El tráfico peatonal -seguido por teléfonos móviles- puede predecir la propagación del COVID-19 en los vecindarios de la ciudad de Nueva York

Tabla de contenido

Un nuevo estudio publicado en la revista PLOS Computational Biology revela cómo los datos de tráfico peatonal de dispositivos móviles pueden mejorar los pronósticos de COVID-19 a nivel de vecindario en la ciudad de Nueva York. El trabajo, dirigido por investigadores de la Escuela de Salud Pública Mailman de la Universidad de Columbia y la Universidad de Tecnología de Dalian, proporciona un enfoque novedoso para predecir la propagación del virus SARS-CoV-2 y mejorar las intervenciones de salud pública específicas durante futuros brotes.

Imagen de Silviu en la calle por Pixabay

La pandemia de COVID-19 afectó duramente a la ciudad de Nueva York, con tasas de infección que variaron drásticamente entre barrios. Si bien algunas zonas experimentaron una transmisión rápida, otras registraron tasas de transmisión y casos más bajos, debido principalmente a diferencias en factores socioeconómicos, comportamiento humano e intervenciones locales.

Para abordar estas desigualdades, los investigadores desarrollaron un modelo de pronóstico que considera los patrones de movilidad a nivel barrial para proporcionar predicciones precisas de la propagación de la enfermedad. Analizaron datos anónimos de ubicación móvil para rastrear el tráfico peatonal en restaurantes, tiendas y lugares de ocio en 42 barrios. Al integrar estos patrones de movimiento con un modelo epidémico, identificaron dónde y cuándo es probable que se produzcan brotes.

“Nuestro análisis muestra claramente cómo las actividades rutinarias como salir a cenar o ir de compras se convirtieron en importantes vías de transmisión de COVID-19”, explicó el autor principal Sen Pei, PhD, profesor asistente en el Departamento de Ciencias de la Salud Ambiental de la Escuela Mailman de Columbia. “Estos conocimientos conductuales le dan a nuestro modelo un poder predictivo significativamente mayor que los enfoques convencionales”.

Un pronóstico de precisión sobre la propagación de COVID-19 en el vecindario
#

Este estudio demuestra cómo el modelado de COVID-19 a nivel barrial puede ayudar a abordar las disparidades sanitarias mediante la identificación de patrones de transmisión con especificidad local. La investigación revela que los espacios interiores concurridos, en particular restaurantes y bares, desempeñaron un papel importante en la propagación temprana de la pandemia. Al integrar datos de movilidad en tiempo real, el equipo desarrolló un modelo basado en el comportamiento que supera a los métodos de pronóstico tradicionales en la predicción de casos a nivel comunitario.

Otro componente crucial es la incorporación de los efectos estacionales en el modelo. Los investigadores confirmaron el mayor riesgo de transmisión en invierno, vinculándolo con niveles más bajos de humedad que prolongan la supervivencia del virus en el aire. Este ajuste estacional permite realizar predicciones más precisas a corto plazo, lo que brinda a las autoridades de salud pública un margen crucial para prepararse ante los aumentos repentinos de infecciones.

Una herramienta para una respuesta equitativa ante una pandemia
#

El modelo basado en el comportamiento podría empoderar a los departamentos de salud para distribuir pruebas y recursos clínicos, y dirigir las intervenciones de salud pública donde más se necesitan, garantizando que la protección llegue primero a los barrios vulnerables. Al determinar con precisión cuándo y dónde es probable que se produzcan picos de transmisión, el enfoque reemplaza las conjeturas con una prevención específica. Por ejemplo, a medida que el frío obliga a la gente a permanecer en interiores, el modelo podría identificar lugares de reunión que requerirían restricciones de aforo.

Refinando el modelo para brotes futuros
#

Si bien el modelo basado en el comportamiento ha demostrado ser eficaz, los investigadores señalan que su implementación en el mundo real requiere mayor perfeccionamiento. Un desafío clave radica en garantizar un acceso consistente a datos de alta calidad sobre movilidad y casos, una limitación presente durante las primeras fases de la pandemia, cuando los flujos de información eran poco fiables.

Los investigadores ahora están perfeccionando el modelo para incorporar cambios de comportamiento adaptativos en respuesta a infecciones y su retroalimentación sobre la transmisión de enfermedades. Estas mejoras serán especialmente vitales para la preparación y respuesta a futuras pandemias, permitiendo predicciones más precisas de los patrones de propagación de enfermedades.

“El éxito de este modelo con la COVID-19 abre nuevas vías para combatir brotes futuros”, explicó Pei. “Al mapear la transmisión de enfermedades a nivel comunitario, podemos dotar a la ciudad de Nueva York, y potencialmente a otros lugares también, con información para tomar decisiones más informadas mientras se preparan y responden a las amenazas emergentes para la salud”.

El primer autor del estudio es Renquan Zhang, de la Universidad Tecnológica de Dalian, Dalian, China. Otros autores son Qing Yao, Wan Yang, Kai Ruggeri y Jeffrey Shaman, de Columbia; y Jilei Tai, de la Universidad Tecnológica de Dalian.

Este estudio fue apoyado por la Fundación Nacional de Ciencias de Estados Unidos (DMS-2229605), los Centros para el Control y la Prevención de Enfermedades (75D30122C14289, U01CK000592) y el Consejo de Epidemiólogos Estatales y Territoriales de Estados Unidos (NU38OT00297).

Jeffrey Shaman declaró ser propietario parcial de SK Analytics y consultor de BNI. Los demás autores declararon que no tenían conflictos de interés.

This is an error!