El modelo informático de Stanford predice cómo se propaga el COVID-19 en las ciudades

A medida que aumentan los casos de COVID-19 en todo el país, a los funcionarios de la ciudad se les ha asignado el difícil acto de equilibrio de prevenir la propagación de infecciones y apoyar a las empresas. Un modelo de computadora de la Universidad de Stanford demuestra la movilidad y los patrones de contacto de una manera que sus creadores esperan que ayude a guiar la toma de decisiones de los líderes de la comunidad.

El equipo de Stanford dice que la especificidad de su modelo podría servir como una herramienta valiosa para los funcionarios, ya que la simulación revela las compensaciones entre nuevas infecciones y pérdida de ventas si los establecimientos abren con capacidades limitadas.

Una conclusión importante:según el modelo (y el video anterior de la Universidad de Stanford), limitar la ocupación al 50 por ciento del máximo hará que la economía pierda solo entre el 5 y el 10 por ciento de las visitas, mientras reduce la cantidad total de infecciones en más del 50 por ciento. por ciento.

Usando datos anónimos a gran escala de teléfonos celulares, el equipo de Stanford analizó patrones de movimiento en 10 de las áreas metropolitanas más grandes de los Estados Unidos, incluidas Atlanta, Dallas y la ciudad de Nueva York, un grupo que totaliza más de 98 millones de personas.

El modelo informático predijo con precisión la propagación de COVID-19 en las diez ciudades principales esta primavera mediante el análisis de tres factores que impulsan el riesgo de infección:adónde van las personas en el transcurso del día, cuánto tiempo permanecen; y qué tan concurridos están los lugares al mismo tiempo.

Resulta que un pequeño porcentaje de infecciones en puntos de interés representa un gran porcentaje de infecciones.

El estudio, publicado este mes en la revista Nature , usó una combinación de datos demográficos, estimaciones epidemiológicas e información de ubicación anónima de teléfonos celulares para predecir que la mayoría de las transmisiones de COVID-19 fuera del hogar ocurren en sitios de "superpropagación", donde las personas permanecen en lugares cerrados durante períodos prolongados.

“Construimos un modelo de computadora para analizar cómo las personas de diferentes orígenes demográficos y de diferentes vecindarios visitan diferentes tipos de lugares que están más o menos concurridos. Con base en todo esto, podríamos predecir la probabilidad de que ocurran nuevas infecciones en cualquier lugar o momento”, dijo Jure Leskovec , científico informático de Stanford e investigador principal.

Leskovec y su equipo concluyeron que los límites de densidad, o la restricción de la ocupación de los establecimientos, reducen las infecciones en general, así como las disparidades entre las comunidades afectadas por el COVID-19. El modelo sugiere que los patrones de movilidad generan riesgos desproporcionados.

"Resulta que los grupos de bajos ingresos son más propensos a frecuentar lugares en los que la densidad es alta", dijo el coautor del estudio David Grusky, profesor de sociología en la Facultad de Humanidades y Ciencias de Stanford (en el video anterior). "Por ejemplo, las tiendas de comestibles en los vecindarios de bajos ingresos tienden a tener una mayor densidad y tienden a estar más concurridas".

Más modelos de computadoras en resúmenes técnicos

Míralo en Tech Briefs TV: Un modelo informático del MIT permite obtener las formas de ADN en 3D más complejas jamás producidas.

Blog de Billy: Un modelo innovador que ofrece una mejor apariencia del interior de las baterías recargables.

En la Revista: El motor de diagnóstico basado en modelos de la NASA

Grusky, quien también dirige el Centro Stanford sobre Pobreza y Desigualdad, dijo que el modelo demuestra 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 personas de minorías y de bajos ingresos a menudo son más pequeños y están más concurridos, los límites de ocupación en las tiendas reabiertas pueden reducir los riesgos que enfrentan”, dijo Grusky. “Tenemos la responsabilidad de crear planes de reapertura que eliminen, o al menos reduzcan, las disparidades que están creando las prácticas actuales”.

