Modelo de Stanford mapea propagación del COVID-19 en ciudades, guiando decisiones políticas

A medida que casos de COVID-19 aumentan en el país, funcionarios municipales enfrentan difícil equilibrio entre prevenir contagios y apoyar negocios. Un modelo computacional de Universidad Stanford demuestra patrones de movilidad y contacto de forma que sus creadores esperan ayude a guiar decisiones de líderes comunitarios.

El equipo de Stanford dice que la especificidad de su modelo sirve como herramienta valiosa para funcionarios, pues la simulación revela trade-offs entre nuevas infecciones y ventas perdidas si establecimientos abren a capacidades limitadas.

Conclusión principal: Según modelo (y video arriba de Stanford), limitar ocupación al 50% del máximo lleva a economía a perder solo 5-10% de visitas, mientras reduce infecciones totales >50%.

Usando datos anonimizados a gran escala de teléfonos móviles, equipo Stanford analizó patrones de movimiento en 10 mayores áreas metropolitanas de EE. UU., incluyendo Atlanta, Dallas y NYC —grupo total >98 millones personas.

El modelo computacional predijo con precisión propagación de COVID-19 en diez ciudades principales esta primavera analizando tres factores que impulsan riesgo infección: a dónde va gente en un día, cuánto tiempo permanecen; y qué tan concurridos están los lugares a la vez.

“Un pequeño porcentaje de infecciones en puntos de interés resulta que representa gran porcentaje de infecciones.”

El estudio, publicado este mes en Nature , usó combinación de datos demográficos, estimaciones epidemiológicas y información anónima de ubicación de móviles, para predecir que la mayoría de transmisiones de COVID-19 fuera del hogar ocurren en “superspreader sites”, donde gente permanece en espacios cerrados periodos prolongados.

“Construimos modelo computacional para analizar cómo personas de diferentes orígenes demográficos y vecindarios visitan distintos tipos de lugares más o menos concurridos. Basado en todo esto, podíamos predecir probabilidad de nuevas infecciones en cualquier lugar o momento”, dijo Jure Leskovec , científico computacional Stanford e investigador principal.

Leskovec y equipo concluyeron que límites de densidad, o restringir ocupación de establecimientos, reduce infecciones totales y disparidades entre comunidades afectadas por COVID-19. El modelo sugiere que patrones de movilidad impulsan riesgos desproporcionados.

“Resulta que grupos de bajos ingresos más probable frecuentan lugares con densidades altas”, dijo coautor David Grusky, profesor sociología en Stanford Humanities and Sciences (en video arriba). “Por ejemplo, tiendas de comestibles en vecindarios bajos ingresos tienden a ser más densas y concurridas.”

Más Modelos Computacionales en Tech Briefs

Ver en Tech Briefs TV: Modelo MIT permite formas 3D ADN más complejas jamás producidas.

Blog de Billy: Modelo revolucionario ofrece mejor vista dentro de baterías recargables.

En Revista: Motor de diagnóstico basado en modelos de NASA

Grusky, quien también dirige Centro Stanford sobre Pobreza y Desigualdad, dijo que modelo demuestra cómo reapertura de negocios con límites de ocupación más bajos benefician más a grupos desfavorecidos.

“Porque lugares que emplean minorías y bajos ingresos son a menudo más pequeños y concurridos, límites de ocupación en tiendas reabiertas reducen riesgos que enfrentan”, dijo Grusky. “Tenemos responsabilidad de construir planes de reapertura que eliminen —o al menos reduzcan— disparidades que prácticas actuales crean.”

Cómo Stanford recopiló los datos

SafeGraph, empresa que agrega datos anonimizados de ubicación de apps móviles, mostró a modeladores Stanford a dónde iba gente; por cuánto tiempo; y, lo más importante, metros cuadrados de cada establecimiento para determinar densidad horaria de ocupación.

Ciudades en estudio: Nueva York, Los Ángeles, Chicago, Dallas, Washington DC, Houston, Atlanta, Miami, Filadelfia y San Francisco.

Fase 1 (8 marzo - mayo): datos de movilidad usados para predecir tasa transmisión coronavirus. En modelo, incorporando número infecciones COVID-19 reportadas diariamente a autoridades sanitarias, investigadores desarrollaron y refinaron serie de ecuaciones para computar probabilidad de eventos infecciosos en diferentes lugares y momentos.

Predicciones siguieron de cerca reportes reales de autoridades, dando confianza en fiabilidad del modelo.

Equipo, incluyendo doctoranda Emma Pierson, hizo públicas herramientas y datos para que otros investigadores repliquen y construyan sobre hallazgos.

En Q&A abajo, Pierson dice a Tech Briefs por qué modelo sugiere estrategia reapertura no tiene que ser “todo-o-nada”.

Tech Briefs: Con el modelo, qué datos se recogen que permiten “especificidad” valiosa, especialmente vs métodos modelado existentes?

Emma Pierson: Usamos datos anonimizados agregados de SafeGraph, que rastrea patrones movimiento humano con datos móviles. Nuestros datos registran cuánta gente va a puntos de interés (POIs) como restaurantes y supermercados cada hora, y también vecindarios de origen.

Nuestro análisis basé en datos de diez grandes áreas metro EE. UU. marzo-mayo 2020 (primera ola). Estos datos de movilidad granulares permiten modelar quién se infecta, dónde y cuándo.

Tech Briefs: Cuál fue conclusión más importante, cree, extraída de su modelo?

Emma Pierson: Varias conclusiones fluyen, pero dos de las más importantes:

• Reapertura no tiene que ser “todo-o-nada”: estrategias como reducir ocupación máxima permiten reapertura más eficiente dando gran reducción infecciones por reducción relativamente pequeña en visitas.
• Nuestro modelo sugiere disparidades raciales y socioeconómicas impulsadas en parte por movilidad: no son inevitables, pueden influirse con decisiones políticas cortoplazo. Por tanto, al evaluar estrategias reapertura, importante considerar impacto no solo en población general sino también en grupos desfavorecidos. Apoya pasos tomados por California y equipo transición Biden-Harris para considerar impacto políticas reapertura en poblaciones desfavorecidas.

Tech Briefs: Cómo pueden funcionarios usar su modelo más efectivamente?

Emma Pierson: Dos hallazgos arriba son directamente relevantes para política, ayudan desarrollar estrategias reapertura más efectivas y equitativas. También construimos herramienta online que permite a políticos y público interactuar y aprender de nuestro modelo. Finalmente, trabajamos en extender análisis con datos más actualizados, ya que análisis original basé en datos primavera, y muchas cosas cambiaron desde entonces.

¿Qué piensa? Comparta preguntas y comentarios abajo.