II.- Evaluación de Cuarentenas Dinámicas Generalizadas
Simulador basado en Agentes SEIRHD/CMM

Este informe reporta nuestro estudio sobre el efecto del mecanismo de Cuarentenas Dinámicas a largo plazo para todas las comunas del Gran Santiago a partir del 07 de Mayo. Dado que el mecanismo se aplica a todas las comunas de la ciudad, nos referimos a este mecanismo como una cuarentena dinámica generalizada (CDG).

Utilizamos nuestro modelo basado en agentes para simular diferentes escenarios que representan diferentes factores de interacción entre individuos y diferentes factores de cumplimiento de la cuarentena en la población. Calibramos estos escenarios para seguir la evolución de los nuevos casos sintomáticos reportados diariamente por el MINSAL, corregida por subreporteo de acuerdo al método publicado por Russel (2020) y utilizado por la Escuela de Salud Pública de la Universidad de Chile en sus reportes diarios.

La distribución de edades y densidades poblacionales por comuna son obtenidas desde los datos del Censo 2017 y los flujos de movimiento dentro de cada comuna y entre comunas sigue la distribución de la matriz de transporte público (OD) del 10 de septiembre del 2019 entregada por Transapp. Es importante recalcar que en el proceso de calibración solo se tomaron en cuenta los datos agregados reportados para la Región Metropolitana en representación del Gran Santiago. Por esta razón, si bien el modelo logra capturar a nivel de la ciudad la progresión de los nuevos casos sintomáticos diarios (corregidos por subreporteo), la simulación de la evolución de la epidemia a nivel comunal corresponde a posibles escenarios alternativos que son producto de la variabilidad introducida por la estocacidad del modelo. Cada escenario se simuló 50 veces (réplicas) por 250 días a partir del 03 de Marzo del 2020 y sus resultados fueron promediados y expresados como rangos de dos desviaciones estándar de ancho.

El resultado más importante reportado en este informe es que las cuarentenas dinámicas aplicadas en forma generalizada al Gran Santiago logran aplacar de manera significativa la progresión global de la pandemia. Sin embargo su aplicación puede generar dos efectos negativos: 1) una segunda ola de contagios que para algunas comunas, puede llegar a tener magnitudes comparables con la primera ola. Esta segunda ola puede llegar su peak algunos meses después de la primera; y 2) el tiempo de cuarentena por comuna requerido para lograr este aplacamiento de la progresión global puede llegar a ser hasta de 60 días en algunos casos.

Como conclusión, este reporte evidencia que si bien se logra reducir de manera significativa la progresión diaria de la pandemia (aplanando la curva), la cantidad de infectados a lo largo del tiempo puede no ser lo suficientemente baja como para reactivar la ciudad de manera segura, dado el alto número de población susceptible que va quedando después de la primera ola. Por otro lado, el alto grado de movilidad local en cada comuna hace extremadamente efectiva la propagación de la enfermedad cuando pocos individuos contagiados pasan de una comuna a otra, especialmente si esta última tiene una alta densidad poblacional. Por lo tanto, es razonable pensar en reforzar las cuarentenas dinámicas con medidas que mitiguen este transporte de infección desde comunas con alta tasa de contagio hacia comunas con alta tasa de susceptibilidad.

I.- Matriz de reproducción para una epidemia y cuarentenas en una ciudad

Consideramos una epidemia que se extiende en una ciudad que está dividida geográficamente en diferentes distritos.
Introducimos la matriz de reproducción R = R (i, j) entre distritos, donde R (i, j) es el número medio de individuos en el distrito j infectados por un individuo del distrito i. Analizamos políticas de parcial bloqueos de la ciudad, es decir, de un conjunto de distritos, basados ​​en el estudio de la matriz R, donde las filas y Las columnas correspondientes a los distritos en bloqueo están establecidas en cero. Este esquema también se puede aplicar a un país dividido en regiones u otras unidades apropiadas, siempre que la información relevante esté disponible.
Concluimos analizando una matriz R que fue construida para la propagación de COVID-19 en Santiago, Chile, con la ayuda de un simulador basado en agentes para generar datos de distritos sustitutos.