Mostrando entradas con la etiqueta viral. Mostrar todas las entradas
Mostrando entradas con la etiqueta viral. Mostrar todas las entradas

sábado, 16 de mayo de 2020

Modelado de dinámicas de enfermedades infecciosas

Modelado de dinámicas de enfermedades infecciosas


Sarah Cobey


Science  15 de mayo de 2020:
Vol. 368, número 6492, págs. 713-714
DOI: 10.1126/science.abb5659



La aparición del síndrome respiratorio agudo severo – coronavirus 2 (SARS-CoV-2) ha ofrecido al mundo un curso intensivo en epidemiología moderna, comenzando con lecciones sobre detección de casos y crecimiento exponencial. También ha recordado a los científicos los desafíos de comunicarse efectivamente durante la incertidumbre. La pandemia actual no tiene paralelo en la historia moderna, pero el nuevo virus sigue reglas comunes a otros patógenos. Los principios derivados de las infecciones por el virus de la influenza y otras enfermedades infecciosas ofrecen confianza para dos predicciones: el SARS-CoV-2 probablemente haya llegado para quedarse, y la alta tasa de transmisión continuará forzando una elección entre infección generalizada y trastornos sociales, al menos hasta que una vacuna está disponible. La dificultad de esta elección se amplifica por la incertidumbre, común a otros patógenos respiratorios, sobre los factores que impulsan la transmisión. Esta pandemia presenta una oportunidad más amplia para interrogar cómo manejar los patógenos.

La historia moderna está plagada de pandemias que han dado forma al estudio de las enfermedades infecciosas. En los últimos 200 años, al menos siete oleadas de cólera, cuatro nuevas cepas del virus de la influenza, la tuberculosis y el VIH se han extendido por todo el mundo y matado al menos a 100 millones de personas. Prácticamente todas las enfermedades transmisibles continúan evolucionando y transmitiéndose a nivel mundial una vez establecidas, borrando los límites conceptuales entre una pandemia y una temporada de gripe particularmente mala. Más de un siglo estudiando el tamaño y el momento de los brotes, incluidas las intervenciones que son efectivas para detenerlos, ha dado lugar a una teoría cuantitativa y parcialmente predictiva bien fundada de la dinámica de las enfermedades infecciosas.

Una epidemia se extingue cuando una infección promedio ya no puede reproducirse. Esto ocurre cuando una gran fracción de los contactos de un huésped infectado son inmunes. Este umbral, entre donde una infección puede y no puede reproducirse, define la fracción de la población requerida para la inmunidad del rebaño. Se puede calcular con precisión si la epidemiología del patógeno es bien conocida y se utiliza para guiar las estrategias de vacunación. La inmunidad del rebaño se ve constantemente erosionada por los nacimientos de nuevos hospedadores susceptibles y, a veces, por la disminución de la inmunidad en los hospedadores previamente infectados. Todavía no se conoce la durabilidad de la inmunidad al SARS-CoV-2, pero los nacimientos promoverán la supervivencia del virus. Por lo tanto, al igual que otros patógenos transmisibles, es probable que el SARS-CoV-2 circule en los humanos durante muchos años.

Si es lo suficientemente rápido y generalizado, la disminución de la disponibilidad de individuos susceptibles o la tasa de transmisión pueden provocar la extinción de los patógenos. Por ejemplo, en 1957 y 1968, las cepas residentes del virus de la influenza estacional se extinguieron porque la inmunidad cruzada entre estas cepas y las cepas pandémicas emergentes redujo el número de individuos susceptibles (1). Cuatro linajes de coronavirus ya circulan en humanos. Las diferencias genéticas entre estos virus y el SARS-CoV-2 y su rápida propagación sugieren que no compiten entre sí por hospedadores susceptibles, en contraste con el virus de la influenza. Las intervenciones actuales, como el distanciamiento social, tienen como objetivo reducir la transmisión del SARS-CoV-2. El comportamiento humano puede tener efectos sutiles y obvios en la transmisión. Por ejemplo, el horario de vacaciones escolares, que modula los contactos entre niños susceptibles e infectados, influyó en el momento de las epidemias históricas de sarampión en Inglaterra y Gales (2).

Los esfuerzos regionales para impulsar la extinción del SARS-CoV-2 pueden no tener éxito a largo plazo debido a factores estacionales que influyen en la susceptibilidad o la transmisión. Los virus de la influenza fluyen de las regiones tropicales a las templadas y regresan en el invierno respectivo de cada hemisferio. Dentro de las poblaciones tropicales y subtropicales, los virus de la influenza se mueven de manera menos predecible entre las ciudades y pueblos interconectados (3). Estas dinámicas desincronizadas limitan las oportunidades para la disminución de la población mundial. El SARS-CoV-2 y el virus de la influenza son epidemiológicamente similares en que ambos son altamente transmisibles por vía respiratoria, ambos causan infecciones agudas, y ambos infectan y son transmitidos por adultos. Esto sugiere que, en ausencia de intervenciones generalizadas, cuidadosamente coordinadas y altamente efectivas para detener la transmisión del SARS-CoV-2, el virus podría persistir a través de patrones migratorios similares, suponiendo que esté influenciado por fuerzas estacionales similares.

