Los datos de la red móvil, un método eficiente para evaluar la propagación de las epidemias

Un equipo de investigación de IMDEA Networks lleva a cabo el primer trabajo que estudia datos móviles para detectar hospitalizaciones de COVID-19 y crear mapas de riesgo

10 Octubre 2022

El comienzo de la pandemia de COVID-19 en marzo de 2020 obligó a los gobiernos de todo el mundo a adoptar medidas para evitar su propagación entre la población y, de este modo, disminuir el número de víctimas mortales a consecuencia del virus. Unos meses más tarde, al tiempo que se fueron levantando de manera gradual las restricciones a la movilidad y los confinamientos, los estados decidieron poner en marcha aplicaciones de rastreo que la ciudadanía podía descargarse en su teléfono móvil para conocer si había contactos cercanos contagiados con COVID. Sin embargo, para que estas apps sean realmente eficaces se necesita que un gran número de personas las tengan instaladas en sus dispositivos, además de que implican ciertos riesgos a la privacidad.

Ahora un equipo de investigación de IMDEA Networks encabezado por Elisa Cabana (investigadora Postdoc) y Nikolaos Laoutaris (Profesor de investigación), en colaboración con Andra Lutu (Teléfonica Research) y Enrique Frías-Martínez (Universidad Camilo José Cela), ha realizado un trabajo en el que proponen un método que utiliza los datos de la red móvil para detectar posibles hospitalizaciones por COVID-19 y obtener los correspondientes mapas de riesgo epidémico. El paper “Improving epidemic risk maps using mobility information from mobile network data” se publicará en la conferencia ACM SIGSPATIAL en noviembre de 2022.

Cabana explica que la mayor ventaja de la solución que proponen reside en que, a diferencia del contact tracing, “los datos ya están disponibles en la operadora y se avanza más rápido. No hace falta tener activado el GPS y descargada una aplicación”. “Cuando tienes conectados los datos móviles, tu dispositivo se conecta a una torre de telefonía que permite identificar tu radio de localización. Y así se estudia la movilidad espacio-temporal de las personas”, añade. Otro punto positivo es que el método funciona con datos anónimos y puede ejecutarse en las instalaciones del operador bajo sus disposiciones de seguridad estándar.

Según Laoutaris, el funcionamiento del método es el siguiente: “Se comprueba la ubicación de un teléfono a última hora de la noche y si no se conecta a las torres de telefonía habituales a las que lo hacía en la época prepandémica, se mira si lo hacía a una torre cercana a un hospital que está recibiendo pacientes COVID. En caso de que lo haga la persona propietaria queda etiquetada como potencialmente hospitalizada”. Asimismo, el método incluye filtros para eliminar los falsos positivos, como pueden ser personas que viven cerca o trabajan en hospitales.

Como indican en su estudio, los datos de la red móvil pueden ser explotados para entender las dinámicas de movilidad urbana y su impacto en el contagio de enfermedades contagiosas como el cólera y, también predecir el riesgo de virus como el dengue, el zika o la malaria, u otros nuevos que puedan surgir en el futuro.

El equipo ha aplicado su método a un conjunto de datos anónimos de más de 2 millones de teléfonos móviles, recogidos por un proveedor de red móvil situado en Londres, Reino Unido, durante los meses de marzo y abril de 2020. Y ha llegado a la conclusión de que este método arroja una concordancia del 98,6% con los registros públicos de los y las pacientes que ingresaron en los hospitales del Servicio Nacional de Salud.

Fases del proceso de recogida de datos

En la primera fase, el grupo de investigación describe el algoritmo para detectar las posibles hospitalizaciones de COVID a partir de los datos de la red móvil, así como los parámetros implicados. La segunda fase consiste en validar estos datos comprobando los casos reportados por los hospitales londinenses al Servicio Nacional de Salud y compararlos con los obtenidos con el método propuesto. Por último, en la tercera fase, analizan el patrón de movilidad de cada persona detectada como hospitalizada durante las dos semanas anteriores a su día de hospitalización. Con esta información, obtienen mapas de riesgo dinámicos y detallados que cambian a lo largo del tiempo y, por tanto, captan con mayor precisión la distribución, la evolución y la intensidad de la enfermedad.

En comparación con los mapas basados en el censo, sus mapas de riesgo indican que las zonas de mayor riesgo no son necesariamente las más densamente pobladas y pueden cambiar de un día para otro. Además, han observado que las personas hospitalizadas tienden a tener una mayor movilidad media que las no hospitalizadas.

Elisa Cabana subraya que el resultado más relevante de su investigación son precisamente los mapas de riesgo, ya que no solo permiten analizar visualmente la evolución de una epidemia, sino que pueden ser muy beneficiosos para diferentes sectores de la sociedad. “A nivel individual, representar cada área con un color más o menos intenso, que pueda variar en el tiempo, en dependencia de una medida de riesgo, es útil porque puede ayudar a las personas a tomar medidas de protección adicionales, en cada momento y lugar. Para los equipos de emergencia y los responsables de la toma de decisiones ayudaría a evaluar el nivel de estrés en el sistema de salud, así como la severidad y la intensidad de propagación, y las ventajas o desventajas de ciertas decisiones (uso de mascarilla, cuarentena, vacunación). En general, la información espacio-temporal extraída de los datos de la red móvil, y las herramientas que desarrollemos con esa información, pueden beneficiar tanto a las personas a nivel individual, como a las políticas y decisiones importantes que se estén desarrollando contra las epidemias existentes y futuras”, concluye.

Download PDF

Más información

Cabana, A. Lutu, E. Frias-Martinez, N. Laoutaris, “Improving Epidemic Risk Maps Using Mobility Information from Mobile Network Data,” ACM SIGSPATIAL’22. (extended abstractfull version at SpatialEpi’22 workshop).


Fuente(s): IMDEA Networks Institute
Categorizado en: ,

Comentarios recientes

    Archivos

    Categorías