Así predicen cómo se propaga el Covid-19 en 10 grandes ciudades con un modelo informático

Un equipo de investigadores ha creado un modelo informático que predijo con precisión la propagación de Covid-19 en 10 ciudades importantes 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 en 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.

También lee:

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.

Así predicen cómo se propaga el Covid-19 en 10 grandes ciudades con un modelo informático

Foto: AP, archivo

David Grusky, profesor de sociología en la Facultad de Humanidades y Ciencias de Stanford y coautor del estudio, 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.

El experto apunta que el modelo muestra cómo la reapertura de negocios con límites de ocupación más bajos tiende a beneficiar más a los grupos desfavorecidos.

Covid-19 puede dañar testículos y generar infertilidad masculina: estudio

"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.

Así predicen cómo se propaga el Covid-19 en 10 grandes ciudades con un modelo informático

Foto: EFE/EPA/JUSTIN LANE

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.

También lee: 

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.

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.

nrv