Esta suposición es provisional porque exactamente por qué la mayoría de los patógenos respiratorios exhiben picos de prevalencia en el invierno de las regiones templadas es un enigma de larga data. Los experimentos en hurones mostraron que una humedad absoluta más baja aumenta las tasas de transmisión del virus de la influenza, y los experimentos recientes mostraron que una mayor humedad mejora la eliminación inmunológica del virus de la influenza en los pulmones de los ratones (4, 5). Pero aunque las caídas en la temperatura y la humedad están correlacionadas con el inicio de las temporadas de influenza en los Estados Unidos (6), las epidemias anuales de influenza estacional a menudo comienzan en el sureste húmedo de los Estados Unidos, no en el norte más frío y seco. No existe evidencia clara que sugiera una menor incidencia de infección por el virus de la influenza en las poblaciones tropicales en comparación con las templadas. Desenredar el medio ambiente de los impulsores inmunes endógenos de la dinámica de las enfermedades infecciosas ha sido un desafío estadístico de larga data (7).

La propagación temprana del SARS-CoV-2 ha revelado información crítica sobre el tamaño potencial de la pandemia, si se le permitiera crecer sin control. Esta información tiene bases matemáticas desarrolladas a partir del modelado de otras enfermedades infecciosas (ver la figura). El número total de personas infectadas en una población está determinado por el número reproductivo intrínseco, R0. Este número es el número esperado de casos secundarios causados ​​por un caso índice en una población de otra manera susceptible. De manera equivalente, R0 puede expresarse como la tasa de transmisión dividida por la tasa a la que las personas se recuperan o mueren. Es más preciso describir R0 en referencia a un patógeno y una población huésped, porque el número está parcialmente bajo control del huésped. También determina en parte la prevalencia promedio a largo plazo en la población, suponiendo que los nuevos individuos susceptibles eviten que la enfermedad desaparezca. A medida que progresa una epidemia y parte de la población se vuelve inmune, el número promedio de casos secundarios causados ​​por un individuo infectado se denomina número reproductivo efectivo, Rt.

Por lo tanto, hay dos razones principales para reducir las tasas de transmisión de SARS-CoV-2. En poblaciones con acceso a atención médica avanzada, reducir la tasa de transmisión puede disminuir la mortalidad al aumentar la fracción de casos graves que reciben tratamientos, como la ventilación mecánica. Las intervenciones que reducen la transmisión también reducen el número total de personas que se infectan. Como advierte un informe reciente (8), las intervenciones dramáticas para reducir la Rt podrían no cambiar sustancialmente el número total de infecciones a largo plazo si el comportamiento luego vuelve a la normalidad. Por lo tanto, las reducciones en la transmisión deben mantenerse para disminuir la fracción de la población que se infecta. Los altos costos de las intervenciones actuales subrayan la necesidad de identificar rápidamente las medidas más útiles para reducir la transmisión hasta que se pueda aumentar la capacidad de atención médica y aumentar la inmunidad mediante la vacunación.

Comparar las intervenciones de las poblaciones con la gravedad de sus epidemias es una forma de aprender qué funciona. Las comparaciones de las respuestas de las ciudades de EE. UU. A la primera ola de la pandemia de influenza H1N1 de 1918 demostraron que el distanciamiento social, incluidas las decisiones tempranas de cerrar escuelas, teatros e iglesias, redujo la prevalencia y la mortalidad (9, 10). Del mismo modo, se observan grandes diferencias en el nivel de control del SARS-CoV-2 entre países y pueden ser atribuibles a diferencias en las pruebas de diagnóstico, localización de contactos, aislamiento de individuos infectados y restricciones de movimiento. La prueba de anticuerpos específicos contra el SARS-CoV-2, un marcador de infección, en muestras de sangre proporcionará una confirmación importante de la verdadera cantidad de personas infectadas en diferentes áreas y puede mejorar las estimaciones de los efectos de las intervenciones y la posible cantidad de casos futuros.

Los modelos matemáticos y las pandemias históricas de influenza brindan una advertencia sobre la comparación de los efectos de las intervenciones en diferentes poblaciones. Una disminución rápida en los casos de enfermedad por coronavirus 2019 (COVID-19) o una pequeña epidemia de primavera podría tomarse como evidencia de que las intervenciones han sido especialmente efectivas o de que se ha logrado la inmunidad del rebaño (11). Pero los modelos simples muestran que la dinámica epidémica se vuelve profundamente poco intuitiva cuando hay una variación estacional en la susceptibilidad o la transmisión, y especialmente cuando hay movimiento entre las poblaciones (11). Para el SARS-CoV-2, como el virus de la influenza, la forma de la variación estacional es incierta. Las correlaciones lineales podrían conducir a inferencias causales espurias sobre qué intervenciones funcionan mejor y no deben ser sobreinterpretadas. Las pandemias de influenza anteriores demostraron variabilidad regional en el número, el momento y la gravedad de sus ondas pandémicas (1, 12). Las diferencias entre las poblaciones en su inmunidad preexistente y los factores estacionales podrían haber contribuido a esta variación, incluso antes de que se tengan en cuenta las intervenciones. Dichas diferencias también advierten contra las comparaciones directas entre pandemias anteriores y la pandemia SARS-CoV-2, sin las matemáticas como intermediario.


Tamaño potencial de pandemia e inmunidad colectiva
La fracción de la población que se infecta con una enfermedad transmisible en un modelo epidémico simple aumenta de forma no lineal con el número reproductivo intrínseco, R0, y excederá el umbral para la inmunidad del rebaño. R0 es el número esperado de casos causados por un caso índice. Las intervenciones pueden reducir R0, la fracción total de la población infectada y el umbral para la inmunidad del rebaño. 


