Utilizamos cookies propias y de terceros para mejorar nuestros servicios y facilitarte el uso de la web mediante el análisis de tus preferencias de navegación. También compartimos la información sobre el tráfico por nuestra web a los medios sociales y de publicidad con los que colaboramos. Si continúas navegando, consideramos que aceptas nuestra Política de cookies .

17 de Noviembre de 2020
Modelos epidemiológicos

Macrodatos contra la COVID-19

Los datos de localización de millones de móviles apuntan a restaurantes, gimnasios y centros de culto como importantes focos infecciosos. Los resultados contribuyen también a explicar las diferencias observadas en los contagios en función del nivel de ingresos.

Controlar la pandemia de COVID-19 ha obligado a buscar medidas que limiten los contagios pero que, al mismo tiempo, causen el menor trastorno económico y social posible. [yulkapopkova/iStock/Getty]

A pesar de los desacuerdos políticos sobre qué medidas deberían adoptarse frente a la COVID-19, existe un deseo compartido de retomar la vida económica y social tan pronto como sea posible, siempre y cuando se protejan los sistemas de salud y se reduzcan al máximo los casos graves y los fallecimientos. Las principales discusiones al respecto versan sobre el grado en que estos objetivos se refuerzan mutuamente, y sobre si existe un compromiso entre una mayor transmisión vírica y el aumento de la actividad económica y social.

La dificultad a la hora de identificar medidas que sean a la vez efectivas y que causen el menor trastorno posible incita a buscar nuevos enfoques para modelizar la transmisión del virus. Y dado que los datos de estudios epidemiológicos son a menudo insuficientes para evaluar hasta qué punto las distintas medidas frenan los contagios, los modelos basados en grandes cantidades de datos pueden proporcionar un marco que contribuya a llenar ese hueco y que ayude en la toma de decisiones.

En un artículo publicado en Nature, Serina Chang, del departamento de ciencias de la computación de Stanford, y otros investigadores han presentado un método que combina un modelo epidemiológico sencillo con los datos anonimizados de localización de millones de teléfonos móviles. Este enfoque ha permitido generar y, hasta cierto punto, poner a prueba distintas hipótesis sobre qué lugares generan un mayor número de contagios, cómo influyen las disparidades raciales y socioeconómicas en la transmisión del virus, y cuán efectivas podrían ser las diferentes medidas de control de la pandemia.

Los modelos matemáticos como alternativa

Para su trabajo, los investigadores usaron los datos anonimizados de los teléfonos móviles de 98 millones de personas en Estados Unidos. Tales datos incluían los lugares visitados por los usuarios entre el 1 de marzo y el 1 de mayo de 2020, y comprendían más de 5000 millones de instantes temporales. Gracias a ello, los autores pudieron analizar cómo interactúan las personas fuera del hogar —en sitios como tiendas, restaurantes o lugares de trabajo— y usar esas pautas generales de comportamiento para predecir el número de nuevos casos diarios detectados en ciudades enteras.

Los investigadores también «adaptaron» el modelo (estimaron unos pocos parámetros adicionales desconocidos) para ajustarlo a los datos sobre el número de casos. Tras ese ajuste, el modelo no solo permitía calcular la tasa total de infecciones, sino también los contagios en lugares concretos. El nuevo enfoque complementa así a los usados hasta ahora para calcular el riesgo de contagio asociado a cada tipo de actividad.

En principio, los estudios sobre brotes infecciosos o de rastreo de contactos permiten identificar qué actividades y lugares son más propensos a provocar infecciones, así como usar esos resultados para decidir qué tipo de actividades podrían seguir en marcha y cuáles deberían controlarse. Así, los casos de contagios múltiples en coros, barcos o residencias de ancianos han demostrado el riesgo que conllevan los lugares concurridos y mal ventilados, mientras que la ausencia de infecciones en sitios como peluquerías donde trabajadores y clientes llevaban mascarilla ha servido para argumentar a favor de la reapertura de tales establecimientos siempre y cuando se adopten medidas de protección adecuadas.

