Matrices de contacto sintéticas basadas en la movilidad como una solución escalable para la modelización de respuestas pandémicas en tiempo real

Por qué los desplazamientos cotidianos importan en las pandemias

Cuando un nuevo virus respiratorio comienza a propagarse, una de las grandes incógnitas es con qué frecuencia las personas de distintas edades realmente mantienen contactos cercanos. Esos encuentros cotidianos en la escuela, el trabajo, el hogar o el autobús determinan la velocidad a la que la enfermedad avanza en una población. Sin embargo, medir estos patrones en tiempo real, mientras la gente modifica su comportamiento en respuesta a normas y al miedo, es extremadamente difícil. Este estudio plantea una pregunta sencilla pero crucial: ¿podemos usar datos de movilidad y comportamiento rutinarios, en lugar de grandes encuestas periódicas, para rastrear estos contactos cambiantes lo suficientemente rápido como para orientar decisiones pandémicas?

Convertir datos de movimiento en encuentros sociales

Los investigadores se centraron en Francia durante los dos primeros años de COVID-19, un periodo marcado por confinamientos, cierres escolares, toques de queda y la llegada de nuevas variantes y vacunas. Su herramienta central es una "matriz de contactos": una tabla que registra cuántos contactos diarios tienen las personas de un grupo de edad con las de otro. Antes de la pandemia, tales matrices se construían a partir de cuestionarios detallados donde los participantes anotaban sus contactos. Durante la COVID-19, el equipo generó en cambio matrices "sintéticas" semanales partiendo de patrones prepandemia y luego reduciendo o ampliando tipos específicos de contactos según indicadores en tiempo real: la movilidad al trabajo de Google, la asistencia escolar y los calendarios de vacaciones, y encuestas sobre con qué frecuencia las personas declaraban evitar el contacto físico.

Comparando contactos sintéticos con encuestas del mundo real

Para comprobar si estas matrices sintéticas eran fiables, los autores las compararon con siete oleadas de la encuesta SocialCov de Francia, que preguntó directamente a las personas sobre sus contactos en distintos momentos de la pandemia. En términos generales, ambos enfoques mostraron tendencias amplias similares: durante el primer confinamiento, los contactos cayeron hasta cerca de una cuarta parte de los niveles prepandemia, y luego aumentaron lentamente a medida que se alivianaban las restricciones, sin retornar por completo a la normalidad para mediados de 2022. Pero hubo diferencias clave. Las matrices basadas en encuestas indicaron casi el doble de contactos que las sintéticas después del primer confinamiento, una brecha impulsada en gran medida por niños y adolescentes. En periodos con escuelas abiertas, las encuestas sugerían que los menores de 19 años tenían tres a cuatro veces más contactos que las estimaciones sintéticas, mientras que los números de contacto de adultos y mayores concordaban mucho más entre ambos métodos.

Incorporando ambos enfoques en un modelo de enfermedad

La prueba real no fue solo contar contactos, sino ver qué tan bien cada fuente de datos podía reproducir el curso real de la epidemia. El equipo alimentó tres supuestos distintos de contacto en el mismo modelo de transmisión de COVID-19 para Francia: matrices sintéticas semanales, las matrices más escasas basadas en encuestas (interpoladas en el tiempo con supuestos entre oleadas) y una única matriz fija prepandemia. Luego ajustaron un único "factor corrector" global a lo largo de fases sucesivas de la pandemia para capturar influencias no presentes directamente en las matrices, como el uso de mascarillas o la estacionalidad. Los tres modelos pudieron seguir la curva general de ingresos hospitalarios, pero el modelo con matrices sintéticas lo hizo con los errores más pequeños y el mejor ajuste estadístico, especialmente durante periodos de transición como cierres escolares parciales o el levantamiento gradual de toques de queda.

Qué revelan los modelos sobre los riesgos por edad

Al observar más detenidamente los distintos grupos de edad, las matrices sintéticas ofrecieron la imagen más realista para adolescentes, adultos y mayores. Con estas entradas, las hospitalizaciones predichas por el modelo y las estimaciones serológicas de infecciones pasadas coincidieron estrechamente con los datos observados en esas edades. Las matrices basadas en encuestas, en cambio, tendieron a sobredimensionar las infecciones entre niños y adolescentes, probablemente porque contaban más contactos que eran menos relevantes para la transmisión —por ejemplo, encuentros breves o con mascarilla en la escuela. Las matrices sintéticas subestimaron la infección en niños más pequeños, lo que muestra que ambos métodos aún tienen dificultades para capturar los contactos infantiles más significativos. Es importante destacar que los autores encontraron que ningún reajuste global podía corregir una estructura de contactos desajustada: con quién se mezcla cada edad importó más que el mero número total de contactos.

Implicaciones para la respuesta a futuras pandemias

Para el público no especializado, el mensaje principal es que es posible rastrear los patrones de contacto cambiantes con la rapidez necesaria para decisiones en tiempo real sin tener que realizar continuamente grandes encuestas lentas. Al combinar cuidadosamente datos de movilidad, indicadores sencillos de comportamiento y conocimiento sobre dónde ocurren los contactos (hogar, escuela, trabajo, ocio), los equipos de salud pública pueden construir matrices de contacto sintéticas semanales que sean flexibles, escalables y económicas. En este estudio, esas matrices superaron tanto a las matrices tradicionales basadas en encuestas como a los patrones estáticos prepandemia a la hora de explicar quién fue hospitalizado y cuándo. Los autores concluyen que invertir en datos rutinarios estratificados por edad sobre movilidad y comportamiento —y en sistemas que puedan transformar rápidamente esos números en matrices de contacto— será un ingrediente poderoso para respuestas más ágiles y efectivas ante futuras epidemias.

Cita: Di Domenico, L., Bosetti, P., Sabbatini, C.E. et al. Mobility-driven synthetic contact matrices as a scalable solution for real-time pandemic response modeling. Nat Commun 17, 1845 (2026). https://doi.org/10.1038/s41467-026-68557-3

Palabras clave: modelización pandémica, contactos sociales, datos de movilidad, COVID-19 Francia, transmisión estructurada por edad