Dada la incertidumbre en la dinámica de transmisión del SARS-CoV-2 y la alta certeza en su virulencia, es comprensible que las respuestas tempranas se hayan basado en intervenciones contundentes, como prohibiciones de movimiento y cierres, para salvar vidas. El desafío científico ahora es identificar, a través de inferencia y simulación, medidas que podrían proporcionar una protección tan buena o mejor con un menor costo social. La efectividad de las medidas de control dirigidas, menos disruptivas socialmente, depende de manera crítica de los parámetros biológicos del patógeno (13). Contener el coronavirus del SARS en 2003 requirió un seguimiento intensivo de contactos coordinado por varios países. Finalmente, se identificaron 8098 casos, que probablemente representaban a la mayoría de las personas infectadas con el virus. El control fue factible porque el inicio de la infecciosidad coincidió con el inicio de los síntomas, que fueron consistentemente severos. Con el SARS-CoV-2, la transmisión puede ocurrir antes de que se desarrollen los síntomas, y los perfiles de los síntomas son heterogéneos. La transmisión asintomática y presintomática sustancial hace que las intervenciones basadas en la contención, especialmente aquellas que dependen del reconocimiento de síntomas tempranos o pruebas limitadas, sean más desafiantes y potencialmente inviables.

Una tarea complementaria y urgente es identificar si alguna de las subpoblaciones o entornos contribuyen de manera desproporcionada a la transmisión y dirigirles intervenciones. Por ejemplo, los niños en edad escolar tienden a conducir la transmisión del virus de la influenza en las comunidades, aunque están subrepresentados entre los casos clínicos graves y las muertes (14). Las intervenciones para reducir las infecciones por el virus de la influenza en niños han producido efectos desproporcionados en la reducción de infecciones en adultos. Identificar oportunidades para aumentar los efectos indirectos de las intervenciones es particularmente importante si algunas, como la vacunación, son menos efectivas o no están disponibles en poblaciones vulnerables (por ejemplo, mayores). Los estudios serológicos a nivel de la población para estimar infecciones pasadas, acompañados de estudios en el hogar para medir la duración y la cantidad de eliminación viral en diferentes personas, pueden ayudar a identificar las poblaciones correspondientes para el SARS-CoV-2. Estas poblaciones podrían cambiar con el tiempo si la inmunidad al virus es duradera.

Esta pandemia ilumina las opciones en el manejo de patógenos respiratorios. La mayoría de las personas no tienen acceso o no optan por la vacuna contra el virus de la influenza estacional, aunque el virus de la influenza mata a más de medio millón de personas por año en todo el mundo. No se comunica ampliamente que un caso infeccioso típico del virus de la influenza no tenga fiebre (15), lo que podría promover la propagación de personas que piensan que solo tienen un resfriado (causado por rinovirus, coronavirus estacionales y otros). Las poblaciones han diferido durante mucho tiempo en su apoyo formal e informal para el control de infecciones, por ejemplo, si las personas que se sienten enfermas usan mascarillas o pueden quedarse fácilmente en casa. Las consecuencias son algo predecibles. El SARS-CoV-2 es un virus en evolución, y actualmente se desconoce si esta evolución erosionará la efectividad de una futura vacuna. Las elecciones que se enfrentan ahora seguirán siendo importantes.


Referencias y Notas

  1. E. D. Kilbourne, Infect. Dis. 12, 9 (2006). Google Scholar 
  2. O. N. Bjørnstad, B. Finkenstadt, B. Grenfell, Ecol. Monogr. 72, 169 (2002). CrossRefWeb of ScienceGoogle Scholar 
  3. C. A. Russell et al., Science 320, 340 (2008).Abstract/FREE Full TextGoogle Scholar 
  4. J. Shaman, M. Kohn, Proc. Natl. Acad. Sci. U.S.A. 106, 3243 (2009). Abstract/FREE Full TextGoogle Scholar 
  5. E. Kudo et al., Proc. Natl. Acad. Sci. U.S.A. 116, 10905 (2019).Abstract/FREE Full TextGoogle Scholar 
  6. J. Shaman, V. E. Pitzer, C. Viboud, B. T. Grenfell, M. Lipsitch, PLOS Biol. 8, e1000316 (2010).CrossRefPubMedGoogle Scholar 
  7. K. Koelle, M. Pascual, Am. Nat. 163, 901 (2004). CrossRefPubMedWeb of ScienceGoogle Scholar 
  8. N. M. Ferguson, “Report 9: Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand,” Imperial College London, 16 March 2020. Google Scholar 
  9. M. C. J. Bootsma, N. M. Ferguson, Proc. Natl. Acad. Sci. U.S.A. 104, 7588 (2007). Abstract/FREE Full TextGoogle Scholar 
  10. R. J. Hatchett, C. E. Mecher, M. Lipsitch, Proc. Natl. Acad. Sci. U.S.A. 104, 7582 (2007). Abstract/FREE Full TextGoogle Scholar 
  11. R. A. Neher, R. Dyrdak, V. Druelle, E. B. Hodcroft, J. Albert, Swiss Med. Wkly. 150, w20224 (2020).CrossRefPubMedGoogle Scholar 
  12. C. Viboud, R. F. Grais, B. A. P. Lafont, M. A. Miller, L. Simonsen, ; Multinational Influenza Seasonal Mortality Study Group, J. Infect. Dis. 192, 233 (2005). CrossRefPubMedWeb of ScienceGoogle Scholar 
  13. C. M. Peak, L. M. Childs, Y. H. Grad, C. O. Buckee, Proc. Natl. Acad. Sci. U.S.A. 114, 4023 (2017). Abstract/FREE Full TextGoogle Scholar 
  14. C. J. Worby et al., Epidemics 13, 10 (2015). CrossRefPubMedGoogle Scholar 
  15. D. K. Ip et al., Clin. Infect. Dis. 64, 736 (2017). CrossRefPubMedGoogle Scholar
Publicado por en No hay comentarios:
Etiquetas: , , , , , , ,

