De aislamientos y curvas: se desplaza la epidemiológica, más no se aplana

Entre el 19 de marzo y el 11 de mayo se completarán casi ocho semanas de aislamiento preventivo obligatorio para enfrentar el Sars-CoV-2, con períodos más largos en algunas ciudades como Bogotá. Esa decisión, que ha tenido dos prórrogas a nivel nacional, junto con varios cruces de declaraciones entre el Gobierno Nacional y los gobiernos locales, especialmente Bogotá, sólo sirven para aumentar la incertidumbre sobre la política pública, precisamente en momentos en los cuales se necesita que el Estado trate de darle algún grado de certidumbre a la población. Por supuesto que en Anif estamos de acuerdo con el aislamiento obligatorio en la etapa inicial del contagio y creemos que ha tenido buenos resultados. Sobre lo que llamamos la atención, especialmente en los niveles regionales de gobierno, es que ha hecho falta una discusión más balanceada a la hora de tomar decisiones, ya que los costos económicos del aislamiento son excesivamente altos, tanto en materia de crecimiento, como de desempleo, pobreza y pérdida de ingreso para los hogares. Y, como siempre, los que más pierden son los hogares más vulnerables.

Adicionalmente, no es cierto, como se argumenta en algunas discusiones, que el gobierno (ni el de Colombia ni el de ningún país del mundo) esté en capacidad de suplir esos ingresos por un tiempo prolongado. Solo para poner un ejemplo, Anif calculó que la pérdida de ingresos de los hogares más vulnerables hasta ahora va por el orden de los $12,5 billones, mientras que los diferentes gobiernos (nacional y locales) han logrado reponer, como mucho y con un gran esfuerzo de financiamiento, cerca de $2,5 billones. Sin embargo, esos $12,5 billones con el tiempo crecerán, más que linealmente, a medida que las empresas se quiebren por falta de ingresos, despidan a sus trabajadores y se rompan las cadenas de producción. No hay Estado capaz de reemplazar la economía y, menos, en países con altos niveles de informalidad laboral y empresarial, como los latinoamericanos y Colombia dentro de ellos. Ya, a hoy, la situación de sectores como los restaurantes, servicios, comercio y transporte es insostenible. Por eso, pedimos menos discrecionalidad y más balance.

Lo que reflejan, en parte, los cambios y extensiones repetidos de las medidas es que existe un problema de Inconsistencia Temporal (IT) para enfrentar los grandes desafíos del Sars-CoV-2. Hasta el momento, el Gobierno Nacional los ha enfrentado con seriedad y de la mejor manera posible, pero a medida que el aislamiento se alarga se pierde margen de maniobra por la IT. Este fenómeno ocurre cuando las decisiones óptimas tomadas hoy, sobre algo que pasará en el futuro, son diferentes a la decisión óptima que se recomendaría llegado ese momento. La inconsistencia de la política no sólo aumenta la incertidumbre, sino que les hace perder credibilidad, a partir de lo cual los gobiernos ven debilitado su poder para fijar las expectativas y, así, sus políticas carecen de efectividad.1 Obviamente, todas las decisiones de política sufren en alguna medida de problemas de IT. La dificultad es que hay algunas, como la que nos ocupa ahora, en las que el problema es monumental.

De otro lado, debido a que, al principio, el choque del Sars-CoV-2 fue un reto de salud pública, los modelos epidemiológicos han dado un paso al frente en el último mes para asesorar a los diferentes gobiernos del mundo en la toma de decisiones, como ha ocurrido en Colombia. Esto, que ha sido positivo, obliga, sin embargo, a establecer el verdadero alcance que tiene ese tipo de modelos para evaluar diferentes escenarios de política pública. Lo preocupante es que, si la política pública se basa únicamente en modelos epidemiológicos, se genera un problema de IT grave. De continuar así, las políticas e intervenciones serán menos efectivas, lo que pondrá en riesgo tanto el aparato productivo como la victoria del país en la lucha contra el virus.

Los modelos epidemiológicos desconocen que existe una relación, de doble sentido y variante en el tiempo, entre la dinámica de una epidemia y las decisiones de los individuos, lo que termina afectando los parámetros de los mismos modelos, tal como veremos más adelante. Más importante aún, estos modelos ignoran que diferentes políticas públicas generan diferentes incentivos, los cuales causan distintos comportamientos en las personas. Una vez se identifica la existencia de esa relación bidireccional, se hace evidente que no existe ese tal dilema entre vida y economía. En ese y otros sentidos, además, los modelos epidemiológicos son muy similares a los económicos, aunque tratan de predecir diferentes variables de resultado.

Por esa razón, este documento propone una nueva aproximación a la estrategia, que conseguiría tanto aplanar la curva de infecciones, para no sobrecargar el sistema de salud, como no ahogar la la economía del país, de lo contrario esto causaría efectos difícilmente reversibles sobre el desempleo, la pobreza y el bienestar. No es cierto, como se ha argumentado fácilmente, que “las economías y los empleos se recuperan después”.

Además, es importante anotar, para que el público lo asimile correctamente, que los modelos epidemiológicos de la Alcaldía de Bogotá, el Instituto Nacional de Salud (INS), el Imperial College of London y de la Universidad de los Andes, entre otros, concuerdan en que el aislamiento no aplana, sino desplaza la curva. Entonces, se crea el incentivo perverso de que como al finalizar una cuarentena siempre está el riesgo del pico de infección, siempre será mejor alargarla. De ahí el problema de IT. Sin embargo, de acuerdo con esos modelos, es posible aplanar la curva a través de la búsqueda controlada de la inmunidad poblacional, mediante la implementación de aislamientos intermitentes, combinados con otras medidas focalizadas, que sólo serán exitosos si los gobiernos logran superar su problema de IT.

