El modelo para predecir la transmisión de COVID-19 puede ayudar a los formuladores de políticas a monitorear el virus e informar a los sistemas de vigilancia de la salud

La pandemia de COVID-19 presenta desafíos sin precedentes para la salud pública en todo el mundo. El seguimiento de la dinámica del coronavirus permite a los gobiernos, organizaciones e individuos hacer proyecciones en un esfuerzo por frenar la propagación de la pandemia. Pero si bien se recopila una gran cantidad de datos sobre COVID y están disponibles públicamente, la información puede ser poco confiable y estar sujeta a sesgos. En un nuevo estudio, los investigadores analizaron datos de Cali, Colombia, para desarrollar un modelo que proporcione una plantilla para rastrear datos, predecir la transmisión e informar a los sistemas de vigilancia de la salud.

El estudio fue realizado por investigadores de la Universidad Carnegie Mellon (CMU), el Instituto Tecnológico de Georgia (Georgia Tech), la Universitat Jaume I y la Universidad Nacional de Colombia. Está publicado en el Revista de la Royal Statistical Society Serie C: Estadística aplicada.

«La mayoría de los estudios de COVID-19 registran la infección general a nivel estatal o de condado, e informan el número agregado de casos en una región en particular en un momento en particular», explica Shixiang Zhu, profesor asistente de análisis de datos en el Heinz College de CMU, coautor el estudio. «Esto tiende a perder detalles finos de los patrones de propagación del virus».

Zhu y sus colegas analizaron un conjunto de datos de COVID-19 de alta resolución en Cali, la segunda ciudad más grande de Colombia, con más de la mitad de la población viviendo en barrios de bajo nivel socioeconómico (NSE), del 15 de marzo al 30 de septiembre de 2020 El conjunto de datos, de la Secretaría de Salud Pública Municipal de Cali, documenta la ubicación y la hora de cada caso confirmado en la ciudad, no solo el número combinado de casos o muertes en un área geográfica.

Los autores crearon un modelo basado en un proceso puntual que cambia con el tiempo y el espacio, donde las personas previamente infectadas conducen a nuevos casos, y utilizaron una técnica basada en redes neuronales para tener en cuenta el impacto variable de la ubicación en este proceso. También incorporaron influencias externas impuestas por los puntos de referencia de la ciudad (p. ej., iglesias, escuelas, ayuntamientos) y consideraron factores como la densidad de población, ya que el COVID-19 se propaga a través de gotitas respiratorias y la transmisión por aerosoles es mayor en espacios abarrotados e inadecuadamente ventilados.

Los investigadores también estudiaron los datos reales, que revelaron la dinámica única de transmisión de COVID-19 y confirmaron que varios de los puntos de referencia de la ciudad jugaron un papel importante en la propagación del virus. En particular, el modelo sugirió un mayor riesgo de contraer COVID-19 en el centro, noreste y noroeste de Cali, que es donde viven las personas de NSE más bajo, y un riesgo menor en el sur de la ciudad, que es donde viven las personas de NSE. SES más alto en vivo.

Al comparar el modelo con los datos reales, el estudio encontró que el modelo fue exitoso en la predicción de la propagación de COVID-19. Como tal, puede ayudar a los formuladores de políticas a monitorear la dinámica del coronavirus y proporcionar una plantilla para rastrear datos en tiempo real para futuras epidemias e informar a los sistemas de vigilancia de la salud.

«Los conjuntos de datos de alta resolución como el que usamos estarán más disponibles en el futuro, por lo que el enfoque que usamos en Cali no se limita a esa jurisdicción», señala Zheng Dong, Ph.D. estudiante de aprendizaje automático en la Escuela de Ingeniería Industrial y de Sistemas H. Milton Stewart de Georgia Tech, quien dirigió el estudio. «De hecho, se puede usar, extender y adaptar a varios fenómenos naturales representados por ubicaciones en el espacio y el tiempo».