{"id":10174,"date":"2020-06-27T17:23:29","date_gmt":"2020-06-27T22:23:29","guid":{"rendered":"http:\/\/cienciauanl.uanl.mx\/?p=10174"},"modified":"2020-06-30T11:11:39","modified_gmt":"2020-06-30T16:11:39","slug":"estrategias-de-analisis-de-informacion-ante-la-pandemia-de-2020","status":"publish","type":"post","link":"https:\/\/cienciauanl.uanl.mx\/?p=10174","title":{"rendered":"ESTRATEGIAS DE AN\u00c1LISIS DE INFORMACI\u00d3N ANTE LA PANDEMIA DE 2020"},"content":{"rendered":"

\"\"<\/a><\/p>\n

H\u00e9ctor Ben\u00edtez-P\u00e9rez*, Fabi\u00e1n Garc\u00eda-Nocetti*, Elena Larraga*, Willian Lee*,
\nManuel Su\u00e1rez-Lastra*, Jorge Velasco*, Jes\u00fas M. Siqueiros-Garc\u00eda*<\/p>\n

CIENCIA UANL \/ A\u00d1O 23, No.102 julio-agosto 2020<\/p>\n

EL CONTEXTO<\/h4>\n

Queremos empezar este texto agradeciendo a la revista Ciencia UANL<\/em> el espacio y la invitaci\u00f3n para presentar esta rese\u00f1a de varias acciones en torno a la pandemia, bajo la perspectiva de la informaci\u00f3n sobre COVID-19 en un amplio espectro. En abril del presente a\u00f1o, al interior del Subsistema de la Investigaci\u00f3n Cient\u00edfica de la UNAM, en la Coordinaci\u00f3n de la Investigaci\u00f3n Cient\u00edfica, se definieron diversas acciones en apoyo a la sociedad en el contexto de la contingencia sanitaria por la que estamos pasando; particularmente en lo relativo a estrategias de insumos, equipamientos o suministros, en el sector biol\u00f3gico y de la salud, en el terreno del estudio ambiental y por supuesto en lo referente al an\u00e1lisis de la informaci\u00f3n sobre el comportamiento del virus, contagios y enfermedad. Es en este \u00faltimo donde se concentrar\u00e1 este documento.<\/p>\n

Como bien es sabido, a partir de la detecci\u00f3n del primer caso de COVID-19 se han generado datos tanto de los infectados, de los susceptibles, de los internados, de los recuperados y de los fallecidos. Con dicha informaci\u00f3n diversos sectores de la sociedad han construido representaciones que les permiten, como organizaciones o individuos, dar un sentido de certeza a la situaci\u00f3n que se est\u00e1 viviendo desde varios niveles: desde el nacional hasta el nivel local. El objetivo ha sido buscar respuestas acerca del impacto de la pandemia derivada de la enfermedad por coronavirus iniciada en 2019 (COVID-19) en distintos \u00e1mbitos: personal, familiar, de recreaci\u00f3n, escolar, laboral, comunitario, municipal, estatal y por supuesto entender el efecto que tendr\u00e1 en el orden mundial.<\/p>\n

Diversos grupos acad\u00e9micos, con un profundo sentido civil, y con distintas formaciones acad\u00e9micas, han construido peque\u00f1as redes, en las que se han articulado para generar diversas formas de representaci\u00f3n que permitan entender de manera inicial esta realidad tan compleja que nos ha tocado vivir. Hemos decidido dividir el presente trabajo en cuatro grandes partes: Acopio de datos, Generaci\u00f3n de modelos, Integraci\u00f3n de la informaci\u00f3n, Perspectiva a largo plazo y algunas Conclusiones generales.<\/p>\n

\"\"<\/a><\/p>\n

ACOPIO DE DATOS<\/h4>\n

El primer punto fundamental es encontrar y acceder a la informaci\u00f3n. Existen diversas fuentes de datos p\u00fablicas proporcionadas por el Gobierno de la Ciudad de M\u00e9xico, algunos gobiernos locales y la Secretar\u00eda de Salud Federal. Dicha informaci\u00f3n nos permite ubicar a pacientes desde el punto nominal, su estado, su evoluci\u00f3n, y en ciertos casos sus probables diagn\u00f3sticos y tratamientos en el mismo sentido. En dichas fuentes de datos, siempre existe un aspecto de incertidumbre debido a errores locales en la captura de la informaci\u00f3n, propia de la din\u00e1mica de c\u00f3mo fluye la informaci\u00f3n en distintos puntos, como el Triage, Urgencias, Hospitalizaci\u00f3n, UCI, entre tantos otros.<\/p>\n

