En esta investigación, Gustavo Saraiva estudia los incentivos de las personas de mentir sobre sus verdaderos estatus de salud cuando una institución agrupa a personas con probabilidad de infección semejantes, utilizando el método pooled testing. El trabajo se publicó en Economics Letters.

¿Cuál es el contexto en el que se enmarcó está investigación?

El esquema de pruebas agrupadas de Dorfman es un proceso en el cual las muestras individuales (por ejemplo, sangre, orina, hisopos, etc.) se agrupan y se prueban juntas. Si la muestra combinada da positivo para la infección, cada muestra del grupo se prueba individualmente. Mediante este procedimiento, los laboratorios pueden reducir el número esperado de pruebas requeridas para examinar una población. La literatura a menudo ha abogado a favor de usar particiones ordenadas para examinar a la población, es decir, de agrupar a personas con una probabilidad similar de infección, ya que al hacerlo se minimiza simultáneamente el número esperado de pruebas, el número esperado de falsos negativos y el número esperado de clasificaciones falsamente positivas, siempre que se cumplan ciertas condiciones técnicas. Sin embargo, una limitación potencial de usar particiones ordenadas es que podrían incentivar a algunas personas a informar falsamente sus tipos al evaluador (ej., los pacientes pueden mentir sobre su status de vacunación, o si presentan síntomas o no). De hecho, si algunos desean evitar ser detectados como infectados (ej., para evitar cuarentenas), las particiones ordenadas los incentivarían a afirmar falsamente que tienen una baja probabilidad de infección (suponiendo que las pruebas agrupadas están sujetas a efectos de dilución). Estos incentivos desaparecerían si los individuos se emparejaran aleatoriamente, independientemente de su probabilidad de infección. En este artículo, derivamos condiciones bajo las cuales las particiones ordenadas superan el emparejamiento aleatorio de los pacientes, a pesar de estos incentivos.

¿Cómo se llevó a cabo metodológicamente hablando?  

El artículo construye una metodología teórica en que los supuestos básicos del modelo son los siguientes: 1) Hay un número discreto y finito de posibles probabilidades de infección, lo que es de conocimiento privado de los agentes. 2) Mentir sobre su status de salud es costoso y, cuando más distante es el reporte de una persona de su verdadero status de salud, más costoso es mentir (ya que mentir mucho requiere falsificar documentos, hay un mayor riesgo de sanciones, etc.). 3) Para cada nivel de probabilidad de infección hay un número de agentes que siempre dice la verdad (es decir, nunca miente), mientras que la otra fracción se comporta estratégicamente, mintiendo sobre su probabilidad de infección para afectar el grupo en que terminan asignados.

¿Cuáles son las principales conclusiones a las que llegas y por qué crees que son importantes?  

Artículos anteriores, como Saraiva 2023 (Healthcare Management Science), muestran que, bajo un conjunto de supuestos, las particiones ordenadas simultáneamente minimizan el número esperado de testes necesarios para diagnosticar la población, el número esperado de falsos negatives y el número esperado de falsos positivos. Este artículo muestra que, si una fracción de agentes se comportan de forma estratégica, pero hay un número suficientemente alto de agentes no estratégicos que siempre dice la verdad para cada nivel de probabilidad de infección, implementar particiones ordenadas sigue siendo mejor que agrupar las personas de forma completamente aleatoria. Intuitivamente, esto ocurre por qué, en un equilibrio de Nash, las probabilidades de infección para cada reporte no deben reverterse, es decir, personas que reportan una probabilidad de infección «p» deben efectivamente tener mayor probabilidad de infección que aquellos que reportan una probabilidad de infección “p'<p”. De hecho, si no fuera así, los agentes tendrían incentivos en mentir menos (ya que mentir es costoso) para quedarse asignados a grupos que reportan mayor probabilidad de infección (pero que efectivamente tienen menor probabilidad de infección). O sea, aunque los agentes mientan en equilibrio cuando se implementa particiones ordenadas, lo que disminuye la precisión de la señal enviada por los agentes, esta señal sigue teniendo valor. Por ende, las particiones ordenadas siguen generando mejores resultados que hacer un matching aleatorio.

 ¿Qué impacto práctico puede tener esta investigación?

La investigación muestra que, a pesar de las distorsiones que «assortative matching» puede causar (es decir, a pesar de motivar que los agentes mientan en equilibrio), este mecanismo de agrupamiento para pooled testing sigue siendo superior que agrupar los agentes de forma aleatoria cuando hay un número suficientemente alto de agentes que se comportan de manera no estratégica. Por ende, instituciones que implementan pooled testing deben considerar implementar particiones ordenadas con más frecuencia. El estudio tiene implicancias prácticas en el screening de enfermedades infecciosas, como el SARS‑CoV‑2, la detección de salmonela en productos alimenticios de múltiples empresas, la detección de la presencia de substancias ilegales en atletas, etc.