Las técnicas utilizadas en el pronóstico del tiempo se pueden reutilizar para brindar a las personas una evaluación personalizada de su riesgo de exposición al COVID-19 u otros virus, según una nueva investigación publicada por científicos de Caltech.
La técnica tiene el potencial de ser más efectiva y menos intrusiva que los bloqueos generales para combatir la propagación de enfermedades, dice Tapio Schneider, profesor Theodore Y. Wu de Ciencias Ambientales e Ingeniería; científico investigador sénior en JPL, que Caltech administra para la NASA; y el autor principal de un estudio sobre la nueva investigación que fue publicado por PLOS Biología Computacional el 23 de junio.
«Para esta pandemia, puede ser demasiado tarde», dice Schneider, «pero esta no será la última epidemia que enfrentaremos. Esto también es útil para rastrear otras enfermedades infecciosas».
En principio, la idea es simple: los modelos de pronóstico del tiempo incorporan una gran cantidad de datos, por ejemplo, mediciones de la velocidad y dirección del viento, la temperatura y la humedad de las estaciones meteorológicas locales, además de los datos satelitales. Usan los datos para evaluar cuál es el estado actual de la atmósfera, pronostican la evolución del clima en el futuro y luego repiten el ciclo combinando el estado atmosférico pronosticado con nuevos datos. De la misma manera, la evaluación del riesgo de enfermedades también aprovecha varios tipos de datos disponibles para hacer una evaluación sobre el riesgo de exposición o infección de un individuo, pronostica la propagación de la enfermedad a través de una red de contactos humanos utilizando un modelo epidemiológico y luego repite el ciclo combinando el pronóstico con nuevos datos. Dichas evaluaciones pueden usar los resultados de las pruebas de vigilancia de una institución, datos de sensores portátiles, síntomas autoinformados y contactos cercanos registrados por teléfonos inteligentes y paneles de informes de enfermedades de los municipios.
La investigación presentada en PLOS Biología Computacional es una prueba de concepto. Sin embargo, su resultado final sería una aplicación de teléfono inteligente que proporcionaría a una persona una evaluación numérica actualizada con frecuencia (es decir, un porcentaje) que refleja su probabilidad de haber estado expuesto o infectado con un agente de enfermedad infecciosa en particular, como COVID-19. 19
Tal aplicación sería similar a las aplicaciones existentes de notificación de exposición a COVID-19, pero más sofisticada y efectiva en el uso de datos, dicen Schneider y sus colegas. Esas aplicaciones brindan una evaluación de exposición binaria («sí, ha estado expuesto» o, en el caso de que no haya exposición, silencio de radio); la nueva aplicación descrita en el estudio proporcionaría una comprensión más matizada de los riesgos de exposición e infección que cambian continuamente a medida que las personas se acercan a otras y los datos sobre infecciones se propagan a través de una red de contactos en constante evolución.
La idea nació en los primeros días de la pandemia de COVID-19, cuando los colegas y socios Schneider y Chiara Daraio, profesora de Ingeniería Mecánica y Física Aplicada de G. Bradford Jones e investigadora del Instituto de Investigación Médica Heritage, se encontraron abruptamente aislados en casa y preguntándose cómo usar su experiencia científica y de ingeniería para ayudar al mundo a lidiar con esta nueva amenaza.
Un enfoque previo a la pandemia de la investigación de Daraio fue el desarrollo de rastreadores de temperatura corporal de bajo costo. Y eso planteó la pregunta: ¿Permitiría el uso generalizado de tales rastreadores un mejor seguimiento y comprensión de la propagación de COVID-19?
«Estábamos imaginando algo así como una aplicación de pronóstico del tiempo, aprovechando la información de los sensores, los datos de infección y el seguimiento de proximidad, que las personas podrían usar para ajustar su comportamiento para mitigar los riesgos individuales», dice Daraio, coautor de la PLOS Biología Computacional papel.
Schneider es un científico del clima que dirige la Climate Modeling Alliance (CliMA), que aprovecha los avances recientes en las ciencias computacionales y de datos para desarrollar un modelo climático completamente nuevo. Se acercó a Jeffrey Shaman, conocido de toda la vida, de la Universidad de Columbia. La investigación de Shaman sobre cómo el cambio climático afecta la propagación de enfermedades infecciosas llevó a Shaman a interesarse por la epidemiología y la adaptación de métodos similares de pronóstico del tiempo para el modelado de enfermedades a nivel comunitario.