domingo, 10 de mayo de 2020

Cómo se viralizó el meme Harlem Shake

The Harlem Shake: Anatomía de un meme viral

The Huffington Post





Si aún no has oído hablar del Harlem Shake, debes estar viviendo en una cueva. Mucho se ha escrito sobre la rápida y global propagación de este pegadizo meme de Internet, pero poco se entiende sobre cómo se propagó. En la siguiente publicación, observamos la aparición del meme a través de los datos de Twitter. Una serie de videos remezclados junto con una serie de comunidades clave en todo el mundo desencadenaron una escalada rápida, dando al meme una visibilidad global generalizada. ¿Qué podemos aprender de los datos? ¿Quiénes fueron las comunidades iniciales detrás de esta megatendencia? ¿Quiénes fueron algunos de los creadores de tendencias y qué tuvo que ver la escena techno-DJ de Jamaica con esto?



= - = - =

El Harlem Shake es un estilo de baile nacido en la ciudad de Nueva York hace más de 30 años: “Durante el medio tiempo en los juegos de pelota callejeros celebrados en Rucker Park, un hombre delgado conocido en el vecindario como Al. B. entretendría a la multitud con suxxx propia marca de movimientos, un baile que alrededor de Harlem se hizo conocido como ‘The Al. B. "" Aunque comenzó en 1981, el Harlem shake se convirtió en la corriente principal en 2001 cuando G. Dep presentó el baile en su video musical "Let’s Get It".

Al extraer datos de Twitter, las referencias a Harlem Shake (el baile original) se vieron con bastante frecuencia antes de que se convirtiera en un meme popular. Por ejemplo, los usuarios escribirían Tweets que hacen referencia al baile de la siguiente manera:



Existen numerosos ejemplos de Tweets con esta frase en este contexto (aquí hay algunos ejemplos), muchos de ellos utilizando el carácter * como énfasis. Kimberly Ellis, Académica de Estudios Americanos y Africanos, afirma que este tipo de lenguaje simplemente está siendo referenciado a través de la memoria cultural. Y los usuarios son muy dramáticos, por lo tanto, colocan "elementos de acción" en los tweets:

Cuando alguien tuitea: “¡Acabo de aprobar mis exámenes finales! * harlem shakes * ", es el equivalente a decir" ¡Acabo de aprobar mis exámenes finales! ¡Mírame bailar! Como puede ver, el Harlem Shake de la memoria cultural es tan enérgico, que recordar lo visual en un tweet lo hace aún más histérico y otro momento cultural compartido para los afroamericanos en Twitter.

= - = - =

Si bien la canción ahora infame de Bauuer se lanzó en el sello Mad Decent de Diplo en agosto de 2012 (publicado en YouTube el 23 de agosto de 2012), solo acumuló una visibilidad menor durante los primeros meses. Luego llegó febrero y algo cambió.

La línea de tiempo a continuación resalta los primeros días cuando el meme despegaba. En azul, vemos referencias al baile de los años 80 * harlem shakes *. Tenga en cuenta el patrón diurno, que sube y baja constantemente a diario. En contraste, la curva verde representa Tweets que usan la frase "The Harlem Shake", muchos de ellos vinculados a una de las tres primeras versiones del meme en YouTube.


El 2 de febrero, el grupo The Sunny Coast Skate (TSCS) estableció la forma del meme en un video de YouTube que subieron. El 5, PHL_On_NAN publica un remix (v2), ganando 300,000 visitas en 24 horas y provocando más parodias poco después. El 7 de febrero, YouTuber hiimrawn subió una versión titulada "Harlem Shake v3 (edición de oficina)" con el personal de la compañía de producción de videos en línea Maker Studios. El video se convierte en un éxito, acumulando más de 7,4 millones de visitas durante la semana siguiente e inspirando una serie de contribuciones de compañías de Internet conocidas, incluidas BuzzFeed, CollegeHumor, Vimeo y Facebook.

En una entrevista en video, Vernon Shaw, coordinador de desarrollo de canales en Maker Studios (producido v3), afirma que vio las dos primeras versiones en Reddit. Era evidente que estaba surgiendo una forma, y ​​después de que v2 acumuló 100k vistas, le quedó claro que esta era la etapa "pre-viral". Vernon atribuye a Reddit el hecho de ser el primero en resaltar los remixes, alegando que "se puede saber cuándo una tendencia está por comenzar al detectarla en Reddit primero ... uno o dos días antes que Facebook".

= - = - =

Aquí hay un grafo que muestra retuits durante la primera semana, a medida que se establecía el meme. Podemos identificar perfiles dominantes que ayudaron a hacer visibles los videos en Twitter, corredores de información clave. Cada nodo representa un usuario de Twitter, y cuanto más grande es un nodo, más Retweets genera ese usuario al publicar en el meme. El color más claro participó anteriormente, por lo tanto, vemos a @baauer, @dipio y @maddecent muy temprano, publicando en Twitter y acumulando Retweets. En la región inferior derecha, identificamos YouTubers influyentes que fueron clave para transmitir el meme, como @kingsleyyy, @KSIOlajidebt, @ConnorFranta y @Jenna_Marbles. Tenga en cuenta el tamaño general de estos perfiles frente a @StephenAtHome (Colbert) o incluso @YouTube. Estos influyentes YouTubers claramente desempeñaron un papel destacado en la generación de rumores en Twitter, mucho más que cuentas significativamente más grandes, como las de Stephen Colbert o YouTube.




