora tienen un objetivo nuevo: saber qué nivel de movilidad es gestionable si hay un rebrote. ¿Hasta dónde hay que bajar, sin confinarnos, para que la curva se aplane sin bloquear los hospitales? “Es un tema muy complejo”, dice Prats. Uno de los problemas básicos es que la movilidad ahora puede ser similar, pero las precauciones ahora con mascarillas y menos aglomeraciones provocan que la misma movilidad tenga consecuencias distintas. Es, como dice Prats, complejo. Pero están en ello. “Hemos visto ya que el aumento de la movilidad no afecta igual que los cambios que produjo su reducción: nos movemos, pero lo hacemos diferente a cómo lo hacíamos hace tres meses”, dice Prats. Ahora toca ver cómo medir eso para reducir la movilidad si hay un nuevo brote sin que obligue a confinarnos. Ese número que definiría un confinamiento light, “una fase 0,5 o 0,75”, como bromean los investigadores, está por descubrir.

Un conjunto de casualidades

El trabajo del grupo de Prats va más allá de la movilidad. “Al principio fue un conjunto de casualidades”, dice Prats. Su grupo estudiaba desde hacía 15 años modelos aplicados a enfermedades infecciosas, sobre todo tuberculosis y malaria. Entonces empezó a ocurrir algo en Wuhan, China. “Empiezas a ver datos en tiempo real de una epidemia y en seguida miramos cómo estudiarlo y modelarlo”, añade. Es el arriesgado sueño de todo epidemiólogo.

El objetivo inicial era crear un modelo para predecir el número de contagios en los siguientes cinco días. Al inicio del estado de alarma recibieron un mensaje desde la Comisión Europea: ¿pueden mandar un informe cada día con ese modelo? La Comisión les promete datos de movilidad pronto, sin más detalles.

Con un grupo de investigadores que crece hasta cerca de 30 -contando estudiantes- y cada uno desde su casa, se ponen a trabajar. Su ejemplo es uno más de cómo de imprevista fue la llegada de la pandemia: “Todos los gobiernos se han intentado rodear de grupos como el nuestro. Somos de los pocos que tocamos tantas teclas a nuestro nivel también en Europa”, explica Prats. Su colaboración más cercana es con la Generalitat de Catalunya. A pesar de tener financiación del Gobierno de España, el grupo no tiene ningún canal abierto con Sanidad. “Trabajamos ahora por motivos evidentes sin leer tanta bibliografía, a otro ritmo, no puedes reflexionar tanto, tienes inputs que pescas al vuelo, sin la tranquilidad de mirar”, añade.

Esa velocidad les ha permitido sentirse satisfechos internamente y en silencio ante errores ampliamente aclamados de otros grupos, como el estudio de número de contagiados del Imperial College, que resultó exagerado. En un ambiente así todo es perdonable, pero el grupo de Prats ha optado por ponderar buen los márgenes de error y evitar titulares bomba: “No creíamos en las predicciones a 15 días en el pico de la pandemia. Tan importante es la predicción como dar un margen de error aceptable”.

También vieron antes que Suecia no era el paraíso del control de pandemias que parecía semanas atrás. Su ritmo de contagio y la movilidad que permitía desmontaba la sensación de control que quería dar el gobierno, como así fue.

Desde la Comisión les dijeron que pronto tendrían acceso a datos de movilidad de una gran tecnológica. Al poco supieron que era Facebook. Google y Apple publicaron en abierto sus propuestas, mientras Facebook prefería trabajar con grupos universitarios concretos, tanto en Estados Unidos como en Europa. En el grupo de la UPC el encargado de llevar las conversaciones fue el físico Enric Álvarez, que había modelado células del cuerpo humano. Al final, las células del cuerpo o los habitantes de un país pueden modelarse de modos similares.

Álvarez no tenía claro qué le iban a ofrecer: “Han estado preparando todos estos datos conmigo. Nos hemos peleado con dos empleados de Facebook”, dice. Facebook quería ayudar pero quería entender qué podía necesitar un grupo que trabajara en el frente de la epidemia. Acordaron que lo más útil era la movilidad dentro y fuera de una celda de unos 600 metros de lado: quién se queda dentro, está confinado. Quien sale, se mueve. En seguida vieron el éxito fulminante del confinamiento en España y más progresivo en Italia. Había patrones por países: la caída en contagios coincidía con el descenso de la movilidad.

Álvarez está satisfecho de la colaboración con Facebook y agradece la comunicación con la empresa para aclarar dudas y pedir nuevas variables. Con Google no ha existido esa relación, aunque sus datos les han servido para contrastar intuiciones, y los datos de las operadoras del INE nunca llegaron: “Los datos del INE no son abiertos, no son utilizables, no tenemos relación con quien los recopila”, dice Álvarez. “Tras dedicar mucho esfuerzo a establecer una conexión con Facebook, es muy difícil que se establezca una relación así con el INE. Sería un esfuerzo que ahora no podemos asumir ni tenemos claro que el INE pueda”, añade.

Puedes seguir a EL PAÍS TECNOLOGÍA RETINA en Facebook, Twitter, Instagram o suscribirte aquí a nuestra Newsletter.