COMPARTIR:Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

Decidir cuándo flexibilizar o hacer más estrictas las medidas aplicables a las actividades de la economía local se ha convertido en el juego de adivinanzas más trascendental del mundo y, para hacerlo, cada persona encargada de tomar decisiones sobre política pública tiene sus propios instintos y referencias. Que los hospitales alcancen el 70 por ciento de su capacidad, por ejemplo, es una señal de alerta; también lo es el aumento en el número de casos y muertes.

Sin embargo, como han constatado en días recientes los gobernadores de estados como Florida, California y Texas, esas referencias no constituyen un buen sistema de alarma. En cuanto el coronavirus encuentra un resquicio para atacar a la población, les gana dos semanas de ventaja a los funcionarios de salud, pues circula y se multiplica con rapidez antes de que alguien se percate de su resurgimiento en los hospitales, las clínicas que hacen pruebas y otros lugares.

En respuesta a este problema, un grupo internacional de científicos desarrolló un modelo (o, por lo menos, el principio de un modelo) que podría predecir brotes unas dos semanas antes de que ocurran, a tiempo para aplicar medidas efectivas de contención.

239 expertos contradicen a la OMS sobre la transmisión del COVID-19

En Estados Unidos “algo no está funcionando”

Una inteligencia artificial anunció el comienzo de la pandemia y nadie le hizo caso

 

En un artículo publicado el 2 de julio en arXiv.org, el equipo, encabezado por Mauricio Santillana y Nicole Kogan de la Universidad de Harvard, presentó un algoritmo que registró señales de peligro por lo menos 14 días antes de que el número de casos comenzara a aumentar. El sistema se basa en el monitoreo en tiempo real de Twitter, búsquedas en Google y datos de movilidad de teléfonos celulares, entre otras fuentes.

Según escriben los científicos, el algoritmo podría funcionar “como el termostato de los sistemas de acondicionamiento de aire o de calefacción y encargarse de avisar cuándo es necesario activar o flexibilizar las intervenciones de salud pública”; en otras palabras, permitiría una reactivación más segura y sencilla de las actividades.

“En este caso, lo que hacemos es observar, sin suponer nada. La diferencia es que nuestros métodos responden a cambios inmediatos en la conducta, los cuales podemos incorporar”.

Expertos ajenos a la investigación a quienes les mostramos este nuevo análisis, que no ha sido arbitrado, comentaron que demuestra el valor creciente de los datos obtenidos en tiempo real, como aquellos que ofrecen las redes sociales, para mejorar modelos existentes.

El estudio muestra “que fuentes alternativas de datos de siguiente generación pueden dar alertas tempranas sobre aumentos en la presencia de COVID-19”, aseveró Lauren Ancel Meyers, bióloga y estadística en la Universidad de Texas, campus Austin. “En particular si los números de casos confirmados se quedan rezagados debido a retrasos en la búsqueda de tratamiento y por esperar resultados de pruebas”.

 

 

“Sabemos que ninguna fuente de datos es útil de manera aislada”, explicó Madhav Marathe, profesor de Informática en la Universidad de Virginia. “La aportación de este nuevo artículo es que cuentan con una buena y amplia variedad de fuentes”.

Según reporta en el artículo nuevo, el equipo analizó datos en tiempo real de cuatro fuentes además de Google: publicaciones en Twitter relacionadas con la COVID-19 (geoetiquetadas para conocer su localización), búsquedas realizadas por doctores en una plataforma para médicos denominada UpToDate, datos anónimos de movilidad de teléfonos celulares y medidas de los termómetros inteligentes de Kinsa, que registran información en una aplicación. Integró estas fuentes de datos con un sofisticado modelo de predicción desarrollado en la Universidad del Noreste en Estados Unidos, basado en cómo se desplazan e interactúan las personas dentro de las comunidades.

Para poner a prueba la capacidad de predicción de las tendencias observadas en las fuentes de datos el equipo observó cómo se correlacionaba cada una de ellas con el número de casos y muertes en marzo y abril, en cada estado.

En Nueva York, por ejemplo, una tendencia muy pronunciada al alza en publicaciones de Twitter relacionadas con la COVID-19 comenzó más de una semana antes de que el número de casos explotara a mediados de marzo; las búsquedas pertinentes en Google y las mediciones de Kinsa se dispararon varios días antes.

 

El equipo combinó todas estas fuentes de datos y les asignaron un peso con base en el calibre de su correlación con un posterior aumento en los casos. Este algoritmo “armonizado” fue capaz de predecir brotes con 21 días de anticipación en promedio, según descubrieron los científicos.

En cuanto al futuro, predice que es probable que Nebraska y Nueva Hampshire experimenten aumentos en el número de casos en las siguientes semanas si no se toman otras medidas, a pesar de que el número de casos en este momento se mantiene estable.

“Me parece que podemos esperar alertas por lo menos con una semana de anticipación, siendo conservadores y tomando en cuenta que la epidemia cambia continuamente”, señaló Santillana.

Añadió: “No creemos que estos datos vayan a reemplazar la vigilancia tradicional, sino a ofrecerle una especie de confirmación. Es el tipo de información que puede permitirles a los responsables de tomar decisiones decir con más seguridad: ‘No hay que esperar una semana más, actuemos ahora’.

COMPARTIR:Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

NO COMMENTS

DEJAR UN COMENTARIO