= - = - =

Luego, en lugar de mapear Retweets, observamos las conexiones sociales entre los usuarios que publicaron en el meme. Esto nos da la capacidad de identificar las comunidades subyacentes que participan en el meme en una etapa muy temprana. En el siguiente gráfico, cada nodo representa un usuario que estaba publicando activamente y haciendo referencia al meme de Harlem Shake el 7 u 8 de febrero en Twitter. Las conexiones entre usuarios reflejan relaciones de seguimiento / amistad. El gráfico se organiza utilizando un algoritmo de fuerza dirigida y se colorea según la modularidad, destacando los grupos dominantes, regiones en el gráfico que están mucho más interconectadas. Estos grupos representan grupos de usuarios que tienden a tener algún atributo en común.




Uno de los grupos más densos incluye @baauer, @diplo, @maddecent y otros DJs y músicos. Claramente son una comunidad central que publicaron el meme desde el principio. Identificamos esto claramente en el gráfico Retweet anterior. En rojo y verde (arriba, derecha) vemos regiones del gráfico que destacan varias comunidades de YouTube. Estos son usuarios cuya identidad web dominante es su página de YouTube. Si bien muchos de ellos tienen identificadores de Twitter, todos se vinculan a su página de YouTube como una identidad principal, mientras que muchos se describen a sí mismos como 'YouTubers'. Vemos una densa comunidad de usuarios brasileños (derecha), raperos jamaiquinos (arriba a la izquierda). ciudad (abajo) y usuarios de París, Francia (abajo, centro-izquierda). En el centro, hay cuentas como BroBible y theBERRY / theCHIVE que fueron uno de los primeros medios de comunicación nuevos en identificar el meme como interesante.

La región púrpura en el gráfico (lado izquierdo) representa a los usuarios afroamericanos de Twitter que hacen referencia a Harlem Shake en su contexto original. Hay muy poca densidad allí, ya que no es realmente una comunidad muy unida, sino más bien un segmento de usuarios que están culturalmente alineados y claramente están mucho más interconectados entre sí que con otros grupos.

Si ejecutamos un análisis similar en los dos días siguientes (9 y 10 de febrero), vemos surgir diferentes comunidades y una estructura gráfica mucho más unida:



Si bien todavía existe el mismo grupo de músicos y DJ (en turquesa), hay muchos más YouTubers autoidentificados tanto en los EE. UU. como en el Reino Unido. Al mismo tiempo, hay un importante grupo de jugadores / machinima que también participa, así como un contingente jamaicano en crecimiento y bastantes perfiles holandeses (púrpura - izquierda). Además, vemos varias cuentas de celebridades y medios que captaron el meme: @jimmyfallon, @mashable y @huffingtonpost.

Al capturar las dos instantáneas, también podemos dar sentido a la evolución del meme a medida que se hace más y más visible. Al principio, las comunidades conectadas sin apretar por separado por los videos. En cuestión de días, vemos a los principales medios de comunicación saltar a bordo, y un paisaje mucho más entrelazado. Vemos cómo se iluminan diferentes regiones del mundo e identificamos comunidades de entusiastas importantes de YouTube que efectivamente hacen que este contenido se difunda.

= - = - = - =

En este caso, vemos una red clara de YouTubers influyentes en los EE. UU. Y el Reino Unido combinados con un denso grupo de músicos y DJ que ayudaron a que este meme sea increíblemente visible. También vemos cómo se extendió rápidamente por todo el mundo, con densos contingentes en Jamaica, Sudáfrica, Brasil, Francia y los Países Bajos. Al comparar dos instantáneas en el tiempo, vemos literalmente la diferencia entre una tendencia emergente entre las comunidades basadas en intereses libremente conectadas, a un grupo denso más conectado donde los medios digitales amplifican significativamente.

Los memes se han convertido en una especie de espectáculo de masas distribuido. La cultura se está creando, remezclando y reforzando dentro de las redes sociales, y los memes se están convirtiendo en un mecanismo que capta la atención de las personas y define lo que es "genial" o "moderno". Vemos que más y más compañías y marcas intentan asociarse con ciertos memes, como una forma de mantener una conexión con su audiencia, ganar el factor genial. Pepsi hizo esto con el Harlem Shake y vio una respuesta increíblemente positiva. A medida que mejoramos en la identificación de estas tendencias y las comunidades que marcan tendencias desde el principio, aumentará la presión para participar.

A medida que las redes sociales se entrelazan a nivel mundial, estamos presenciando un número creciente de memes conquistando el mundo en general. Estos momentos son puntos críticos en el tiempo, donde hay niveles significativos de atención hacia una entidad específica, ya sea una broma, un video divertido o un tema político. La recopilación de datos de las redes sociales puede ayudarnos a identificar puntos críticos en el tiempo, así como las comunidades subyacentes y los creadores de tendencias para los memes basados ​​en el humor, o los creadores de la agenda para los políticos.
Publicado por en No hay comentarios:
Etiquetas: , , ,

sábado, 2 de mayo de 2020

Alcanzar la inmunidad colectiva puede deparar muchísimas muertes

Lo que no dicen los defensores de la inmunidad colectiva "natural"

Intenta alcanzarlo sin una vacuna, y millones morirán.

Por Carl T. Bergstrom y Natalie Dean || The New York Times

El Dr. Bergstrom es profesor de biología en la Universidad de Washington. El Dr. Dean es profesor asistente de bioestadística en la Universidad de Florida.