Los datos obtenidos son multifactoriales, lo que nos arroja una alta dimensionalidad que va desde el tipo de paciente, su ubicaci\u00f3n en el hospital, hasta la disponibilidad de servicios en diversas regiones en el pa\u00eds. El inter\u00e9s se centra en entender la realidad de los datos a los que se tiene acceso, con la finalidad de contar con informaci\u00f3n limpia y completa que permita un mejor uso de la misma. Para este prop\u00f3sito se requiere comprender las diversas fuentes de informaci\u00f3n y la realidad de los datos, sus incertidumbres y las posibles carencias que existen en las distintas regiones del pa\u00eds para la toma de informaci\u00f3n. A partir de este contexto, es posible entonces iniciar un preprocesamiento de la informaci\u00f3n, que implica en primer lugar entender en qu\u00e9 \u00e1reas puede ser de inter\u00e9s o utilidad y c\u00f3mo los diversos grupos de trabajo pueden acceder a la misma.<\/p>\n

En esta direcci\u00f3n, lo importante es establecer grupos de trabajo transdisciplinarios, cuyos integrantes sean expertos en las \u00e1reas de estudio para entender los datos desde diversas perspectivas: la epidemiol\u00f3gica, la geogr\u00e1fica, la matem\u00e1tica, la social, la anal\u00edtica, hasta la limpieza de los propios datos. De esa manera se pueden tomar en cuenta diferentes formas de visualizaci\u00f3n, de representaci\u00f3n, de pron\u00f3sticos y de ponderaci\u00f3n, e incluso hasta de movilidad, lo que resulta fundamental para la toma de decisiones y el entorno donde se vive esta pandemia.<\/p>\n

Cabe se\u00f1alar que en esta b\u00fasqueda de datos, no s\u00f3lo es de inter\u00e9s el dato generado por la fuente de salud, tambi\u00e9n es de vital importancia conocer el contexto socioecon\u00f3mico, el demogr\u00e1fico y el contexto del sistema de salud como infraestructura asequible. Otra fuente de informaci\u00f3n tan o m\u00e1s valiosa en este prop\u00f3sito es la generaci\u00f3n de encuestas a nivel nacional, con el objeto de poder medir diversas variables, que en un principio no se pueden contemplar, como las percepciones ante una situaci\u00f3n nunca antes experimentada; las sensaciones de cercan\u00eda emocional, la construcci\u00f3n de una realidad distinta, tanto individual como colectiva, y el hecho de las comorbilidades, desde el punto de vista del propio individuo que se declara con alguna condici\u00f3n cr\u00f3nico-degenerativa. En este contexto tan complejo e interrelacionado, se constituyen grupos de acad\u00e9micos bajo la perspectiva ambiental, sociodemogr\u00e1fica, biol\u00f3gica, biomatem\u00e1tica, de movilidad, de manejo de riesgos, entre algunas otras. El resultado es un principio de representatividad y construcci\u00f3n de modelos fundamentales.<\/p>\n

\"\"<\/a><\/p>\n

GENERACI\u00d3N DE MODELOS<\/h4>\n

Entendiendo los primeros an\u00e1lisis de datos como preprocesamiento de la informaci\u00f3n, es importante entender las diversas dimensiones y escalas de la pandemia, la representaci\u00f3n geogr\u00e1fica, la generaci\u00f3n de indicadores con diversas fuentes de informaci\u00f3n de forma georreferenciada, la generaci\u00f3n de encuestas, la obtenci\u00f3n de datos cl\u00ednicos, estructurales, sobre movilidad, sobre condiciones de comorbilidad, sobre vulnerabilidad, sobre condiciones de vida local, regional y nacional. Bajo estas diversas fuentes de informaci\u00f3n, distintos modelos se pueden generar en la interpretaci\u00f3n, caracterizaci\u00f3n o pron\u00f3stico de nuestra realidad. As\u00ed, el gran reto de la multidisciplina en diversos frentes est\u00e1 en el desarrollo de modelos que ayuden a interpretar, referenciar, escalar y pronosticar las conductas de diversos grupos humanos, ambientales, entre otros. La diversidad de modelos es necesaria para entender la pandemia, evaluar las estrategias que se establezcan, los efectos socioecon\u00f3micos, ambientales, emocionales y poblacionales: modelos matem\u00e1ticos epidemiol\u00f3gicos, de movilidad, de representaci\u00f3n a trav\u00e9s de patrones de riesgo, de indexaci\u00f3n, de generaci\u00f3n de m\u00e9tricas, entre tantos otros.<\/p>\n