«Durante la última década, el campo del modelado de enfermedades infecciosas, y el pronóstico en particular, se ha disparado. Muchos enfoques de pronóstico de enfermedades aprovechan los métodos de inferencia y conjuntos comúnmente utilizados en la predicción del tiempo», dice Shaman, coautor del PLOS Biología Computacional papel.
El equipo se enfrentó a dos desafíos clave: adaptar los métodos de predicción del clima para este propósito y desarrollar un banco de pruebas realista para medir qué tan bien funciona.
«Conceptualmente, es una idea muy atractiva, ya que los métodos para pronosticar el clima han sido muy efectivos para predecir la atmósfera caótica, una tarea famosa por su desafío», dice el científico investigador de Caltech, Oliver Dunbar. «Pero no hay una traducción directa. Una aplicación de pronóstico de epidemias tiene muy pocos datos con los que trabajar y solo en una población parcial de usuarios. Afortunadamente, encontramos el éxito al combinar estos datos escasos con las últimas tecnologías de dispositivos inteligentes y una propagación viral matemática». modelo.»
Para probarlo, el equipo recurrió a Lucas Böttcher de la Escuela de Finanzas y Administración de Frankfurt en Alemania. Böttcher construyó un modelo de computadora de una ciudad imaginaria, una versión reducida e idealizada de la ciudad de Nueva York, con 100,000 «nodos» o personas ficticias, y luego estudió qué tan bien los métodos adaptados de pronóstico del tiempo predijeron la propagación de una enfermedad a través de la población.
Los resultados fueron alentadores: en las simulaciones, el modelo identificó hasta el doble de exposiciones potenciales de las que detectarían las aplicaciones tradicionales de rastreo de contactos o notificación de exposición cuando ambas usan los mismos datos.
«Los métodos desarrollados en nuestro estudio son relevantes no solo en el contexto del manejo de enfermedades infecciosas, sino que también abren nuevas formas de combinar datos de observación con modelos mecánicos de alta dimensión que surgen en biología computacional», dice Böttcher, coautor del estudio. PLOS Biología Computacional papel.
A pesar de estos resultados prometedores, la implementación de esta tecnología en el mundo real requiere niveles adecuados de usuarios de dispositivos inteligentes y campañas de prueba efectivas para que el software de evaluación de riesgos funcione para administrar y controlar epidemias. Si aproximadamente el 75 % de una población determinada proporciona información relevante (por ejemplo, si han dado positivo por una enfermedad) y se autoaislan cuando pueden haber estado expuestos, el software de evaluación de riesgos es lo suficientemente preciso para gestionar y controlar la epidemia de COVID. a través de toda la población. Y, sin embargo, como lo demuestran las tasas de vacunación de COVID-19, es difícil lograr la aceptación de una fracción tan grande de la población.
Sin embargo, un escenario prometedor es el despliegue por parte de bases de usuarios de comunidades más pequeñas, por ejemplo, la población de un campus universitario, que pueden proporcionar fácilmente al software datos más que suficientes para proporcionar evaluaciones de riesgo precisas que reducirán localmente la propagación de enfermedades.
«El desafío de hacer realidad este sistema es gestionar las preocupaciones de privacidad, por ejemplo, sobre la transferencia de datos sobre contactos cercanos a una instalación central de procesamiento de datos», dice Schneider. «Dicho esto, solo se necesita información anónima. La información de ubicación ya se recopila de forma rutinaria para uso comercial, y visualizamos formas de fortalecer el sistema contra la explotación por parte de malos actores».
Otros coautores del PLOS Biología Computacional el artículo incluye al científico investigador de Caltech Jinlong Wu y al estudiante graduado Dmitry Burov, así como al ex postdoctorado de Caltech Alfredo Garbuno-Iñigo del Instituto Tecnológico Autónomo de México; Gregory Wagner y Raffaele Ferrari del MIT (todos miembros de CliMA); y Sen Pei de la Universidad de Columbia. Esta investigación fue apoyada por Eric y Wendy Schmidt y Schmidt Futures; la Fundación Nacional de Ciencias de Suiza; los Institutos Nacionales de Salud; la Oficina de Investigación del Ejército; la Fundación Nacional de Ciencias; el Instituto Nacional de Alergias y Enfermedades Infecciosas; y la Fundación Morris-Singer.