Crédito ... Maxwell Holyoke-Hirsch

El coronavirus se movió tan rápido por todo el mundo en parte porque nadie tenía inmunidad previa. Si no se verifica su propagación, se producirá una pérdida catastrófica de vidas. Sin embargo, algunos políticos, epidemiólogos y comentaristas aconsejan que el curso de acción más práctico es controlar las infecciones y al mismo tiempo permitir la creación de la llamada inmunidad colectiva.

El concepto de inmunidad colectiva se describe típicamente en el contexto de una vacuna. Cuando se vacunan suficientes personas, un patógeno no puede propagarse fácilmente a través de la población. Si está infectado con sarampión pero todas las personas con las que interactúa han sido vacunadas, la transmisión se detendrá en seco.

Los niveles de vacunación deben mantenerse por encima de un umbral que depende de la transmisibilidad del patógeno. Todavía no sabemos exactamente qué tan transmisible es el coronavirus, pero decimos que cada persona infecta un promedio de otras tres. Eso significaría que casi dos tercios de la población necesitarían ser inmunes para conferir inmunidad colectiva.

En ausencia de una vacuna, desarrollar inmunidad a una enfermedad como Covid-19 requiere estar realmente infectado con el coronavirus. Para que esto funcione, la infección previa debe conferir inmunidad contra futuras infecciones. Aunque esperanzados, los científicos aún no están seguros de que este sea el caso, ni saben cuánto durará esta inmunidad. El virus fue descubierto hace solo unos meses.

Pero incluso suponiendo que la inmunidad sea duradera, una gran cantidad de personas debe estar infectada para alcanzar el umbral de inmunidad colectiva requerida. Dado que las estimaciones actuales sugieren que aproximadamente del 0,5 al 1 por ciento de todas las infecciones son fatales, eso significa muchas muertes.

Quizás lo más importante para entender es que el virus no desaparece mágicamente cuando se alcanza el umbral de inmunidad colectiva. Eso no es cuando las cosas se detienen, es solo cuando comienzan a desacelerarse.

Una vez que se ha creado suficiente inmunidad en la población, cada persona infectará a menos que otra persona, por lo que una nueva epidemia no puede comenzar de nuevo. Pero una epidemia que ya está en marcha continuará extendiéndose. Si 100,000 personas son infecciosas en el pico y cada una infecta a 0.9 personas, todavía son 90,000 nuevas infecciones, y más después de eso. Un tren desbocado no se detiene en el instante en que la vía comienza a inclinarse cuesta arriba, y un virus que se propaga rápidamente no se detiene justo cuando se alcanza la inmunidad colectiva.

Si la pandemia no se controlaba en los Estados Unidos, podría continuar durante meses después de que se alcanzara la inmunidad colectiva, infectando a muchos millones más en el proceso.

Para cuando terminara la epidemia, una proporción muy grande de la población habría sido infectada, muy por encima de nuestro umbral de inmunidad colectiva esperado de alrededor de dos tercios. Estas infecciones adicionales son lo que los epidemiólogos denominan "sobreimpulso".

Después de la inmunidad colectiva ... Más infecciones

La inmunidad colectiva no detiene a un virus en su camino. El número de infecciones continúa aumentando después de alcanzar la inmunidad colectiva.

Por el New York Times

Algunos países están intentando estrategias destinadas a "inmunizar" la inmunidad de la población al coronavirus sin una vacuna. Suecia, por ejemplo, está pidiendo a las personas mayores y aquellos con problemas de salud subyacentes que se sometan a cuarentena, pero mantiene abiertas muchas escuelas, restaurantes y bares. Muchos comentaristas han sugerido que esta también sería una buena política para los países más pobres como la India. Pero dada la tasa de mortalidad, no hay forma de hacerlo sin un gran número de víctimas, y de hecho, Suecia ya ha visto muchas más muertes que sus vecinos.

Tal como lo vemos, ahora es demasiado pronto para levantar las manos y proceder como si la gran mayoría de la población mundial se infectara inevitablemente antes de que una vacuna esté disponible.

Además, no debemos confiar demasiado en nuestra capacidad de realizar una "quemadura controlada" con una pandemia que explotó en todo el mundo en cuestión de semanas a pesar de los esfuerzos extraordinarios para contenerla.

Desde los primeros días de la pandemia, hemos estado utilizando el distanciamiento social para aplanar su curva. Esto disminuye la tensión en el sistema de salud. Le da tiempo a la comunidad científica para desarrollar tratamientos y vacunas, así como para aumentar la capacidad de prueba y rastreo. Si bien este es un virus extraordinariamente difícil de manejar, países como Nueva Zelanda y Taiwán han tenido un éxito temprano, desafiando la narrativa de que el control es imposible. Debemos aprender de sus éxitos.