No obstante, y aunque el estudio de casos particulares sea esencial, también adolece de importantes limitaciones. Por ejemplo, el número de personas implicadas en tales situaciones suele ser pequeño, y a menudo solo se realizan pruebas diagnósticas a unos pocos contactos por cada caso positivo confirmado, lo que dificulta identificar qué factores determinan la aparición de un brote. Además, en muchos lugares, las infecciones detectadas gracias al rastreo de contactos solo suponen una pequeña proporción del total de transmisiones, lo que impide extraer consecuencias generales.

Para evaluar la eficacia de las distintas intervenciones, una alternativa a estos trabajos pasa por efectuar experimentos aleatorizados, donde la introducción de las medidas se espacia en el tiempo en poblaciones diferentes. Sin embargo, tales estudios son difíciles de llevar a cabo y, de hecho, han sido escasos durante la actual pandemia.

Predicciones robustas

Así pues, dadas las limitaciones de los estudios epidemiológicos y experimentales, los modelos matemáticos constituyen una alternativa tentadora para evaluar la eficacia de las distintas intervenciones. Pero, sin datos epidemiológicos, lo más que pueden hacer tales modelos es proporcionar intervalos de eficacia para las distintas medidas.

En este sentido, un punto a favor del nuevo trabajo es que los cálculos sobre la efectividad de una intervención dada se basan en la modelización de los contagios de cada lugar. Esto se sustenta, a su vez, en los datos aportados por los teléfonos móviles —lo que permite saber cosas como el número de personas que han estado en contacto estrecho en un lugar concreto—, y se combina con suposiciones fuertes pero transparentes sobre los factores que subyacen a la transmisión en distintos lugares.

Para un lugar dado, los datos usados por Chang y sus colaboradores proporcionan estimaciones detalladas de cuántas personas pueden llegar a visitarlo cada hora, cuánto tiempo por término medio permanecen en él, y de qué barrios proceden. El modelo clasifica a las personas de cada barrio según los distintos estados infecciosos que establece uno de los modelos epidemiológicos clásicos, conocido como «modelo SEIR». Según este, los individuos se una población pueden clasificarse en uno de cuatro grupos: vulnerables, o en riesgo de infección (S, del inglés susceptible); expuestos (E); infectados (I); y recuperados (R).

El supuesto fundamental de los autores es que el ritmo con que los miembros de una población pasan a estar en riesgo de infección (que en este contexto se refiere a su paso del grupo «vulnerable» al grupo «expuesto») depende de qué lugares visitan y de cómo evoluciona ese comportamiento con el tiempo. En el modelo, los lugares más concurridos y donde las personas permanecen durante más tiempo conllevan un riesgo más elevado. El modelo es excepcionalmente sencillo, y los detalles de cómo evolucionan los hábitos de la población son proporcionados por los teléfonos móviles.

Uno de los puntos fuertes es que el número de parámetros desconocidos necesarios para ajustar el modelo es bajo. Tras ajustar los parámetros a los datos sobre el número de infecciones, los autores comprobaron que, en comparación con los modelos carentes de esos datos de movilidad, el suyo predecía mejor las trayectorias epidémicas observadas en múltiples ciudades. Y aunque el objetivo de este tipo de modelización «mecanicista» no fuera hacer predicciones, confirmar que un modelo posee un poder predictivo razonable es a menudo el primer paso para extraer conclusiones sobre qué tipo de mecanismos subyacen a las observaciones.

Además de probar con otros procedimientos de ajuste, los autores analizaron cuán sensibles eran los resultados a los parámetros del modelo. Al respecto, hallaron que los resultados eran compatibles con un todo una abanico de valores verosímiles de los parámetros. Ello hace pensar que, aunque se trate de un modelo sencillo, los supuestos en los que se basa son capaces de generar mejores predicciones que otras alternativas, y que sus hipótesis sobre la eficacia de las distintas medidas son robustas. En cualquier caso, el trabajo debería ampliarse para comprobar si el modelo sigue concordando con los datos obtenidos en meses recientes, incluido el aumento de casos observado durante el verano en algunas ciudades estadounidenses.