Para el efecto, se propone que los gobiernos traten de disminuir su discrecionalidad y, así, sus políticas sean más objetivas, al mismo tiempo que existan tanto información como indicadores públicos que todos los niveles de gobierno traten de seguir. Para eso, también es fundamental tener un plan de acción y de contingencia que se active y se apague de acuerdo con el desempeño de algunos indicadores. Dentro de ellos, como veremos, tiene especial relevancia el indicador de porcentaje de ocupación en los servicios hospitalarios.

En este momento en el que el país entra, de manera acertada, en una etapa de flexibilización de un nuevo período de aislamiento, es indispensable que las autoridades establezcan los procedimientos a seguir en el caso en que se dé una segunda ola de infección, como es probable que ocurra. La clave es conseguir eliminar parte de la incertidumbre que nos rodea en este momento. De esta manera, los ciudadanos, las empresas y los gobiernos locales podrán tomar con mayor claridad decisiones de corto, mediano y largo plazo.

Por todo lo anterior, en este Informe Semanal nos concentramos en analizar los modelos epidemiológicos y sus limitaciones. Adicionalmente, revisamos en detalle las simulaciones de la Alcaldía de Bogotá y el Imperial College of London y discutimos algunas de sus recomendaciones con los costos económicos y sociales que implican. Finalmente, presentamos nuevamente nuestra propuesta de reactivación de la economía, en cuatro etapas, en la que profundizamos sobre las estrategias para reactivar otros sectores adicionales a los que ya autorizó el Gobierno Nacional. También proponemos que se haga seguimiento a un indicador objetivo relacionado con la capacidad hospitalaria y analizamos cómo su evolución será clave para las futuras medidas del Gobierno.

1. Los modelos epidemiológicos: el análisis de la transmisión de la enfermedad

Con la aparición del SARS-CoV-2, se ha vuelto normal oír hablar a políticos, gobernantes, periodistas y columnistas, entre otros, sobre la curva o el parámetro Ro. La pregunta es si todos estos especialistas entienden bien los alcances y las limitaciones de esos modelos.

Kermack y McKendrick (1927) iniciaron los primeros análisis de lo que hoy se conoce como los modelos SIR (Población Susceptible, Infectada y Recuperada), con el propósito de ofrecer herramientas matemáticas para contestar una simple pregunta: ¿Las epidemias terminan porque no hay más población para infectar o existen otros factores que lleven a su terminación antes de infectar a toda la población? Hoy en día, esos modelos se utilizan para estimar la dinámica de transmisión de una enfermedad en una comunidad a través del tiempo y predecir, con algún grado de certeza, el número de infecciones (principalmente para saber si los servicios de salud tienen la capacidad de atenderlos) y la mortalidad.

Los modelos SIR tienen dos elementos básicos: la distribución de la población y los procesos de transición. En primer término, dividen a la población en diferentes grupos de acuerdo con los posibles estados epidemiológicos. La más simple reconoce grupos susceptibles, infecciosos y recuperados/removidos (sigla SIR). Los susceptibles son aquellas personas que aún no han sido contagiadas, pero que podrían serlo en el futuro. Los infecciosos son aquellos que están padeciendo la enfermedad y que, además, pueden contagiar a los susceptibles, mientras que los recuperados/removidos son aquellos que se recuperaron o fallecieron.

El segundo elemento son los procesos de transición de la población entre los diferentes estados epidemiológicos. Es decir, el modelo debe definir cómo es que la población transita entre los diferentes estados y cuáles estados están conectados entre sí. Por ejemplo, los modelos que simulan la dinámica del SARS-CoV-2 suponen que los susceptibles pueden pasar a ser infecciosos y que los infecciosos pueden recuperarse o fallecer. Bajo esta lógica no se permite que un recuperado pase a ser susceptible con el tiempo. Con esos dos elementos es posible construir unas ecuaciones que determinan la dinámica de la epidemia a través del tiempo. Esas ecuaciones, como veremos, involucran muchos supuestos, incluyendo las tasas de mortalidad y de transmisión (probabilidades).

Los procesos de transición deben definir unos parámetros que determinan la velocidad con que la población va pasando de un grupo a otro. En las versiones más simples, la tasa de transmisión de susceptible a infeccioso en un período depende del número de contactos promedio de un susceptible con otras personas, la probabilidad de que ese contacto sea con un infeccioso y la probabilidad de que la enfermedad se transmita dado un contacto entre un susceptible y un infeccioso. Por el otro lado, el proceso de transición entre infeccioso y recuperados/removidos se modela como el inverso del número promedio de períodos en recuperarse o fallecer. Nótese, de manera importante, que esos parámetros son desconocidos, especialmente con un virus parcialmente nuevo como el SARS-CoV-2 y, por lo tanto, existe una restricción de información, que no es menor, en los modelos (como ocurre con todos, probablemente con la excepción parcial de aquellos modelos propios de las ciencias exactas). También es importante anotar que todos estos modelos simplifican la realidad porque, por ejemplo, es imposible modelar exactamente cómo se contagia cada persona o cómo la enfermedad va a afectar a personas individuales.

Una manera simple de ilustrar estos modelos es imaginar un cuerpo de agua que está dividido en un número determinado de piscinas y va pasando de unas piscinas a otras. El cuerpo de agua es una población, las piscinas los diferentes estados epidemiológicos, los procesos de transición son las diferentes conexiones entre las piscinas y los parámetros determinan la velocidad a la que el agua va pasando por las conexiones.

El famoso Ro conocido, entre otros nombres, como el número básico de reproducción, representa el promedio de personas que un infectado va a contagiar, suponiendo que el resto de la población es susceptible (al momento de la aparición del virus). Si el Ro es mayor a 1, indica que el virus está en un proceso de expansión y va a causar una epidemia. Con el Ro menor a 1 no habría epidemia y el virus desaparecería por sí solo. El Ro se calcula como el cociente entre las tasas de transmisión de susceptibles a infecciosos y las tasas de recuperación y fallecimiento.