\"\"<\/a><\/p>\n

Particularmente, los modelos matem\u00e1ticos son un medio para analizar, evaluar y predecir la evoluci\u00f3n de la epidemia y el impacto de las medidas para su control. Los modelos cl\u00e1sicos para el an\u00e1lisis epidemiol\u00f3gico de la din\u00e1mica de una enfermedad son los llamados compartamentales. En \u00e9stos, la poblaci\u00f3n en riesgo se subdivide o compartamentaliza en grupos, dependiendo de su estatus respecto de la enfermedad: susceptibles, expuestos, infecciosos, recuperados. A estos compartimientos b\u00e1sicos se les pueden a\u00f1adir aqu\u00e9llos que sean necesarios para enfocar aspectos espec\u00edficos de la enfermedad. En general, dados los casos confirmados o estimaciones de los casos probables, las tasas de intercambio entre los compartimientos son estimadas (Angulo et al<\/em>. , 2020; Acu\u00f1a-Zegarra, Santana-Cibrian y Velasco-Hern\u00e1ndez, 2020; Mena et al<\/em>., 2020). Dichas tasas juegan un papel fundamental para el entendimiento de cambio en el n\u00famero de infectados, susceptibles, confinados y recuperados. De hecho, un factor muy importante es el n\u00famero reproductivo b\u00e1sico que se define como el n\u00famero de infecciones secundarias que un individuo infeccioso t\u00edpico generar\u00e1 en una poblaci\u00f3n completamente susceptible. Despu\u00e9s, conforme la epidemia se desarrolla, se pude calcular el R, n\u00famero reproductivo instant\u00e1neo que identifica sobre la poblaci\u00f3n diaria internada, as\u00ed como la infectada, el grado de contagio que se tiene en la epidemia; si este valor es mayor a uno, la poblaci\u00f3n volver\u00e1 a estar en potencial riesgo, por esto es importante tener dicho valor menor a uno puesto que la poblaci\u00f3n infectada tendr\u00e1 un potencial hacia el decrecimiento, de otra forma tender\u00e1 a mantener un porcentaje activo de infectados. Una vez hecho esto, y despu\u00e9s de que cada factor ha sido ponderado y analizado desde la perspectiva epidemiol\u00f3gica (no estad\u00edstica) se pueden hacer proyecciones de escenarios.<\/p>\n

Por otro lado, se determinaron los \u00edndices de vulnerabilidad para los diferentes municipios del pa\u00eds, donde se puede observar el efecto de datos socioecon\u00f3micos y demogr\u00e1ficos en la infraestructura de salud (Mena et al<\/em>., 2020). De hecho, con base en este \u00edndice de vulnerabilidad, se ha podido analizar el impacto combinado entre cada una de las figuras de m\u00e9rito antes se\u00f1aladas a distintas escalas. Actualmente se trabaja en verles como series de tiempo con base en la incertidumbre generada por los diversos estadios que estamos enfrentando durante esta pandemia. Con base en dicha informaci\u00f3n, se han se\u00f1alado varias formas de visualizaci\u00f3n que van desde la construcci\u00f3n de mapas interactivos, diversas formas de datos, hasta la de la interacci\u00f3n de variables en principio no interconectadas como las ambientales, a trav\u00e9s de mecanismos de predicci\u00f3n muy potente como EPI-SPECIES (UNAM, 2020). La siguiente figura muestra un extracto del manejo gr\u00e1fico sobre el \u00edndice de vulnerabilidad.<\/p>\n

\"\"<\/a><\/p>\n

Por otro lado, la aglomeraci\u00f3n de las personas en el transporte p\u00fablico fomenta la transmisi\u00f3n de la enfermedad y a medida que viajan m\u00e1s personas y los viajes son m\u00e1s largos, esta probabilidad de transmisi\u00f3n se incrementa. En esta direcci\u00f3n, se ha desarrollado un modelo en el \u00e1mbito de los sistemas din\u00e1micos discretos metapoblacionales, que toma en cuenta patrones de movilidad a trav\u00e9s del transporte p\u00fablico para entender el papel de estos patrones en la propagaci\u00f3n de esta enfermedad. As\u00ed, el modelo permite evaluar la efectividad de diferentes estrategias para alentar la dispersi\u00f3n de COVID-19 y las estrategias de retorno a las actividades normales considerando los efectos del uso masivo del transporte p\u00fablico. Dicho modelo permite construir patrones de movilidad, de riesgo por contacto y de movilidad con la b\u00fasqueda en la disminuci\u00f3n de dichos riesgos. La siguiente figura muestra un extracto del \u00edndice de movilidad (actualmente en construcci\u00f3n).<\/p>\n

