Copyright © 2016. Banco Interamericano de Desarrollo. Si deseas republicar el artículo, por favor solicita autorización a [email protected]
Por Michelle Marshall y Jose Luis Delgado.
Cada vez más, especialistas en salud pública investigan el potencial de los datos para predecir epidemias. La predicción de brotes permite ganar tiempo y recursos para acciones de prevención e intervención en las áreas. Al mismo tiempo, hay muchas organizaciones invirtiendo en el desarrollo de plataformas de gestión de datos, visualizaciones y algoritmos que puedan ayudar a estos especialistas.
Para explorar esta posibilidad de impacto colectivo, el próximo 2 y 3 de diciembre, el Banco Interamericano de Desarrollo (BID) organizará una Expedición de Datos llamada Alerta Zika, en alianza con la Fundación Getulio Vargas (FGV), la Pontificia Universidade Católica de Río (PUC-Río), la Secretaría Municipal de Salud de Río de Janeiro, y el Lab.Río. Los participantes utilizarán su conocimiento de ciencia informática para responder al reto formulado por la Secretaría Municipal de Salud de Río: ¿Habrá una nueva oleada de infecciones de Zika el próximo verano? ¿Cuáles son las zonas de Río de Janeiro con más riesgo de brotes de Zika?
Este evento es necesario porque los epidemiólogos se encontraron con la necesidad de mejorar la recolección y análisis de datos. En el proyecto Zika SmarterCrowdsourcing, colaboración entre la División de Protección Social y Salud del BID y el Laboratorio de Gobernanza (GovLab) de la Universidad de Nueva York, se dedicaron dos conferencias a discutir temas relacionados a datos y destacar algunos casos ejemplares de modelos predictivos para la vigilancia de enfermedades transmitidas por mosquitos. Los tres ejemplos a continuación son representativos y sirven para demostrar cómo los modelos predictivos podrían funcionar en el caso del Zika.
1. Info Dengue
Fundación Oswaldo Cruz y FGV, Brasil.
Info Dengue es un sistema de alerta temprana desarrollado por la FGV en colaboración con una alianza de instituciones brasileñas.
El sistema combina dos elementos. El Primero es un cronograma que utiliza “now-casting” para los casos de Dengue en los estados de Río de Janeiro, Paraná, y Espírito Santo. El gráfico demuestra los períodos de brotes en tiempo real a lo largo del año. El segundo elemento es un mapa que ilustra el índice de riesgo en las municipalidades utilizando un modelo predictivo basado en series de tiempo. El modelo incorpora múltiples variables como temperatura ambiental, información clínica y mensajes de Twitter para determinar el nivel de riesgo. Si el tiempo es óptimo para la reproducción de mosquitos, la zona afectada se ilumina en amarillo y señala la necesidad de tomar acciones preventivas. Los municipios participantes reciben relatorios epidemiológicos que resumen los hallazgos del sistema cada semana.
Flávio Coelho, professor de matemática aplicada y coordinador del Centro de Epidemiología Matemática de la FGV, busca aplicar las lecciones aprendidas del modelo Info Dengue al caso de Zika. “Ciertas similitudes entre Zika y Dengue nos permiten usar lo que sabemos sobre el Dengue para entender y predecir el Zika,” dijo Coelho. “Sabemos que en Brasil, estas enfermedades comparten el vector Aedes aegypti, y llevamos tiempo estudiando el comportamiento y los patrones de estos mosquitos.”
2. Dengue Forecast
Agencia Nacional de Medio Ambiente de Singapur
Al otro lado del mundo, la predicción de Dengue es igual de importante. En Singapur, un estudio afina el análisis de las variables meteorológicas para hacer predicciones cada vez más precisas mediante el uso de modelos autorregresivos.
La comparación entre los casos predichos y los casos reportados, ilustrados en la gráfica, demuestra que un algoritmo puede tener un alto nivel de precisión, incluso utilizando pocas variables si son de calidad. La introducción a la metodología describe cómo se han utilizado las series temporales de temperatura y lluvia en relación a la propagación de Dengue en la isla del Pacífico Sur.
El modelo de Singapur ha sido elogiado por su exactitud y la eficacia de los programas de respuesta informados por sus predicciones.
3. Malaria Early Warning System
Universidad de Columbia, Estados Unidos
En contraste con el ejemplo anterior, el sistema de Early Warning de Malaria (MEWS) desarrollado por la Biblioteca de Datos del Instituto de Investigación Internacional para el Clima y la Sociedad (IRI por sus siglas en inglés) ha compilado un catálogo de variables y algoritmos predictivos de los factores atribuidos a la propagación de Malaria. Dentro de sus cuatro categorías, explora si “el uso de todos los elementos como sistema puede ser útil para comprender los factores socioeconómicos y climáticos de la malaria en determinadas regiones.”
Estos tres algoritmos, representan distintos abordajes sobre la predicción de las enfermedades transmitidas por mosquitos, sin embargo, la necesidad de contar con mejores datos estimula el desarrollo de nuevos modelos predictivos. Los Data Scientists de la Expedición de Datos en Río de Janeiro serán pioneros en combinar y analizar conjuntos de datos recabados por los organizadores del evento. Luego, los resultados y las nuevas técnicas que se desarrollen en Río de Janeiro podrían representar un importante paso en el uso de Big Data en epidemiología en la región, sobre todo en los lugares donde existe alta incidencia de estas enfermedades y con escaso desarrollo de investigación en salud pública. Estos modelos podrían ser utilizados en un futuro por otros países en los que la enfermedad es endémica. La transferencia de conocimiento de estas técnicas será importante próximamente, tal como la necesidad de invertir en el mejoramiento de los sistemas de vigilancia epidemiológica.
Michelle Marshall es consultora en la División de Gestión de Conocimiento del Banco Interamericano de Desarrollo, donde hace parte del equipo Innovación Abierta. Apoya la División de Protección Social y Salud con la documentación metodológica del proyecto Zika SmarterCrowdsourcing y en la gestión del evento Alerta Zika.
José Luis Delgado es consultor en la División de Gestión de Conocimiento del Banco Interamericano de Desarrollo, donde actualmente gestiona proyectos digitales y de Big Data. También hace parte del equipo Innovación Abierta.
Leave a Reply