No habría nada rápido o indoloro en alcanzar la inmunidad colectiva sin una vacuna.
Publicado por en No hay comentarios:
Etiquetas: , , , , , , ,

miércoles, 29 de abril de 2020

Un llamado al uso de datos de teléfonos móviles para acciones de salud pública

Datos de teléfonos móviles para informar acciones de salud pública durante el ciclo de vida de la pandemia COVID-19

Science Advances

    Nuria Oliver, Bruno Lepri, Harald Sterly, Renaud Lambiotte, Sébastien Delataille, Marco De Nadai, Emmanuel Letouzé, Albert Ali Salah, Richard Benjamins, Ciro Cattuto, Vittoria Colizza, Nicolas de Cordes, Samuel P. Fraiberger, Till Koebe, Sune Lehmann, Juan Murillo, Alex Pentland, Phuong N Pham, Frédéric Pivetta, Jari Saramäki, Samuel V. Scarpino, Michele Tizzoni, Stefaan Verhulst y Patrick Vinck
        1. ↵*Corresponding author: Email: pvinck@hsph.harvard.edu>


        La pandemia de coronavirus 2019-2020 (COVID-19) plantea desafíos sin precedentes para los gobiernos y las sociedades de todo el mundo (1). Las intervenciones no farmacéuticas (NPI) han demostrado ser críticas para retrasar y contener la pandemia de COVID-19 (2-6). Esto incluye pruebas y rastreo, prohibiciones en grandes reuniones, cierres no esenciales de negocios y escuelas y universidades, restricciones de movilidad nacional e internacional y aislamiento físico, y cierres totales de regiones y países. La toma de decisiones y la evaluación o tales intervenciones durante todas las etapas del ciclo de vida de la pandemia requieren datos específicos, confiables y oportunos no solo sobre infecciones, sino también sobre el comportamiento humano, especialmente la movilidad y la co-presencia física. Argumentamos que los datos de los teléfonos móviles, cuando se usan de manera adecuada y cuidadosa, representan un arsenal crítico de herramientas para apoyar las acciones de salud pública en las fases temprana, media y tardía de la pandemia de COVID-19.

        El trabajo seminal sobre movilidad humana ha demostrado que los datos agregados y (pseudo) anonimizados de teléfonos móviles pueden ayudar a modelar la propagación geográfica de las epidemias (7-11). Por lo tanto, los investigadores y los gobiernos han comenzado a colaborar con empresas privadas, especialmente operadores de redes móviles y empresas de inteligencia de ubicación, para estimar la efectividad de las medidas de control en varios países, incluidos Austria, Bélgica, Chile, China, Alemania, Francia, Italia , España, Reino Unido y Estados Unidos (12–21).

        Sin embargo, existe poca coordinación o intercambio de información entre estas iniciativas nacionales o incluso regionales (22). Si bien los mecanismos ad hoc que aprovechan los datos de los teléfonos móviles se pueden desarrollar de manera efectiva (pero no fácil) a nivel local o nacional, las colaboraciones regionales o incluso globales parecen ser mucho más difíciles dada la cantidad de actores, el rango de intereses y prioridades, la variedad de las legislaciones concernidas y la necesidad de proteger las libertades civiles. La escala global y la propagación de la pandemia de COVID-19 resaltan la necesidad de un enfoque más armonizado o coordinado.

        En las siguientes secciones, describimos las formas en que los diferentes tipos de datos de teléfonos móviles pueden ayudar a enfocar mejor y diseñar medidas para contener y retrasar la propagación de la pandemia de COVID-19. Identificamos las razones clave por las cuales esto no está sucediendo en una escala mucho más amplia, y damos recomendaciones sobre cómo hacer que los datos de los teléfonos móviles funcionen contra el virus.

        ¿Cómo pueden ayudar los datos del teléfono móvil a enfrentar la pandemia de COVID-19?

        Los datos de telefonía móvil generados pasivamente se han convertido en una fuente de datos potencialmente valiosa para inferir la movilidad humana y las interacciones sociales. Los registros de detalles de llamadas (CDR) son posiblemente el tipo de datos móviles más investigado en este contexto. Los operadores móviles recolectan los CDR con fines de facturación. Cada registro contiene información sobre la hora y la torre celular a la que estaba conectado el teléfono cuando tuvo lugar la interacción. Los CDR son registros controlados por eventos: en otras palabras, el registro solo existe si el teléfono está en uso activo. La información adicional incluye "datos de avistamientos" obtenidos cuando se ve un teléfono en una red. Sin embargo, existen otros tipos de datos de teléfonos móviles utilizados para estudiar los comportamientos e interacciones de la movilidad humana. Los registros de datos X (XDR) o las sondas de red pueden considerarse metadatos sobre el canal de datos del teléfono, capturando acciones en segundo plano de las aplicaciones y la red. Las compañías de inteligencia de ubicación (23) o las aplicaciones ad hoc (24, 25) también recopilan información de rutina que incluye datos de ubicación altamente precisos a través de aplicaciones de teléfonos móviles (Aplicaciones) a gran escala. Además, la proximidad entre los usuarios de teléfonos móviles se puede detectar a través de la funcionalidad Bluetooth en los teléfonos inteligentes. Cada uno de estos tipos de datos requiere diferentes marcos de procesamiento y plantea preocupaciones éticas y políticas complejas que se analizan en este documento.

        Primero, exploramos el valor y la contribución de los datos de teléfonos móviles en los esfuerzos analíticos para controlar la pandemia de COVID-19. Las autoridades gubernamentales y de salud pública en general plantean preguntas en al menos cuatro áreas críticas de consultas para las cuales el uso de datos de teléfonos móviles es relevante. Primero, las preguntas de conciencia situacional buscan desarrollar una comprensión del entorno dinámico de la pandemia. Los datos de los teléfonos móviles pueden proporcionar acceso a estimaciones de población e información de movilidad que antes no estaban disponibles para permitir a las partes interesadas de todos los sectores comprender mejor las tendencias y la distribución geográfica de COVID-19. En segundo lugar, las preguntas de causa y efecto buscan ayudar a identificar los mecanismos clave y las consecuencias de implementar diferentes medidas para contener la propagación de COVID-19. Su objetivo es establecer qué variables marcan la diferencia para un problema y si se pueden causar problemas adicionales. En tercer lugar, el análisis predictivo busca identificar la probabilidad de resultados futuros y podría, por ejemplo, aprovechar los recuentos de población en tiempo real y los datos de movilidad para permitir nuevas capacidades predictivas y permitir a las partes interesadas evaluar riesgos, necesidades y oportunidades futuras. Finalmente, en cuarto lugar, las evaluaciones de impacto tienen como objetivo determinar qué intervenciones afectan la propagación de COVID-19 y de qué manera, y de qué manera, y requieren datos para identificar los obstáculos que impiden el logro de ciertos objetivos o el éxito de intervenciones particulares. La Tabla 1 proporciona ejemplos específicos de preguntas por áreas de investigación.