Restaurantes, gimnasios y lugares de culto

El modelo de Chang y sus colaboradores predice que las infecciones en lugares como restaurantes, gimnasios y lugares de culto desempeñan un papel importante en el aumento de los contagios; una conclusión que corrobora los hallazgos de varios estudios epidemiológicos.

Por otro lado, el hecho de que ciertos lugares no aparezcan pone de manifiesto algunas de las limitaciones del modelo. Debido al tipo de datos utilizados, los niños, las personas de edad avanzada y la población reclusa están infrarrepresentados, lo que impide extraer conclusiones sobre el papel de las escuelas, las residencias de ancianos y las cárceles en la transmisión comunitaria de COVID-19. Este vacío podrían llenarlo aquellos modelos que, además de los datos de movilidad, incorporen otras fuentes habituales de datos epidemiológicos, como encuestas sobre contactos sociales.

Con todo, el gran nivel de detalle de los datos de movilidad en los lugares analizados permite evaluar con minuciosidad numerosas estrategias de reapertura. Por ejemplo, los autores han hallado que limitar el aforo de ciertos lugares (algo que reduce implícitamente el número de horas-persona en sitios muy concurridos) sería más eficaz para controlar los contagios que una estrategia basada en reducir la actividad general de la población. Además, el enfoque de los autores puede ampliarse para evaluar otras estrategias de reapertura; por ejemplo, modelizando qué efecto ejercería limitar la duración de las visitas a lugares como gimnasios y museos.

Por último, el nuevo trabajo permite abordar una pregunta cuya respuesta los expertos aún no comprenden bien: qué causa las diferencias observadas en las tasas de contagio en función del nivel de ingresos. Al combinar su modelo con los datos demográficos del censo, los autores identificaron dos posibles explicaciones.

La primera es una conclusión compartida por otros estudios: que los barrios donde viven personas con menos ingresos tienden a albergar un mayor porcentaje de trabajadores esenciales, por lo que experimentan una menor reducción de la movilidad durante los confinamientos. La segunda es que, en muchos casos, los sitios frecuentados por personas de barrios más pobres suelen llenarse más que los visitados por individuos procedentes de zonas con rentas más altas. Cabe notar que este tipo de observaciones solo son posibles gracias al fino nivel de detalle que incorporan los datos de movilidad analizados por los autores

Los investigadores aportan hipótesis claras y cuya verosimilitud se ve respaldada por lo bien que se acomodan a los datos epidemiológicos; por la sencillez del modelo; y por su capacidad para explicar observaciones que no formaban parte de los datos, como las disparidades de contagios asociadas a los ingresos.

No cabe duda de que el modelo tendrá que ser sometido a más pruebas. Pero, a la vista del desafío que supone la recogida e interpretación de datos relevantes, estos hallazgos podrían ser de gran valor a la hora de guiar las políticas de reapertura y minimizar el daño causado por las restricciones de movimiento. El trabajo subraya el valor de integrar los datos de movilidad en los sistemas de vigilancia epidemiológica. Un enfoque cada vez más popular y que debería convertirse en habitual cuando reconstruyamos los sistemas de vigilancia con las lecciones aprendidas durante esta pandemia.

Kevin C. Ma y Marc Lipsitch/Nature

Artículo traducido y adaptado por Investigación y Ciencia con permiso de Nature Research Group.

Referencia: «Mobility network models of COVID-19 explain inequities and inform reopening»; Serina Chang et al. en Nature, 10 de noviembre de 2020. 

Encuentra aquí todos los contenidos de Investigación y Ciencia sobre la pandemia de COVID-19. También puedes acceder a los artículos publicados por Scientific American y otras de sus ediciones internacionales a través de esta web.

Los boletines de Investigación y Ciencia

Elige qué contenidos quieres recibir.