Ahora, si el Ro es mayor a 1 (epidemia en etapa de expansión), a medida que más personas pasan de susceptibles a infecciosos, se puede calcular el R, que es el producto de Ro con la participación de susceptibles en la población total:

El R tiene la misma interpretación que el Ro, salvo que no asume que toda la población es susceptible. Es más, el pico de infección se alcanza cuando R pasa de estar por encima a estar por debajo de 1. Lo anterior sugiere que las epidemias tienden a desaparecer a medida que el peso de susceptibles en la población disminuye. Detrás de esta idea está el concepto de inmunidad poblacional, momento en el cual existe un porcentaje lo suficientemente grande de recuperados en la población, lo cual reduce la capacidad del virus para lograr más contagios.

2. Modelos epidemiológicos: víctimas de la crítica de Lucas

La economía ha reconocido ya por décadas que todos estos modelos, incluídos los económicos, son suceptibles de una crítica fundamental. La limitación más importante de estos modelos es que no se pueden utilizar para evaluar los impactos de una política pública. La razón es que toman los parámetros de transmisión, que en la realidad son función del comportamiento de las personas, como exógenos. Es decir, sin importar la política pública que se evalúa y el contexto, estos no cambian dentro del modelo. En el campo de la economía se diría que estos modelos son sujetos a la crítica de Lucas (1976), según la cual los modelos que evalúan políticas públicas no pueden ser ajenos a las variables propias del comportamiento humano. Se trata de un problema común en la economía, especialmente en los años ochenta y noventa, que se ha solucionado parcialmente con el surgimiento de modelos estadísticos rigurosos de evaluación de impacto, como los de diferencias en diferencias (que, de hecho, vienen de la medicina) o el emparejamiento, entre otros.

Nótese que el número de contactos promedio de una persona disminuye si la persona decide aislarse voluntariamente en la casa, no asiste a sitios potencialmente aglomerados, asume con rigor la política de higiene de manos o el uso de tapabocas, conductas que reducen la probabilidad de transmisión de la enfermedad, así haya un contacto entre un susceptible y un infectado. Esto nunca es tenido en cuenta por los modelos SIR, lo cual siempre sesga sus resultados hacia arriba, especialmente en epidemias severas como el SARS-CoV-2, que cambian profunda y rápidamente los comportamientos de la población.

Es decir, los modelos tipo SIR no tienen en cuenta que la dinámica de la epidemia depende, en gran parte, de las decisiones de los individuos y que estas se mueven con los incentivos que genera la misma epidemia y, por supuesto, las políticas públicas. Por lo tanto, es una omisión importante suponer que los incentivos de los individuos y, por ende, su comportamiento, no cambian con la evolución de la pandemia o con la implementación de una política pública. Los mismos modelos epidemiológicos, que se explican enseguida, reconocen sus limitaciones para evaluar políticas públicas2.

De hecho, para Colombia existe evidencia de cambios en el comportamiento individual de las personas, sin que medien políticas oficiales de prevención. Para sustentar lo anterior, vale la pena repasar los gráficos 1 y 2, que utilizan la información de los COVID-19 Community Mobility Reports de Google3 y dan cuenta de las conductas seguidas en nuestra sociedad, aun antes de la implementación de los aislamientos sociales ordenados por los gobiernos local y nacional.

El Gráfico 1 muestra que más de una tercera parte de la caída en la frecuencia de visitas a áreas de comercio y recreación, parques, estaciones de transporte público y lugares de trabajo, observada al 11 de abril en Colombia, ya se había realizado antes del 20 de marzo, fecha en la que empezaron algunos simulacros de aislamiento. Es decir, el comportamiento voluntario de la población mostró que una tercera parte de la caída de visitas a estos lugares ya se había dado antes del inicio del aislamiento a nivel nacional. Los modelos epidemiológicos no tienen en cuenta esto, ni el aumento de comportamientos voluntarios de aislamiento una vez el obligatorio sea removido. Tampoco se tiene en cuenta el comportamiento de las personas para evitar el contagio, como, por ejemplo, el hecho de que se lavan mucho más las manos, siempre usan tapabocas cuando salen a la calle, conservan una mínima distancia con otras personas, etc.

El Gráfico 2 muestra la línea de tiempo para la frecuencia de visitas a supermercados, residencias y demás tipo de lugares para Bogotá. Entre el 20 de marzo y el 11 de abril, la frecuencia de visitas a supermercados había caído en cerca de 80% con respecto al período base4. En otros lugares como parques, comercio y recreación, había caído cerca de 100% y el tiempo en las residencias había aumentado 40%. Todos estos resultados están en línea con los efectos del aislamiento preventivo obligatorio.

Para nuestros efectos, sin embargo, lo interesante del Gráfico 2 está en lo que sucede entre el domingo 14 de marzo y el viernes 20 de marzo. La caída en la frecuencia de visitas a lugares diferentes de supermercados y residencias comienza el 14 de marzo y, para el inicio del simulacro, ya habían disminuido las visitas en cerca de 20% con respecto al período base. Esto es evidencia del poder de la autorregulación ciudadana y, en consecuencia, que no es necesaria una política pública excesivamente estricta para que las personas comiencen a cambiar su comportamiento. De igual forma, la visita a supermercados se acelera el 18 de marzo hasta alcanzar un aumento de 25% para el 20 de marzo y luego se desploma, justo cuando inicia el simulacro de aislamiento de Bogotá. Esto sugiere que las personas aumentaron sus visitas a los supermercados para aprovisionarse antes del inicio del aislamiento.

