La detección del SARS-CoV-2, el coronavirus causante del COVID-19, es uno de los puntos vitales que debemos abordar si queremos frenar la pandemia. En numerosas oportunidades la Organización Mundial de la Salud ha recalcado la importancia de este proceso.

Asimismo, la ciencia también ha marcado a las pruebas generalizadas como el método más efectivo para detectar las infecciones y detener la cadena de contagios. Sin embargo, no todas las naciones cuentan con los recursos para hacer funcionar este método.

Es acá donde la nueva propuesta de las pruebas generalizadas podría hacer presencia. No sería la primera vez que se utiliza este método para detectar enfermedades en grandes poblaciones, pero podría convertirse en la primera herramienta factible para llevar a cabo estos procesos de despistaje en los países en desarrollo que cuentan con recursos limitados.

El problema de las pruebas RT-PCR

Por definición, en estos tiempos de pandemia, las pruebas RT-PCR, o de reacción en cadena de la polimerasa de transcripción inversa, son la alternativa más confiable para realizar un test por coronavirus. No obstante, estas son costosas, sus resultados suelen demorar y requieren siempre del uso de herramientas y personal especializado.

En resumen, todo esto se convierte en una combinación que pocos países de recursos limitados pueden conseguir. Debido a esto, propuestas como la preimpresión presentada en aRxiv pueden ser la solución que se ha estado esperando.

Dentro de ella, se presenta un modelo matemático que da origen a un procedimiento de muestreo basado en la geometría de un hipercubo. Según los investigadores, este sistema de pruebas grupales que se derivaría podría reducir los costos “en un factor de diez a cien o más”.

Tiempo y recursos más eficientes

Como ya lo mencionamos, las pruebas grupales podrían ser una solución inmediata para los centros médicos que no cuentan con todo el personal o los recursos necesarios. Al poder realizar pruebas a pequeños o medianos grupos de personas se optimizan los recursos materiales y humanos invertidos en el proceso.

Asimismo, el tiempo de respuesta disminuye pues se obtiene información de un número de personas mayor en el mismo tiempo en el que los métodos tradicionales solo reflejarían la de una. Ante esto, los investigadores escriben en su estudio:

“Con estos métodos, los costos de las pruebas de masa podrían reducirse. Si las personas infectadas se ponen en cuarentena de manera rápida y efectiva, la prevalencia disminuirá y también lo harán los costos de evaluar regularmente a todos. Dicha estrategia proporciona un posible camino hacia la eliminación a largo plazo del SARS-CoV-2”.

Pruebas grupales en la teoría

Toda esta metodología de las pruebas grupales viene de un campo de la matemática homólogo. Gracias a este, se han desarrollado técnicas que permiten detectar bajo un modelo desde las luces de Navidad defectuosas, hasta un individuo infectado con VIH en medio de una muestra generalizada de hasta 100 participantes.

Ante esto, vemos que pruebas grupales no ofrecen solo un formado de utilización. De hecho, existen varios métodos a través de los cuales estas se pueden aplicar.

En una publicación recopilatoria de la revista científica Nature, se repasan 4 modelos dignos de mencionar en los que las pruebas grupales pueden ser de utilidad para la detección en masa de enfermedades.

Representación de 4 mérodos posibles para realizar pruebas grupales. Vía: Revista Nature.

A continuación, desglosamos cada uno.

Modelo 1  – Propuesta original de Robert Dorfman

El primer modelo que se ha presentado para estos fines llego de la mano del economista Robert Dorfman en los cuarenta. Durante esta época, sugirió aplicar este método para identificar a los soldados con sífilis. Casi 80 años después, su metodología sigue siendo utilizada.

Este sistema consiste en simplemente dividir la población en grupos, buscando siempre el número más eficiente para la situación. Luego, estos grupos se prueban en conjunto. Si toda la muestra da negativo se descarta y si da positivo, se evalúa a los miembros individualmente.

Modelo 2  – Mejoras posteriores a la propuesta de Robert Dorfman

A pesar de que el método de Dorfman fue eficiente, los científicos consideraron que no era suficiente pasar directamente a las pruebas individuales luego de un primer muestreo. Por esto, plantearon la realización de subgrupos para otras pruebas generales.

Luego, se aplicaba el mismo criterio, si daban negativo se descartaba y si daban positivo, allí sí se procedía con una prueba individual. Todo esto con la finalidad de aliviar la inversión de tiempo, dinero y esfuerzo que implica hacer tests personalizados.

Modelo 3 – Propuesta de Wilfred Ndifon

Sin embargo, este enfoque tampoco es perfecto. Para el caso del coronavirus, el biólogo teórico del Instituto Africano de Ciencias Matemáticas en Kigali (Ruanda), Wilfred Ndifon, ha declarado que un sistema como el del modelo 2 tomaría demasiado tiempo y haría perder ventaja contra una enfermedad tan altamente contagiosa.