\"\"<\/a>

Conexiones entre las diferentes delegaciones de la Ciudad de M\u00e9xico, los colores de las l\u00edneas indican el riesgo de contagio y los c\u00edrculos la incidencia al interior de una delegaci\u00f3n.<\/p><\/div>\n

Ahora bien, como se ha visto en varias fuentes de an\u00e1lisis, el COVID-19 deriva en una situaci\u00f3n sist\u00e9mica donde varios \u00f3rganos se ven afectados en distinta escala, lo cual hace muy complicado poder tratar en ciertos estadios del desarrollo de la misma. Entonces, para entender el riesgo que conllevan diversas variables cl\u00ednicas, tanto sist\u00e9micas como de an\u00e1lisis bioqu\u00edmico, se est\u00e1 construyendo un sistema de an\u00e1lisis mediante un generador de patrones de riesgo, que permite determinar cu\u00e1les son los factores m\u00e1s importantes para que una persona en particular, seg\u00fan su condici\u00f3n y estado de salud, cuando se le toma una muestra de informaci\u00f3n relevante. Dicho an\u00e1lisis multivariado requiere de una constante supervisi\u00f3n en la lectura de la informaci\u00f3n generada, puesto que pueden llegar a malinterpretarse dichos patrones de riesgo.<\/p>\n

\"\"<\/a><\/p>\n

No menos importante es el an\u00e1lisis de la expansi\u00f3n de la informaci\u00f3n y por lo tanto de su limpieza, de su estructura, de su integraci\u00f3n, de la generaci\u00f3n de un directorio de datos; en s\u00edntesis, de la generaci\u00f3n de una base de datos consistente. Dicho esfuerzo, aunque pareciera una tarea poco atractiva, implica un proceso de desarrollo de modelos de suma importancia y diametral inter\u00e9s, puesto que la sola visualizaci\u00f3n de la informaci\u00f3n, la compartici\u00f3n simple de la misma y el contraste a partir de diversos accesos, presenta una contribuci\u00f3n para el entendimiento de las diversas variables que entran en juego en cualquiera de los modelos antes mencionados.<\/p>\n

INTEGRACI\u00d3N DE LA INFORMACI\u00d3N<\/h4>\n

En principio, se han dise\u00f1ado varias estrategias con base en el modelo SEIR; de \u00e9stas, diversos resultados son de inter\u00e9s, por ejemplo, establecer todos los posibles escenarios para que a partir de datos reales se puedan ir discriminando posibles tendencias o modelos que permitan establecer estrategias de movilidad a partir de an\u00e1lisis previos por zonas metropolitanas, con el fin de entender el transcurso de la propia infecci\u00f3n.<\/p>\n

En este aspecto, es importante definir estrategias de visualizaci\u00f3n para entender las diversas dimensiones de los datos, asimismo, entender el impacto entre la observaci\u00f3n y la relaci\u00f3n que pueden guardar a diversas escalas.<\/p>\n

PERSPECTIVA DE LARGO PLAZO<\/h4>\n

El trabajo realizado hasta ahora y el aprendizaje que ello conlleva constituyen la base y el fundamento para consolidar una forma nueva de investigaci\u00f3n que atienda de manera permanente los riesgos y retos que presenta el COVID-19, as\u00ed como nuevas posibles situaciones similares en el futuro. Si algo ha puesto de manifiesto esta situaci\u00f3n es la importancia del an\u00e1lisis de datos y de contar con los mecanismos actualizados para su recolecci\u00f3n de la manera m\u00e1s eficiente y limpia posible. Asimismo, la emergencia de grupos transdisciplinares de investigaci\u00f3n que buscan entender la complejidad de la crisis de salud en la que nos encontramos, experimentan un reto no trivial que se manifiesta en la interacci\u00f3n entre distintas tradiciones de trabajo y de investigaci\u00f3n. Estas experiencias de colaboraci\u00f3n son un conocimiento muy valioso para la conformaci\u00f3n de nuevos grupos de investigaci\u00f3n que puedan enfrentar problemas de complejidad similar a los actuales relativos al COVID-19, como, en general, los problemas que t\u00edpicamente incluyen la interacci\u00f3n intensa entre distintas dimensiones, entre ellas la epidemiol\u00f3gica, la ambiental y la social. Estos esfuerzos deben dar fruto a un proyecto permanente que trascienda las coyunturas del momento.<\/p>\n