Chang y Velasco (2020) construyen un modelo teórico para estudiar la relación entre incentivos y la dinámica de una epidemia. Ellos analizan qué tiene en cuenta una persona cuando decide quedarse en casa en lugar de ir a trabajar, dado que existe una probabilidad de quedar infectado. Sus análisis muestran que los individuos susceptibles comparan el beneficio de ir a trabajar hoy vs. el costo de no ir a trabajar en el futuro,

ponderado por la probabilidad de infección. Lo anterior implica que la decisión de trabajar hoy es una decisión intertemporal.

Los resultados de ese modelo deben ser evaluados por los formuladores de la política en el trance de la pandemia, dado que muestran que hay tres elementos que entran en la decisión, por ejemplo, de cumplir una cuarentena:

(i) El beneficio neto de trabajar hoy vs. quedarse en casa. En este aspecto es relevante la política de transferencias que han hecho los gobiernos durante el aislamiento a las personas más vulnerables.

(ii) La probabilidad de infección. Esta probabilidad, desde la perspectiva de una persona, depende de lo que hagan los demás. Lo anterior implica que también son relevantes las expectativas sobre las acciones de los otros. Si se espera que las personas infecciosas puedan salir libremente, la probabilidad de infección percibida es mayor y, como resultado, los incentivos para trabajar son menores.

(iii) Las expectativas con respecto al futuro. La decisión contemporánea también depende de lo que las personas esperan que vaya a pasar. Por ejemplo, una extensión en la longitud de la cuarentena aumenta el costo de no ir a trabajar en el futuro. Por ende, en este escenario, son mayores los incentivos para que hoy una persona salga a trabajar. Este elemento también resalta que las políticas del gobierno que afecten las expectativas de las personas deben ser fuertes para incentivar quedarse en casa.

En suma, el comportamiento de las personas depende de los incentivos que el contexto contemporáneo y futuro les brinda. A su vez, la dinámica de la enfermedad depende del comportamiento de las personas. Dada la limitación de los modelos epidemiológicos, esta relación entre incentivos y epidemia hace que una autoridad no pueda basarse exclusivamente en estos modelos para evaluar el impacto de una medida, sino que, en el mejor de los casos, debe ser uno de los muchos insumos para tomar decisiones.

3. Análisis del Modelo Epidemiológico de la Alcaldía de Bogotá

Empezamos por resaltar el esfuerzo del gobierno distrital para hacer público el modelo utilizado, lo cual, en sí mismo, ya es un avance importante que debería ser imitado por otros gobiernos y autoridades. Ahora bien, el modelo epidemiológico de la Alcaldía de Bogotá5 divide a la población de la ciudad en ocho categorías diferentes: susceptibles, expuestos, cuatro grupos de infecciosos según la severidad de los síntomas, recuperados y fallecidos. De acuerdo con esta modelación del SARS-CoV-2, los procesos de transición entre grupos se pueden resumir en 23 parámetros que incluyen período de latencia, tasas de contactos entre infecciosos y susceptibles, probabilidades de contagio y tiempo y probabilidades de recuperación y de complicación del estado de salud.

Si bien el ejercicio es interesante, llama la atención que los parámetros más relevantes y que, en últimas, conducen a las conclusiones y posteriores decisiones de política pública, en su mayoría corresponden a supuestos u opiniones de expertos médicos y no a indicadores observados. Por ejemplo:

(i) El número básico de reproducción (Ro) es de 2.6. Cifra que varía entre 0.9 y 1.5 para países como Alemania, Francia e India, entre muchos otros. De hecho, entre los modelos que pudimos analizar, la cifra de Bogotá es la más alta de lejos. Por ejemplo, un documento académico encontró que, en el norte de Italia, probablemente una de las regiones del mundo con mayor reproducción del virus, esta cifra se ubicó entre 2.4 y 3.16.

(ii) La probabilidad de recuperación, la cual depende del grupo de infecciosos al cual pertenecen los individuos, varía entre 10% (enfermos severos) y 56% (enfermos leves y moderados). Sin embargo, algunos estimativos preliminares indican que esta probabilidad es mucho mayor, entre 97% y 99%. Esto se debe a que hay muchos pacientes asintomáticos y sólo hasta el final de la pandemia se conocerán los números reales de los infectados.

(iii) La probabilidad de que un infectado muera es del 2%, que también es el resultado de aplicar varias fórmulas, pero siempre de acuerdo con el criterio médico y no con datos observados. Vale la pena resaltar que todavía es muy pronto para calcular cuál es la tasa de mortalidad del virus, tal como lo han dejado claro las diferentes autoridades epidemiológicas nacionales e internacionales. Para hacer este cálculo es necesario estabilizar el número de casos infectados y la cantidad total de muertes, es decir, se requiere el final de la pandemia. Normalmente, la Organización Mundial de la Salud (OMS) espera un tiempo prudencial, seis meses a un año, después de declarada superada la pandemia para hacer estos cálculos7. No obstante, algunos análisis (preliminares), incluida la misma OMS, realizados con técnicas de regresión apropiadas, indican que la tasa podría ubicarse entre 1% y 1.4%, y no en 7% como se podría calcular hoy en día con la información disponible. De hecho, investigadores del Instituto Nacional de Alergias y Enfermedades Infecciosas y del Centro para el Control y Prevención de Enfermedades, ambas instituciones en Estados Unidos, indican que incluso la tasa de mortalidad podría estar por debajo del 1%8. En todo caso, el 2% que se utilizó en el modelo del Distrito podría tener en cuenta estas estimaciones.