Por esto, plantea el sistema de “dimensiones múltiples”. Con este, por ejemplo, sugiere la creación de una matriz cuadrada en la que cada columna corresponde a un grupo de pruebas y cada fila a otro grupo. Cada una de las casillas en la matriz sería equivalente a una muestra –lo que implicaría que cada muestra se encontraría en dos grupos, uno de las filas y otro de las columnas–.

Al realizar una prueba inicial se determinan como en los primeros modelos, los grupos de interés. Luego, estos se dividen en la matríz y se prueba de nuevo a cada uno de esos grupos, si una persona es seropositiva para el COVID-19, ambas grupos (el de la fila y la columna) deberán dar positivo. De este modo, será mucho más fácil poder identificar a los individuos infectados.

Este es el método que justo ahora buscan probar en Ruanda los investigadores de la publicación de aRxiv, bajo la guía de Ndifon. Otro autor del estudio, Leon Mutesa, genetista de la Universidad de Ruanda en Kigali, ha declarado con anterioridad que este método ha sido eficiente hasta con 100 muestras a la vez.

Aun así, con tantos individuos, el riesgo de diluir un positivo es más amplio, por lo que hay que tener cuidado con esto. Asimismo, la propuesta de Ndifon, que implica cambiar el cuadrado por un cubo, para aumentar las posibilidades de prueba, puede resultar muy complicada para que un técnico la organice solo. Por esto, en este mismo momento el biólogo y su equipo se encuentran trabajando en desarrollar un software automatizado que solvente este problema.

Modelo 4 – Propuesta de Manoj Gopalkrishnan

Por su parte, el científico informático del Instituto Indio de Tecnología de Bombay, Manoj Gopalkrishnan, considera que la sola necesidad de hacer dos tandas de pruebas quita valioso tiempo que podría aprovecharse de otro modo.

Su propuesta implica hacer solo una gran prueba masiva en la que se pueda identificar de forma individual a las personas. Para esto, propone el modelo Triple de Kirkman. Según este, se crea una matriz plana en la que cada fila corresponde a una prueba y cada columna a una persona. Con esta metodología, cada prueba tiene la misma cantidad de muestras entre sí, y cada persona se analiza la misma cantidad de veces.

Sin embargo, lograr una distribución de este estilo analógicamente con un técnico sería imposible, según reconoce el propio Gopalkrishnan. Por este motivo, él y sus colegas han desarrollado una aplicación que se encarga de sugerir estas divisiones. Ya algunos ensayos clínicos en India –específicamente en Mumbai, Bangalore y Thalassery– han reportado tener éxito con este modelo, al tener 5 muestras positivas de 320 individuos con solo 48 pruebas. Sin embargo, los resultados de estos aún no se encuentran publicados oficialmente.

Las pruebas grupales en la práctica

Foto por: Spc. Miguel Peña.

En la actualidad, las pruebas grupales ya se están aplicando en el mundo. De hecho, naciones como Estados Unidos (fuertemente atacada por el COVID-19), China (original epicentro de la pandemia), India y Alemania (ambas también bajo el ataque constante de la enfermedad) han comenzado a implementar estos mecanismos. Todo porque tanto su potencial como su eficiencia los hacen una opción altamente valorada.

“En la epidemia actual, es necesario evaluar a un número extremadamente grande de pacientes, lo que hace que la agrupación sea una opción atractiva”, afirma Roy Kishony, biólogo de sistemas en Technion del Instituto de Tecnología de Israel en Haifa.

Ya China ha aplicado el primer modelo en su población durante el inicio de la pandemia. Con grupos de hasta cinco muestras, probaron a 2.3 millones de personas e identificaron  56 casos. Este modelo les vino como anillo al dedo en aquel momento debido a que es ideal para casos en los que los contagios no superan el 1% y la probabilidad de tener nuestras negativas es significativamente mayor.

Por su parte, investigadores en Israel han puesto a prueba un sistema automatizado inspirado en el modelo 4 y han reportado buenos resultados. Igualmente, Moran Szwarcwort-Cohen, director del laboratorio de virología en el campus de Rambam Health Care en Haifa, también ha reportado un panorama prometedor. Mientras tanto, allí mismo en Ruanda, Ndifon y su equipo se preparan para poner a prueba su propuesta con el modelo 3.

Poco a poco vemos cómo el mundo adopta este nuevo sistema de pruebas. Con suerte, también empezaremos a ver pronto los beneficios que la detección temprana traerá para el control del virus.

Referencias:

The mathematical strategy that could transform coronavirus testing: doi: 10.1038/d41586-020-02053-6

A strategy for finding people infected with SARS-CoV-2: optimizing pooled testing at low prevalence: https://arxiv.org/abs/2004.14934