Los modelos climáticos podrían ayudar a predecir futuros brotes de enfermedades

Numerosos estudios durante más de dos décadas han demostrado una sólida relación entre el clima y la dinámica de las enfermedades humanas, como el cólera, la malaria y el dengue. Los cambios en el clima, incluidas las tendencias de calentamiento a largo plazo y la variabilidad climática a corto plazo, pueden afectar los patrones de enfermedad. Xavier Rodó, ecólogo computacional y especialista en dinámica climática del Instituto de Salud Global de Barcelona y de la Institución Catalana de Investigación y Estudios Avanzados en España, habló con Naturaleza sobre cómo se podría usar el modelado climático para ayudar a prepararse para futuros brotes de enfermedades, y los obstáculos que ha enfrentado en la implementación de tales sistemas.

¿Cómo afecta el clima a la transmisión de enfermedades?

El clima afecta la aparición y propagación de enfermedades de innumerables formas. Algunos son bastante complejos. Las condiciones climáticas pueden tener efectos en cascada en los ecosistemas que afectan la probabilidad de efectos secundarios zoonóticos, en los que los patógenos saltan de un huésped animal a los humanos. Vemos, por ejemplo, que los cambios de temperatura en la Mata Atlántica brasileña provocan oleadas de fiebre amarilla en los monos aulladores (Alouatta especies) que preceden a las epidemias humanas de manera predecible¹.

A medida que cambia el clima, también lo hará la propagación y la intensidad de los brotes de enfermedades. Los efectos no serán los mismos en todas partes, pero los cambios en la temperatura y las precipitaciones provocarán enormes cambios en la distribución y la dinámica de las enfermedades zoonóticas y transmitidas por vectores. Ya estamos viendo cantidades récord de mosquitos portadores del virus del Nilo Occidental en la ciudad de Nueva York, por ejemplo, cuando normalmente se encuentra más al oeste.

¿Qué evidencia hay de que el cambio climático influya en los brotes de enfermedades?

el primer estudio² Fui parte de lo que demostró esto se publicó en 2002, en colaboración con Mercedes Pascual, ecologista teórica ahora en la Universidad de Chicago, Illinois. En un estudio previo³, habíamos demostrado que la incidencia del cólera en Bangladesh se vio afectada por patrones climáticos a corto plazo. Los casos aumentaron alrededor de seis meses después de períodos de aumento de las temperaturas locales provocados por El Niño Oscilación del Sur (ENOS), un patrón climático recurrente de fases cálidas (El Niño) y frías (La Niña) que ocurren de manera irregular cada 3 a 7 años en el Océano Pacífico. Pero desde la década de 1980, ha habido una marcada intensificación del ENSO, y pensamos que esta tendencia a largo plazo también podría estar afectando la incidencia del cólera. Examinamos datos históricos de cólera que abarcan un período de 70 años y vimos que, entre 1980 y 2001, la incidencia estaba fuertemente correlacionada con ENSO². Sin embargo, los datos de un período anterior a la intensificación no mostraron tal correlación. La tendencia a largo plazo de la intensificación del ENSO, impulsada por un clima más cálido, parece estar afectando la dinámica del cólera.

¿Cómo podría usarse el modelado climático para predecir y prepararse para brotes de enfermedades?

Con las herramientas actuales, es posible, en algunas regiones, pronosticar las condiciones climáticas en la próxima temporada, el próximo verano o incluso más adelante; algunos eventos de El Niño se pueden predecir con hasta dos años de anticipación. Saber con meses de anticipación que va a haber una temporada de lluvias anómala en un país, y cómo es probable que eso afecte la incidencia de enfermedades, hace posible que las autoridades de salud pública anticipen y planifiquen su respuesta. Por ejemplo, podrían abastecerse de medicamentos o rociar insecticidas en ciertas áreas para limitar la eclosión de mosquitos.

¿Cuáles son los obstáculos para desarrollar estos modelos predictivos?

Tanto el cambio climático como la epidemiología de las enfermedades infecciosas son sistemas complejos, y necesitamos reunir a científicos de estas disciplinas muy diferentes para trabajar en este problema. Ahora mismo, la interdisciplinariedad se habla más de lo que se ve. También enfrentamos dificultades para atraer fondos para proyectos de este tipo, y las oportunidades para publicar en revistas establecidas pueden ser limitadas.

La disponibilidad de datos epidemiológicos con los que podamos entrenar y probar nuestros modelos también es un problema. Para el cólera, tenemos mejores datos históricos que datos recientes. Es similar para COVID-19: los informes han disminuido, por lo que tenemos datos mucho mejores para los primeros dos años de la pandemia que los que tenemos ahora. Necesitamos entender que la recopilación de datos a largo plazo es fundamental si queremos estar preparados para futuras amenazas.

¿Cuál es el estado del desarrollo e implementación de dichas herramientas?

He trabajado con un equipo internacional para desarrollar un modelo que utiliza predicciones de El Niño para pronosticar brotes de dengue en Ecuador. El modelo predijo correctamente que en 2016, las temperaturas más cálidas y el exceso de lluvia provocarían un brote en la ciudad de Machala en marzo, tres meses antes de lo esperado. También predijo que había un 90 % de probabilidad de que la incidencia superara el promedio de los cinco años anteriores, y que un El Niño débil en 2019 resultaría en una probabilidad baja de un brote de dengue durante la temporada alta típica.^4,5.

Este modelo y otros han sido adaptados para su uso en otras regiones.⁶. Pero estos modelos aún no han sido recogidos por las autoridades de salud pública. La gente dice que son interesantes, pero no ven el beneficio económico inmediato; lamentablemente, salvar vidas no se valora como debería. Hemos intentado muchas veces implementar nuestro modelo de predicción del cólera en India y Bangladesh —Pascual más veces que yo— sin éxito. También traté de establecer un servicio de pronóstico de malaria en Madagascar, Senegal y Etiopía, porque hay una gran cantidad de datos en los que el modelo puede confiar.⁷. Pero no hemos podido convencer a los interesados.

Este artículo es parte de Nature Outlook: Pandemic Preparedness, un suplemento editorialmente independiente producido con el apoyo financiero de terceros. Acerca de este contenido.

Referencias

1. Rodó, X. et al. Naturaleza Med. 27576–579 (2021).

2. Rodó, X. et al. proc. Academia Nacional. ciencia EE.UU 9912901–12906 (2002).

3. Pascual, m. et al. Ciencia 2891766-1769 (2000).

4. Más bajo. et al. Planeta Lanceta. Salud 1e142–e151 (2017).

5. Petrova, D. et al. En t. J. Climatol. 413813–3823 (2021).

6. Más bajo. et al. eLife 5e11285 (2016).

7. Laneri, K. et al. proc. Academia Nacional. ciencia EE.UU 1128786–8791 (2015).