Adicionalmente, llamamos la atención sobre una de las variables que resultan clave para la estimación: la población total de Bogotá. En el modelo el valor fue de 7.413.000, que es la observada en el Censo de Población y Vivienda de 2018 y no la proyección para 2020 que es de 7.700.000. Esto debería considerarse para una próxima versión del modelo. Cabe anotar que, en el propio documento de la Alcaldía de Bogotá, se menciona que “será clave contar con mejor calidad de la información para cuantificar la incertidumbre del modelo, establecer intervalos de predicción y estimar estadísticamente los parámetros”. Es decir, aún hay espacio para tener información más actualizada que permita modelar apropiadamente los parámetros. Probablemente, una segunda versión del modelo tendrá información con más de dos meses desde el caso inicial.

Se simulan tres escenarios: (i) sin cuarentena; (ii) cuarentena hasta el 27 de abril; y (iii) cuarentena hasta el 20 de junio. Además de tener una diferencia en la longitud, la simulación supone que la cuarentena del escenario 3 es más efectiva en reducir los contactos entre susceptibles e infecciosos que la cuarentena del escenario 2. En el documento no se explica la razón detrás de esta diferencia, que perfectamente puede ser lo contrario. Es decir, entre más largo sea el aislamiento, en la vida real aumenta la probabilidad de que más gente lo incumpla.

A pesar de que en el escenario 3 el R disminuye a 1.1, mientras que en el escenario 2 lo hace a 1.3 durante la implementación de la intervención, la única diferencia entre las simulaciones de los escenarios es el desplazamiento del pico de casos severos y críticos (necesidad de hospitalización) de agosto a octubre. Los mismos dos meses adicionales que dura la cuarentena del escenario 3. Un resultado que, por decir lo menos, brinda poco soporte al aislamiento, más aún cuando se tienen en cuenta los altísimos costos económicos que conlleva.

Lo relevante entre los escenarios 2 y 3 del Distrito es que no hay diferencia entre el nivel simulado del pico de infección, lo que indica que la curva no se aplana, sino que se desplaza. Lo importante para juzgar las cuarentenas modeladas, es que, para final de año, la diferencia en el número de fallecidos generado por cada escenario es menor a 1%. Es decir ¿vamos a aumentar el desempleo, la pobreza, reducir los ingresos de los hogares más pobres, exponiéndolos al hambre, a cambio de un resultado tan poco esperanzador en términos de muertes?

4. Modelo del Imperial College of London

Como se sabe, el Equipo de Respuesta al SARS-CoV-2 del Imperial College of London construyó un modelo epidemiológico para evaluar Intervenciones no Farmacéuticas (INF) para disminuir la transmisión del virus en economías desarrolladas9.

La conclusión para resaltar es que, bajo cualquiera de los dos escenarios de Supresión o Mitigación, la necesidad de UCIs supera la capacidad instalada hospitalaria en algún momento. El escenario de Mitigación corresponde a los tres meses de implementación de la estrategia mientras que, con la Supresión, esto sucede una vez se finaliza la implementación y se flexibiliza la política.

En consecuencia, este estudio sugiere que la única estrategia que evita el colapso del sistema hospitalario es la implementación del escenario de Supresión hasta la aparición de una vacuna, es decir, potencialmente 18 meses o más, o nunca, como ha sucedido con muchos otros virus (otros coronavirus, VIH, entre otros). Esta opción, por supuesto, en ningún país del mundo es viable. Menos en los latinoamericanos que, como Colombia, muestran elevados niveles de informalidad.

5. La cuarentena desplaza la curva, mas no la aplana

Los resultados del modelo epidemiológico de la Alcaldía de Bogotá, así como del estudio del Imperial College of London, que no contemplan cambios en el comportamiento de la población, sugieren que un aislamiento general no aplana la curva de infección, sino que la desplaza en el tiempo. Esto significa que cuando un gobierno implementa una cuarentena “compra tiempo”, lo único que está logrando es posponer el problema para el futuro, lo cual es acertado, como lo ha hecho Colombia, en el sentido de que ese tiempo le permite al país adecuar el sistema de salud en los aspectos fundamentales para poder atender el pico cuando este llegue: más camas en UCI, camas fuera de UCI para los pacientes moderados, equipos de bioseguridad para el personal de salud, equipos mecánicos (incluyendo ventilación), medicamentos paliativos y, sobre todo, capacidad para realizar pruebas masivas. Sin embargo, alargarlo más allá de lo requerido para lograr estos objetivos es inapropiado porque, como se dijo, somete a la población a unos costos económicos y unas pérdidas de bienestar demasiado altos, al mismo tiempo que introduce incentivos para que el aislamiento nunca se acabe, lo cual, paradójicamente, induce a que cada vez sea menos probable que la población cumpla las medidas obligatorias, tal como ya está ocurriendo en Colombia.

Dados estos resultados de los modelos epidemiológicos, no sorprende que los diferentes niveles de gobierno, pero especialmente los locales, estén teniendo un comportamiento característico de Inconsistencia Temporal. Teniendo en cuenta el hecho de que existe un riesgo de que se expanda la epidemia y alcance su pico de infección tras la cuarentena, los incentivos para seguir extendiendo la medida son muy fuertes.

La razón del desplazamiento en lugar del aplanamiento es simple. Sin una vacuna, la única solución para que los seres humanos superen un virus como el SARS-CoV-2 es la inmunidad poblacional. El problema con las cuarentenas es que interrumpen temporalmente el paso entre ser susceptible y estar infectado. Por eso, una vez finaliza la cuarentena, sigue habiendo el mismo porcentaje de personas que se pueden contagiar. En consecuencia, el pico se desplaza en el tiempo, mas no se aplana.

Lo anterior no significa que el desplazamiento no sea valioso para un país. Como se ha dicho en informes anteriores, el aislamiento cumple con el objetivo de desplazar el pico epidemiológico en el futuro y les ofrece tiempo muy valioso a los gobiernos para incrementar la capacidad instalada del sistema de salud. Por ejemplo, aumentar el número de UCIs, iniciar programas de pruebas de diagnóstico y trazabilidad, capacitar profesionales, etc.

