Publicación semestral • ISSN 2683-2968 • Marzo 2023 • Número de revista 7
DOI de la revista: https://doi.org/10.22201/dgtic.26832968e
DOI del número: https://doi.org/10.22201/dgtic.26832968e.2023.7
Fecha de recepción: 09 de diciembre de 2021
Fecha de publicación: marzo de 2023
Publicación semestral • ISSN 2683-2968 • Marzo 2023 • Número de revista 7
DOI de la revista: https://doi.org/10.22201/dgtic.26832968e
DOI del número: https://doi.org/10.22201/dgtic.26832968e.2023.7
DOI del artículo: https://doi.org/10.22201/dgtic.26832968e.2022.7.2
3/7
En los sistemas complejos adaptativos, la importancia de los factores asociados a la clase de interés (C) es dinámica, y por ello la precisión de los modelos en EpI-PUMA cambia en el tiempo. Por ejemplo, al hacer un pronóstico sobre el aumento del número de decesos de pacientes con COVID-19 en cada municipio, en unos meses, podemos observar que el pronóstico (score) generado en el periodo de entrenamiento es en general bueno para clasificar a aquellos municipios que presentan un aumento en el número de decesos en el periodo de validación, ver figura 1.
Figura 1. Desempeño del modelo predictivo de empeoramiento. Distribución del pronóstico (score) del entrenamiento en la clase y no clase de la validación. El modelo predictivo pronostica el aumento en el número de decesos de pacientes con Covid-19 en cada municipio (scores). Los municipios en los que aumentaron los decesos en el periodo de
validación tienen un pronóstico alto (rojo) comparado con los municipios
sin aumentos en decesos (azul). Los predictores del modelo incluyen
variables demográficas, socioeconómicas y de movilidad entre municipios.
2022. Fuente: elaboración propia.
En este ejercicio, EpI-PUMA 1.0 durante un mes de entrenamiento antes de la validación, pudo predecir entre el 74 % y el 98 % de todos los municipios con aumentos en el número de decesos en la validación. Sin embargo, la precisión de este modelo tiende a disminuir en el tiempo, ver figura 2. La precisión en marzo de 2021 fue alta (98 %) comparada con la precisión en julio de 2021 (74 %). Esta pérdida de precisión en la predicción del modelo en nuestro ejemplo puede deberse al efecto de la vacunación en el número de decesos. Cabe mencionar que la campaña de vacunación en el país empezó en febrero de 2021 en la población más vulnerable y esto redujo sustancialmente la letalidad del COVID-19.
Figura 2. Cambio temporal en la precisión del modelo. La precisión se estimó como el porcentaje de los municipios en los que aumentaron los decesos en la validación y tuvieron un pronóstico de riesgo en el 40% más alto de los valores de score. 2022. Fuente: elaboración propia.
Como ya se ha mencionado, la plataforma EpI-Puma tiene el objetivo de poner a disposición del público en general un mecanismo mediante el cual puedan aprovechar la existencia de datos públicos para informar sus decisiones en salud. Está concebida como un servicio de computación en línea (Platform as a Service -PaaS), es decir, (1) permite que las personas usen dicho servicio sin necesidad de instalar nada en su propia computadora, y (2) ofrece a los desarrolladores una forma de crear aplicaciones personalizadas. Al usar PaaS, los desarrolladores pueden automatizar el trabajo de back-end, configurar servidores y permitir que el cómputo se ejecute de forma transparente y en segundo plano. Con este servicio, el proceso de desarrollo puede centrarse en codificar, probar e implementar aplicaciones en lugar de aprovisionar servidores, almacenamiento y copias de seguridad.
La interfaz gráfica de EpI-Puma 1.0 está construida en Javascript y jQuery (biblioteca multiplataforma de JavaScript) debido a que jQuery cuenta con un modularidad dentro de su desarrollo y se puede utilizar con éxito para manipular mapas pequeños, basados en un archivo rasterizado. Además, la accesibilidad, el carácter no invasivo y la sencillez de implementación y modificación son complementos que hacen de jQuery un marco de trabajo ágil. Estos en cualquier momento se pueden desconectar del documento base y reemplazarse por uno más nuevo, más funcional y una versión más útil, generando un marco sumamente escalable. Debido a su utilidad, la biblioteca jQuery se desarrolla constantemente y se crean implementaciones y funciones en las aplicaciones web continuamente [19].
Interfaz gráfica 1.0
La interfaz gráfica está dividida principalmente en tres secciones que permiten al usuario conectarse con el backend y definir (I) los criterios del modelo y (II) los predictores (factores de riesgo), y (III) visualizar los resultados.