MADRID, 11 Nov. (EUROPA PRESS) -
Un equipo de investigadores ha creado un modelo informático que predijo con precisión la propagación de COVID-19 en 10 ciudades importantes esta primavera mediante el análisis de tres factores que impulsan el riesgo de infección: a dónde van las personas a lo largo del día, cuánto tiempo permanecen y cuántas personas visitan el mismo lugar al mismo tiempo.
"Creamos un modelo informático para analizar cómo personas de diferentes orígenes demográficos y de diferentes vecindarios visitan diferentes tipos de lugares que están más o menos concurridos. Basándonos en todo esto pudimos predecir la probabilidad de que ocurran nuevas infecciones en cualquier momento dado, lugar o tiempo", explica Jure Leskovec, científico informático de la Universidad de Stanford, en Estados Unidos, que dirigió este trabajo en el que también participaron investigadores de la Universidad Northwestern.
El estudio, publicado este martes en la revista 'Nature', fusiona datos demográficos, estimaciones epidemiológicas e información anónima de ubicación de teléfonos celulares, y parece confirmar que la mayoría de las transmisiones de COVID-19 ocurren en sitios 'superdifusores', como restaurantes de servicio completo, gimnasios y cafés, donde las personas permanecen en lugares cerrados durante períodos prolongados.
Los investigadores dicen que la especificidad de su modelo podría servir como una herramienta para que los funcionarios ayuden a minimizar la propagación de COVID-19 a medida que reabren negocios al revelar las compensaciones entre nuevas infecciones y pérdida de ventas si los establecimientos abren, digamos, al 20 o 50 por ciento de su capacidad.
El coautor del estudio, David Grusky, profesor de sociología en la Facultad de Humanidades y Ciencias de Stanford, explica que esta capacidad predictiva es particularmente valiosa porque proporciona nuevos conocimientos útiles sobre los factores detrás de las tasas de infección desproporcionadas de las minorías y las personas de bajos ingresos.
"En el pasado, se suponía que estas disparidades eran impulsadas por condiciones preexistentes y un acceso desigual a la atención médica, mientras que nuestro modelo sugiere que los patrones de movilidad también ayudan a impulsar estos riesgos desproporcionados", añade.
Grusky, quien también dirige el Centro Stanford sobre Pobreza y Desigualdad, apunta que el modelo muestra cómo la reapertura de negocios con límites de ocupación más bajos tiende a beneficiar más a los grupos desfavorecidos.
"Debido a que los lugares que emplean a minorías y personas de bajos ingresos a menudo son más pequeños y están más abarrotados, los límites de ocupación en las tiendas reabiertas pueden reducir los riesgos que enfrentan --señala Grusky--. Tenemos la responsabilidad de elaborar planes de reapertura que eliminen, o al menos reduzcan, las disparidades que están creando las prácticas actuales".
Leskovec añade que el modelo "ofrece la evidencia más sólida hasta ahora" de que las políticas de permanencia en el hogar promulgadas esta primavera redujeron la cantidad de viajes fuera del hogar y desaceleraron la tasa de nuevas infecciones.
El estudio rastreó los movimientos de 98 millones de estadounidenses en 10 de las áreas metropolitanas más grandes del país (Nueva York, Los Ángeles, Chicago, Dallas, Washington, DC, Houston, Atlanta, Miami, Filadelfia y San Francisco) a través de medio millón de establecimientos diferentes, desde restaurantes y gimnasios hasta tiendas de mascotas y concesionarios de automóviles nuevos.
El equipo incluyó a las estudiantes de doctorado de Stanford Serina Chang, Pang Wei Koh y Emma Pierson, que se graduaron este verano, y las investigadoras de la Universidad Northwestern Jaline Gerardin y Beth Redbird, que recopilaron datos del estudio para las 10 áreas metropolitanas.
SafeGraph, una compañía que agrega datos de ubicación anonimizados de aplicaciones móviles, proporcionó a los investigadores datos que muestran cuáles de 553.000 ubicaciones públicas, como ferreterías y establecimientos religiosos, visitaban la gente cada día; por cuanto tiempo y, lo que es más importante, cuál era la superficie cuadrada de cada establecimiento para que los investigadores pudieran determinar la densidad de ocupación por hora.
Los investigadores analizaron los datos del 8 de marzo al 9 de mayo en dos fases distintas. En la fase uno, alimentaron su modelo de datos de movilidad y diseñaron su sistema para calcular una variable epidemiológica crucial: la tasa de transmisión del virus en una variedad de circunstancias diferentes en las 10 áreas metropolitanas.
En la vida real, es imposible saber de antemano cuándo y dónde una persona infecciosa y susceptible entra en contacto para crear una posible nueva infección. Pero en su modelo, los investigadores desarrollaron y refinaron una serie de ecuaciones para calcular la probabilidad de eventos infecciosos en diferentes lugares y momentos.
Las ecuaciones fueron capaces de resolver las variables desconocidas porque los investigadores alimentaron a la computadora con un hecho conocido importante: cuántas infecciones por COVID-19 se informaron a los funcionarios de salud en cada ciudad cada día.
Los investigadores refinaron el modelo hasta que pudo determinar la tasa de transmisión del virus en cada ciudad. La tasa varió de una ciudad a otra dependiendo de factores que van desde la frecuencia con la que las personas se aventuran a salir de la casa hasta los tipos de lugares que visitan.
Una vez que los investigadores obtuvieron las tasas de transmisión para las 10 áreas metropolitanas, probaron el modelo durante la fase dos pidiéndole que multiplicara la tasa de cada ciudad con su base de datos de patrones de movilidad para predecir nuevas infecciones por COVID-19. Las predicciones siguieron de cerca los informes reales de los funcionarios de salud, lo que les dio a los investigadores confianza en la confiabilidad del modelo.
Combinando su modelo con los datos demográficos disponibles en una base de datos de 57.000 grupos de bloques censales --vecindarios de 600 a 3.000 personas-- los investigadores muestran cómo las personas de minorías y de bajos ingresos abandonan su hogar con mayor frecuencia porque sus trabajos lo requieren, y compran en establecimientos más pequeños y más concurridos que las personas con ingresos más altos, que pueden trabajar desde casa, utilizar el servicio de entrega a domicilio para evitar las compras y frecuentar negocios más espaciosos cuando salen.
Por ejemplo, el estudio reveló que es aproximadamente el doble de arriesgado para las poblaciones no blancas comprar alimentos en comparación con los blancos. "Al fusionar los conjuntos de datos de movilidad, demográficos y epidemiológicos, pudimos utilizar nuestro modelo para analizar la eficacia y la equidad de las diferentes políticas de reapertura", señala Chang.
El equipo ha puesto a disposición del público sus herramientas y datos para que otros investigadores puedan replicar y aprovechar los hallazgos.
"En principio, cualquier persona puede utilizar este modelo para comprender las consecuencias de las diferentes decisiones de política de cierre de empresas y de quedarse en casa", añade Leskovec, cuyo equipo ahora está trabajando para desarrollar el modelo en una herramienta fácil de usar para los responsables políticos y funcionarios de la salud pública.