La pandemia representa el gran reto, nos ha abierto la posibilidad de interactuar entre \u00e1reas que de manera natural s\u00f3lo observamos, ya sea como un caso de estudio o como un \u00e1rea muy abstracta. En este momento es posible establecer estrategias de trabajo en la medida que los objetivos sean concretos, aunque retadores, para los diversos colegas que trabajan en alguna iniciativa.<\/p>\n

CONCLUSIONES<\/h4>\n

Es de fundamental inter\u00e9s el poder mostrar la convergencia de diversos grupos de trabajo que dan como resultado distintos puntos de vista de un fen\u00f3meno complejo. Aun dicho experimento social no est\u00e1 exento de grandes retos que van desde la comunicaci\u00f3n y la transferencia de conocimientos, hasta la probable interpretaci\u00f3n de resultados tan importantes para la sociedad en su conjunto. La actual pandemia ser\u00e1 estudiada durante muchos a\u00f1os desde diversas perspectivas que, interactuando en \u00e1mbitos interdisciplinarios, seguramente nos proveer\u00e1n de un conocimiento m\u00e1s profundo que nos permita aminorar los efectos de futuros fen\u00f3menos similares.<\/p>\n

 <\/p>\n

* Universidad Nacional Aut\u00f3noma de M\u00e9xico.
\nContacto: hector.benitez@iimas.unam.mx<\/p>\n

REFERENCIAS<\/h4>\n

Acu\u00f1a-Zegarra, M.A., Santana-Cibrian, M., y Velasco-Hern\u00e1ndez, J.X. (2020). Modeling behavioral change and COVID-19 containment in M\u00e9xico: A trade-off between lockdown and compliance. Mathematical Biosciences<\/em>. 325.
\nAngulo, M.T., Casta\u00f1os, F., Velasco, J.X., et al<\/em>. (2020). A simple criterion to design optimal nonpharmaceutical interventions for epidemic outbreaks. medRxiv preprint<\/em>. Doi: https:\/\/doi. org\/10.1101\/2020.05.19.20107268
\nMena, R.H., Velasco-Hern\u00e1ndez, J.X., Mantilla-Beniers, N.B., et al<\/em>. (2020). Using posterior predictive distributions to analyse epidemic models: COVID-19 in M\u00e9xico City. Research Gate<\/em>. Disponible en: https:\/\/www.researchgate.net\/publication\/341162160
\nSu\u00e1rez, M., Valdez, C., Galindo, C., et al<\/em>. (2020). \u00cdndice de vulnerabilidad ante el COVID-19 en M\u00e9xico. Investigaciones Geogr\u00e1ficas<\/em>. [S.I.] Disponible en: http:\/\/www.investigacionesgeograficas.unam.mx\/index.php\/rig\/ article\/view\/60140
\nUNAM. (2020). Nicho epidemiol\u00f3gico. Plataforma de exploraci\u00f3n de datos epidemiol\u00f3gicos. Disponible en: http:\/\/species.c3.unam.mx\/covid19\/ geoportal_v0.1.html<\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

H\u00e9ctor Ben\u00edtez-P\u00e9rez*, Fabi\u00e1n Garc\u00eda-Nocetti*, Elena Larraga*, Willian Lee*, Manuel Su\u00e1rez-Lastra*, Jorge Velasco*, Jes\u00fas M. Siqueiros-Garc\u00eda* CIENCIA UANL \/ A\u00d1O 23, No.102 julio-agosto 2020 EL CONTEXTO Queremos empezar este texto agradeciendo a la revista Ciencia UANL el espacio y la invitaci\u00f3n para presentar esta rese\u00f1a de varias acciones en torno a la pandemia, bajo la perspectiva de la informaci\u00f3n sobre COVID-19 […]<\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[15],"tags":[],"class_list":["post-10174","post","type-post","status-publish","format-standard","hentry","category-ejes"],"_links":{"self":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/10174","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=10174"}],"version-history":[{"count":3,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/10174\/revisions"}],"predecessor-version":[{"id":10184,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/10174\/revisions\/10184"}],"wp:attachment":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=10174"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=10174"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=10174"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}