El problema es que la capacidad instalada no se puede aumentar al infinito, o al menos con la rapidez que lo demanda un virus como el SARS-CoV-2, porque, contrario a lo que muchos piensan, el límite no es únicamente un tema de ventiladores, sino el número de profesionales de la salud con el que cuenta un país. Estos últimos no surgen espontáneamente de los árboles, como frutos. Por esta razón es que el Imperial College of London sugiere que la política “óptima”, para un país desarrollado como Reino Unido, es la Supresión hasta que surja la vacuna (mínimo 18 meses). Esa es la política que asegura que no se supere la capacidad hospitalaria de un país. Sin embargo, parece existir consenso entre gobiernos, académicos, gremios, trabajadores y hasta la OMS (parcialmente) en que esa política es inviable, también desde el punto de vista de salud mental.

6. ¿Cuánto cuesta ganarse dos meses más?

Los modelos epidemiológicos no sólo ignoran el cambio en los incentivos que generan las políticas de aislamiento y la evolución de la epidemia, sino que son insensibles a los demás costos sociales y económicos de las medidas. En ese

sentido, toda autoridad debe completar su análisis teniendo en cuenta todos los impactos que cuestan sus decisiones, más allá del ámbito de salud pública.

En el Informe Semanal No. 1503 de ANIF mostramos que un aislamiento hasta junio en todo el país, como lo sugiere el modelo epidemiológico de Bogotá, implica una pérdida de ingresos laborales, para los hogares más vulnerables y de clase media, equivalente a $26.9 billones10. Es decir, cada mes adicional de cuarentena implica una pérdida de ingresos laborales de $14.5 billones. Más importante aún, esta pérdida de ingresos se concentra en los ocupados más vulnerables, como son los trabajadores cuenta propia con una educación de bachillerato o menos, asalariados informales y asalariados formales de pequeñas y medianas empresas. Además, se calcula que un incremento en el período de aislamiento implicaría una contracción de la economía de 0.7%. Esto quiere decir, en palabras coloquiales, más desempleo, más pobreza y menor bienestar. El resultado de todo sería una política muy costosa e inequitativa.

El anterior análisis no incluye los costos de largo plazo que implica una contracción económica para un país en desarrollo. Para ilustrarla, veamos qué nos muestra nuestra propia historia. Por ejemplo, tras la crisis económica de 1999, la tasa de desempleo llegó a 20.2% y se demoró hasta 2004 para regresar hasta los mismos niveles de 15% que se registraban antes de la crisis de 1999 y 12 años para caer a niveles inferiores a 10%. Hoy en día, 5 puntos porcentuales de desempleo significan un millón de personas sin trabajo. La pobreza en 1999 se ubicó en el 47% (hoy se ubica en cerca de 25%) y, lo más grave, cerca del 35% de los hogares vulnerables y de clase media perdió sus activos más valiosos: apartamentos, casas y ahorros, por supuesto, además de su empleo.

Pero los costos no son sólo económicos. Por ejemplo, Baird, Friedmand y Schady (2011) estiman que, para países en desarrollo, una caída de 1% en el PIB per cápita implica un aumento de la mortalidad infantil entre 0.24 y 0.4 por 1.000 nacimientos. Esos autores agregan que la mortalidad infantil de niñas es más sensible a los choques negativos económicos que la mortalidad infantil de niños. Adicionalmente, los problemas de violencia intrafamiliar contra mujeres y niños en hogares con problemas de hacinamiento, salud mental y depresión empiezan a crecer de manera importante, tal como ya está pasando en Colombia. Es decir, simplemente los costos del aislamiento son demasiado grandes.

7. Propuesta: Las cuatro etapas, soluciones sectoriales y porcentaje de ocupación de servicios hospitalarios (general, intermedios, intensivos)

Dado que la cuarentena solo aplaza el problema, pero no lo soluciona y, esta medida tiene un costo social alto, concentrado en la población más vulnerable, cabe preguntarse: ¿Existe algo más que un gobierno pueda hacer?

El grupo de Biología Matemática y Computacional de la Universidad de los Andes construyó otro modelo epidemiológico para Bogotá, donde evalúa posibles caminos a seguir después del aislamiento general inicial. Sus resultados confirman lo mismo de los otros modelos: “la duración de la restricción en el tiempo (…) tiene siempre el mismo efecto de desplazar la curva en el tiempo”.11

Sin embargo, este estudio va más allá y evalúa escenarios donde medidas de aislamiento se implementan de manera intermitente en el tiempo. Por ejemplo, se implementa un escenario de aislamiento hasta finales de este mes, se libera en mayo y se vuelve a implementar en junio. Las simulaciones muestran que estos escenarios intermitentes desplazan la curva y, más relevante aún, disminuyen efectivamente el pico de las infecciones. La curva se aplana porque, con las liberaciones, se permite una infección gradual y controlada de la población para incrementar la inmunidad poblacional.

Los escenarios estudiados en el documento de la Universidad de los Andes se diseñaron con períodos fijos de implementación y flexibilización. Por ejemplo, se estudia un escenario de implementación del aislamiento general de manera intermitente con una periodicidad de una semana. Una política de estas con periodicidad fija, que no responde a la dinámica de la epidemia, no es creíble dado que sufre de Inconsistencia Temporal. Lo anterior ha sido evidente en los últimos 50 días. El Gobierno ha extendido varias veces la finalización de los períodos de aislamiento.

Aparte de la falta de credibilidad, la Inconsistencia Temporal genera una gran incertidumbre que impide que las personas tomen decisiones de la mejor manera. Además, como se mencionó anteriormente, la misma incertidumbre puede llevar a que se tomen decisiones que aceleran el contagio de la epidemia o el costo económico. ¿Cuáles son los incentivos para quedarse en la casa hoy de un jefe de hogar que tiene ahorros para alimentar a su familia para un mes, pero no está seguro si la cuarentena va a durar ese mes o tres meses más?