Cómo Stanford recopiló los datos

SafeGraph, una empresa que agrega datos de ubicación anónimos de aplicaciones móviles, mostró a los modeladores de Stanford adónde iba la gente; por cuánto tiempo; y, lo que es más importante, cuál era la superficie en pies cuadrados de cada establecimiento para que los investigadores pudieran determinar la densidad de ocupación por hora.

Las ciudades del estudio de Stanford incluyeron Nueva York, Los Ángeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Filadelfia y San Francisco.

En la Fase uno del estudio, del 8 de marzo a mayo de este año, se utilizaron datos de movilidad para predecir la tasa de transmisión del coronavirus. En su modelo, después de incorporar la cantidad de infecciones de COVID-19 informadas a los funcionarios de salud cada día, los investigadores desarrollaron y refinaron una serie de ecuaciones para calcular la probabilidad de eventos infecciosos en diferentes lugares y momentos.

Las predicciones coincidieron estrechamente con los informes reales de los funcionarios de salud, lo que les dio a los investigadores confianza en la confiabilidad del modelo.

El equipo, que incluía a la estudiante de doctorado Emma Pierson, puso sus herramientas y datos a disposición del público para que otros investigadores puedan replicar y desarrollar los hallazgos.

En una breve sesión de preguntas y respuestas a continuación, Pierson le dice a Tech Briefs por qué el modelo sugiere que una estrategia de reapertura no tiene que ser "todo o nada".

Resúmenes técnicos :Con el modelo en sí, ¿qué tipo de datos se recopilan que permiten una especie de "especificidad" valiosa, especialmente en comparación con los métodos de modelado existentes?

Emma Pierson: Usamos datos agregados anónimos de SafeGraph, una empresa que rastrea patrones de movimiento humano utilizando datos de teléfonos celulares. Nuestros datos registran cuántas personas van a puntos de interés (PDI) como restaurantes y supermercados cada hora, y también registran los vecindarios de los que provienen.

Nuestro análisis se basa en datos de diez grandes áreas metropolitanas de EE. UU. de marzo a mayo de 2020 (la primera ola de infecciones). Estos datos de movilidad detallados nos permiten modelar quién está infectado, dónde está infectado y cuándo está infectado.

Resúmenes técnicos :¿Cuál cree que fue la conclusión más importante que se extrajo de su modelo?

Emma Pierson: Hay una serie de conclusiones que se derivan de nuestro análisis, pero dos de las más importantes son:

• La reapertura no tiene que ser "todo o nada":estrategias como reducir la ocupación máxima pueden permitirnos reabrir de manera más eficiente al proporcionar una gran reducción de infecciones por una reducción relativamente pequeña de visitas.
• Nuestro modelo también sugiere que las disparidades raciales y socioeconómicas se deben en parte a la movilidad:no son inevitables, pero pueden verse influenciadas por decisiones políticas a corto plazo. Por lo tanto, al evaluar las estrategias de reapertura, es importante no solo considerar el impacto en la población en su conjunto, sino también el impacto en los grupos desfavorecidos. Esto respalda los pasos que están tomando California y el equipo de transición Biden-Harris para considerar específicamente el impacto de las políticas de reapertura en las poblaciones desfavorecidas.

Resúmenes técnicos :¿Cómo pueden los funcionarios usar su modelo de manera más efectiva?

Emma Pierson: Los dos hallazgos anteriores son directamente relevantes para las políticas y nos ayudan a desarrollar estrategias de reapertura más efectivas y equitativas. También estamos construyendo una herramienta en línea que puede permitir a los responsables políticos y al público interactuar con nuestro modelo y aprender de él. Por último, estamos trabajando para ampliar el análisis con datos más actualizados, ya que el análisis original se basa en datos de la primavera y muchas cosas han cambiado desde entonces.

¿Qué opinas? Comparta sus preguntas y comentarios a continuación.