EpI-PUMA: Plataforma Universitaria de Inteligencia Epidemiológica de SARS-CoV-2, Versión 1.0

Introducción

Resumen   Abstract   Cita

Actualmente, la pandemia de la COVID-19 causa dolor, pérdidas humanas y económicas en todas las naciones del mundo. Esta enfermedad se desarrolla en personas infectadas con el coronavirus SARS-CoV-2, quienes lo transmiten por aerosoles a sus congéneres [1]. El virus es de origen zoonótico y tiene parentesco con otro coronavirus: el SARS, que en 2003 logró infectar a más de 8000 personas y causó la muerte a más de 800 [2], [3].

En esta pandemia, después de casi dos años del día en que se detectaron los primeros casos de COVID-19 en Wuhan, China, más de 239 millones de personas se infectaron con el virus patógeno y 4.8 millones fallecieron en el mundo [4]. Desde diciembre de 2019, las personas han limitado sus movimientos y actividades para evitar el contacto entre ellas, y reducir las infecciones con SARS-CoV-2 [5]. Algunos estudios aconsejan restringir la movilidad hasta que la vacunación se haya completado para evitar que se establezcan variantes del virus, resistentes a estas [6]. Sin embargo, las limitaciones en la movilidad han puesto a millones de familias en riesgo, al haber reducido el funcionamiento de los comercios e industrias, generando desempleo e impactando en el ingreso familiar [7], [8]. 

Nos enfrentamos a la paradoja de limitar nuestros movimientos para no contagiarnos con el coronavirus o movernos para subsistir. De tal suerte, quisiéramos asignar recursos y diseñar políticas públicas de la mejor manera posible para mitigar los impactos directos e indirectos de la pandemia en nuestra vida y en los sectores más vulnerables. ¿Cómo podemos hacerlo? ¿Podemos pronosticar el riesgo y el avance en espacio y tiempo de la COVID-19?

La salud humana es un sistema complejo con propiedades que emergen de factores a múltiples escalas, desde nuestro perfil genético hasta el socioeconómico, así como los efectos adversos provocados por la obesidad, la diabetes, la pobreza, la violencia, nuestra interacción con la biodiversidad, la forma en que modificamos la tierra y producimos los alimentos, el cambio climático y la transmisión de las noticias falsas [9], [10]. ¿Cómo tomar las decisiones que mejoren nuestra salud, considerando tanta complejidad?
Históricamente, aprendemos a tomar decisiones con base en nuestros sentidos, nuestras experiencias e información. Sin embargo, estas experimentan sesgos debido a que la información no es completa y las experiencias previas desvían la toma de decisiones [11].
Entonces, ¿cómo saber que tomamos la mejor decisión sobre algún problema complejo?

Para reflexionar de una forma objetiva sería útil tener una máquina capaz de considerar todas las posibilidades, cuantificar sus probabilidades, incluso, podríamos hacer predicciones pragmáticas y enriquecerlas. Ante la limitante de que no existen teorías suficientemente detalladas que permitan calcular estas probabilidades de forma confiable [12], el Aprendizaje de Máquina -Inteligencia Artificial- permite extraer y relacionar la información de bases de datos que describen una gran cantidad de fenómenos. En su totalidad, los datos intrínsecamente contienen la información para entender las relaciones entre los fenómenos; y deben ser interpretadas por la Inteligencia Humana. Así, este tipo de Inteligencia Híbrida (máquina-humana) puede ayudarnos a comprender la complejidad de la salud humana en sus múltiples factores y escalas.

En el Laboratorio Chilam del Centro de Ciencias de la Complejidad, de la Universidad Nacional Autónoma de México (https://chilam.c3.unam.mx/) se desarrollan plataformas de inteligencia que integran algoritmos de aprendizaje de máquina y datos masivos de diversas fuentes y formatos, como, por ejemplo, el INEGI, la CONABIO, la Secretaría de Salud entre otras. Su objetivo es permitir la consulta y construcción de modelos probabilísticos que faciliten el estudio y comprensión de los fenómenos, y la cuantificación de riesgos para una mejor toma de decisiones.  

En particular, para analizar y comprender el comportamiento en tiempo y espacio de la pandemia por COVID-19, la Plataforma de Inteligencia Epidemiológica, EpI-PUMA¹ , considera datos demográficos, socioeconómicos, de infraestructura y movilidad para estimar las probabilidades posteriores de diversos indicadores, como son: el número de casos positivos a SARS-CoV-2 y el número de defunciones en cada municipio, en un intervalo de tiempo de interés para el usuario. En particular, se toma un municipio como elemento estadístico fundamental, aunque puede ser generalizado a una resolución más fina, como colonia, o más gruesa, como estado. Predice cuáles municipios están en mayor o menor riesgo respecto a un estado epidemiológico. Por ejemplo, ¿cuáles municipios pueden registrar un aumento de decesos? O ¿cuáles municipios tendrán más casos?
La plataforma de EpI-PUMA puede ser utilizada tanto por los responsables o autoridades como por el público en general, con una noción básica de probabilidad y estadística en la interpretación de resultados, sin necesidad de que sean expertos en tecnología.