La experiencia exitosa de la banca central en disminuir la inflación desde 1980 en el mundo es un ejemplo de cómo enfrentar los problemas de Inconsistencia Temporal. La clave está en reemplazar la discreción de los gobiernos por un paquete de reglas que sean transparentes y de fácil seguimiento y comprensión para la población. Adicionalmente, ese paquete debe incluir un plan de acción claro para cualquier tipo de contingencia. Para fijar un paquete de reglas es importante tener algunos indicadores clave.

Como se ha mencionado y, bajo el supuesto de que una parte importante de la población va a contraer el SARS-CoV-2 en algún momento, el objetivo de política debe ser prevenir el colapso de los servicios de salud con el fin de, efectivamente, reducir el número de muertes. Esta es la razón detrás de la discusión de aplanar la curva. En este sentido, se deben escoger indicadores que reflejen cómo se ha comportado la epidemia con respecto a la capacidad hospitalaria del país, que es el objetivo, ya que el número de contagios siempre va a estar subreportado y depende crucialmente de la cantidad de pruebas que se hagan. El número de muertes, por su parte, depende parcialmente, y precisamente, de la capacidad de los servicios de salud (decimos parcialmente porque hay pacientes que aun recibiendo la mejor atención posible van a morir). Así, un indicador clave es cómo evoluciona la utilización de la capacidad hospitalaria. De hecho, probablemente es el único indicador objetivo, no sesgado, confiable y directamente relacionado con el principal objetivo de todos (reducir el número de muertes) con el que contamos ahora.

En ese sentido, resulta acertado que el Gobierno haya anunciado que el porcentaje de ocupación de los servicios hospitalarios será uno de los indicadores que considerará en las decisiones de endurecer/flexibilizar el aislamiento. Este indicador tiene varias ventajas frente a otros: (i) no depende de la capacidad de hacer pruebas de un país, como sí lo hace el número de casos identificados de SARS-CoV-2; (ii) se concentra en los casos de infección que son los relevantes a atender; (iii) incluye los casos de hospitalización general e intermedia, los cuales tienen el potencial de empeorar en un corto plazo y pueden anticipar la congestión posterior de las UCI12; (iv) genera incentivos positivos para que el Gobierno siga aumentando la capacidad del sistema hospitalario; y, el más importante, (v) responde a la dinámica de la epidemia. Esto último implica que, si las medidas de higiene personal y de distanciamiento social son efectivas, se pueden tener largos períodos sin acudir a otro tipo de medidas. Al mismo tiempo, si la curva de infección se acelera, lo anterior le permite al Gobierno reaccionar a tiempo y tomar las medidas necesarias.

Ahora, la adopción de ese indicador debe incluir no solo los criterios que definirían la flexibilización/endurecimiento del aislamiento, sino también el detalle del plan de acción a seguir luego de alcanzar esos criterios. La clave es brindar la información suficiente para que la población y las empresas tengan mayor claridad sobre qué viene.

Nótese cómo lo anterior estaría complementando la estrategia de reactivación económica que ANIF ha propuesto desde hace más de un mes (ver Informe Semanal No. 1502), cuyo desarrollo se haría en cuatro etapas (que pueden ser simultáneas):

1. Aislamiento prolongado de la población más vulnerable.

De acuerdo con la información epidemiológica del SARS-CoV-2 recogida por expertos en temas de salud, las poblaciones más vulnerables (en riesgo de morir) son: (i) adultos mayores de 65 años (edad promedio de las personas que efectivamente han fallecido por cuenta del virus en Colombia); (ii) personas con enfermedades crónicas (especialmente relacionadas con el corazón, diabetes o EPOC) o de base respiratorias; y (iii) personas con el sistema inmunológico deprimido, por enfermedades como VIH, cáncer o autoinmunes, entre otros.

2. Retorno paulatino a las actividades productivas de la población no vulnerable.

El reinicio de la economía deberá ser progresivo, priorizándose algunos sectores y actividades, de acuerdo con la probabilidad de propagación del virus. Sin embargo, cabe mencionar que este retorno deberá incluir cada vez un mayor número de actividades productivas, las cuales podrán reactivarse bajo condiciones ajustadas a cada sector y la implementación de estrictos protocolos de bioseguridad, tal como ha venido ocurriendo en la construcción y la industria. Es clave que en el desarrollo de esta estrategia no se den mensajes contradictorios entre los diferentes niveles de gobierno. El nivel de perplejidad y confusión que esto genera entre la población es sustancial.

En este sentido, las siguientes actividades deberían estarse reactivando en las próximas semanas:

(i) Resto del sector industrial: con la adopción de diferentes turnos para los operarios y horarios de transporte.

(ii) Comercio, restaurantes y servicios de peluquería: operando bajo reglas definidas de control de flujo de personas (distancia en los locales y entre mesas, números máximos de clientes), medición de temperatura y desinfección masiva a la entrada de los establecimientos y medidas de bioseguridad para los empleados, entre las más importantes. Cabe anotar que esto también deberá incluir la reactivación de los trabajadores cuenta propia del sector que laboran en las calles, lo cual requerirá de la capacitación sobre medidas de prevención y de protocolos que eviten la propagación del virus.

(iii) Transporte: requiriéndose de mayores frecuencias de viaje y ampliación de los horarios en los diferentes modos de transporte (particularmente vial y, más adelante, aéreo), pero con una menor cantidad de personas transportadas por frecuencia, cumpliendo con las recomendaciones de distanciamiento entre personas. Nótese como esto resulta clave para que los trabajadores del resto de sectores puedan movilizarse de manera segura a sus lugares de trabajo.

(iv) Entretenimiento: aquí se incluyen actividades como cines, teatros y gimnasios, donde se requerirá muy seguramente de protocolos más estrictos para el cuidado de la salud.

(v) Servicios de salud: con la reactivación de las Instituciones Prestadoras de Salud (IPS) donde no se traten pacientes contagiados con el virus, como por ejemplo aquellas IPS de servicios odontológicos.

Claramente, resulta desacertado descartar prematuramente la reactivación de algunas actividades (fuera de las que realmente implican aglomeraciones importantes), pues ello debería estar sujeto al cumplimiento de las mencionadas normas y protocolos, cuyos procesos de verificación deberán ser expeditos y, ojalá, contar con herramientas tecnológicas que faciliten esa labor, tal como se ha venido haciendo en otras ciudades.

Todo esto deberá estar acompañado, por supuesto, de medidas básicas para evitar el contagio. Por ejemplo, manteniendo restricciones para las aglomeraciones de personas y continuar con las campañas de salud pública de prevención del virus (lavado de manos y cuidado a la higiene en lugares públicos y privados).

3. Masificación de la aplicación de pruebas de diagnóstico y adopción de estrategias basadas en mayor tecnología.

La masificación de pruebas resulta ser un elemento esencial para la reactivación económica, sólo de esta manera se podrá aislar a la población contagiada. Adicionalmente, esto deberá complementarse con tecnologías que mejoren las medidas de control y respuesta tradicionales y, además, desarrollen soluciones innovadoras que permitan aplanar la curva de contagios, tal como lo ha venido haciendo Corea del Sur.

4. Atención a la población contagiada con complicaciones en salud.

Esto implica continuar ampliando la capacidad instalada del sistema de salud para la atención de la población contagiada que tenga complicaciones. Si es el caso, habría que preparar capacidad adicional a la que tienen los hospitales y clínicas.

En esta etapa, además, se incluye la adopción del indicador de porcentaje de ocupación en los servicios hospitalarios como elemento clave en la decisión de endurecer/flexibilizar el aislamiento, tal como acertadamente lo anunció recientemente el Gobierno Nacional. Recordemos que la adopción de ese indicador deberá incluir los criterios que definirán la política de aislamiento, así como el detalle del plan de acción a seguir luego de alcanzar esos criterios.

Un ejemplo de estos planes de acción es establecer diferentes niveles de ocupación hospitalaria para adoptar distintas acciones. Por ejemplo, 50%, 60% y 75%. Cuando se llegue al 50%, se endurecen un poco las medidas (por ejemplo, se cierran algunos establecimientos), en 60% un poco más y en 75% se vuelve a un aislamiento como el actual. Esto, por supuesto, es un ejemplo sencillo que sólo busca ilustrar a qué nos referimos. La definición específica de los planes de acción y los números relevantes corresponderán a las autoridades y a los expertos.

Comentarios finales

En este documento revisamos varios de los modelos epidemiológicos que se utilizan para tomar decisiones sobre el aislamiento de la población, como estrategia para contener el SARS-CoV-2. También insistimos en nuestra propuesta de reactivación de la economía en cuatro etapas, en las que en la última incluimos que se haga seguimiento a los indicadores de ocupación en los hospitales y se utilicen como base para las decisiones de gradualidad de reinicio de actividades o de eventuales períodos cortos de aislamiento en el futuro.

Las principales conclusiones son las siguientes:

1. Este documento se basa en una premisa simple: las personas toman decisiones de acuerdo con los incentivos que se les presentan. A su vez, la dinámica de contagio de una epidemia depende de esas decisiones. En este sentido, para que cualquier política sea exitosa enfrentando al SARS-CoV-2, debe generar los incentivos adecuados en la población. De lo contrario, esa política no es exitosa ni sostenible.

Es así como, a diferencia de lo que algunos piensan, una política como un aislamiento general se cumple porque la población decide cumplirla, no porque el gobierno local o nacional la impone.13 A medida que se sigan alargando los períodos de aislamiento, se pierde claridad sobre cuándo se podrá volver a trabajar, se vuelve tangible el aumento en el desempleo y el pico potencial de la epidemia no se aplana. En suma, los incentivos para quedarse en casa van a ser menores.

2. Esta propuesta recoge aprendizajes de la economía y de la epidemiología. El primero es que los modelos epidemiológicos señalan que las cuarentenas no aplanan la curva potencial de casos, sino que la desplazan en el tiempo. El segundo es que los hacedores de política sufren de Inconsistencia Temporal, lo que genera incertidumbre y da lugar a falta de credibilidad en las políticas que implementan. Al acoger una regla con un paquete de acciones, el Gobierno elimina la discreción y brinda certidumbre a la población. Además, el aislamiento intermitente aplana la curva porque permite un contagio controlado de la población para conseguir la inmunidad poblacional de manera más rápida.

Por otro lado, esta regla se puede utilizar como instrumento de coordinación entre los diferentes niveles de gobierno. Las discusiones públicas sobre lo que un alcalde quiere hacer o cree que debe hacer, diferente a lo que el Gobierno Nacional propone, solo genera mayor incertidumbre e incentivos perversos en la población.

3. El SARS-CoV-2 ha causado un choque negativo a todas las economías del mundo y este sólo desaparecerá hasta que surja una vacuna o se vaya alcanzando la inmunidad poblacional. Es decir, el choque a la solvencia de la economía ya sucedió. La pregunta ahora es cómo se evita que problemas de liquidez se conviertan en mayores problemas de solvencia si los aislamientos se extienden en el tiempo. Mayor certidumbre y claridad sobre las medidas del gobierno, así como una relajación ordenada que permita a las empresas y a los individuos tomar aire y recuperar caja, ayudarán a sobrellevar los riesgos de liquidez, que pueden ser nefastos.