        Ejemplos de preguntas por áreas de investigación.

        Conciencia situacional

        • ¿Cuáles son los flujos de movilidad más comunes dentro y entre ciudades y regiones afectadas por COVID?
          ¿Qué áreas están propagando las epidemias que actúan como nodos de origen en una red de movilidad y, por lo tanto, podrían estar sujetas a restricciones de movilidad?
        • ¿Las personas continúan viajando o se congregan después de que se establecieron distanciamientos sociales y restricciones de viaje?
        • ¿Existen puntos críticos con mayor riesgo de contaminación (debido a un mayor nivel de movilidad, una mayor concentración de población)?
        • ¿Cuáles son los puntos de entrada clave, ubicaciones y movimientos de los itinerantes / turistas?

        Análisis predictivo

        • ¿Cómo es probable que ciertos patrones de movilidad humana afecten la propagación del coronavirus? ¿Y cuál es la propagación probable de COVID-19, según los modelos de enfermedad existentes y los datos de movilidad actualizados?
        • ¿Cuáles son los efectos probables de las restricciones de movilidad en los resultados educativos de los niños?
        • ¿Cuáles son las consecuencias económicas de la movilidad restringida para las empresas?

        Causa y efecto

        • ¿Cuáles son las variables que determinan el éxito de los enfoques de distanciamiento social?
        • ¿Cómo afectan los patrones de movilidad local a la carga sobre el sistema médico?
        • ¿Las recomendaciones de distanciamiento social de las empresas resultan en más trabajadores trabajando desde casa?
        • ¿En qué sectores trabajan más las personas desde su hogar?
        • ¿Cuáles son las consecuencias sociales y económicas de las medidas de restricción de movimiento?

        Impacto

        • ¿Cómo han afectado las restricciones de viaje el comportamiento de movilidad humana y la probable transmisión de enfermedades?
        • ¿Cuál es el potencial de varias medidas de restricción para evitar casos de infección y salvar vidas?
        • ¿Cuál es el efecto de las medidas obligatorias de distanciamiento social, incluido el cierre de escuelas?
        • ¿De qué manera la difusión de información sobre seguridad pública y orientación voluntaria ha afectado el comportamiento de movilidad humana y la propagación de enfermedades?

        La relevancia y las preguntas específicas planteadas como parte de estas áreas de investigación difieren en varias etapas del brote, pero los datos de teléfonos móviles proporcionan valor a lo largo del ciclo epidemiológico, como se muestra en la figura 1.


        Intervalos pandémicos definidos por el Centro para el Control de Enfermedades de EE. UU. Y la OMS (basado en (52)).

        En la fase temprana de reconocimiento e inicio de la pandemia, los respondedores se centran en el análisis situacional y la detección rápida de casos infectados y sus contactos. La investigación ha demostrado que las medidas de cuarentena de las personas infectadas y sus familiares, combinadas con los procedimientos de vigilancia y pruebas estándar, son efectivas como medidas de control en las primeras etapas de la pandemia (26). La movilidad individual y los datos de contacto (proximidad cercana) ofrecen información sobre individuos infectados, sus ubicaciones y redes sociales. Los datos de contacto (proximidad cercana) se pueden recopilar a través de aplicaciones móviles (24, 27), entrevistas o encuestas (28).

        Durante la fase de aceleración, cuando la transmisión comunitaria alcanza niveles exponenciales, la atención se centra en las intervenciones de contención, que generalmente implican contacto social y restricciones de movilidad. En esta etapa, los datos agregados de teléfonos móviles son valiosos para evaluar la eficacia de las políticas implementadas a través del monitoreo de la movilidad entre y dentro de los municipios afectados. La información sobre movilidad también contribuye a la construcción de modelos epidemiológicos más precisos que pueden explicar y anticipar la propagación de la enfermedad, como se muestra para los brotes de gripe H1N1 (29). Estos modelos, a su vez, pueden informar la movilización de recursos (por ejemplo, respiradores y unidades de cuidados intensivos).

        Finalmente, durante las fases de desaceleración y preparación, a medida que se alcanza el pico de infecciones, es probable que se levanten las restricciones (30). El monitoreo continuo de la situación será importante ya que se espera que la pandemia COVID-19 llegue en oleadas (4, 31). Los datos casi en tiempo real sobre movilidad y puntos críticos serán importantes para comprender cómo levantar y restablecer varias medidas se traducen en comportamiento, especialmente para encontrar la combinación óptima de medidas en el momento adecuado (por ejemplo, restricciones generales de movilidad, cierre de escuelas, prohibición de grandes reuniones), y para equilibrar estas restricciones con aspectos de vitalidad económica. Una vez que la pandemia haya disminuido, los datos móviles serán útiles para el análisis post-hoc del impacto de diferentes intervenciones en la progresión de la enfermedad y el análisis de costo-beneficio de las restricciones de movilidad. Durante esta fase, se podrían implementar tecnologías de rastreo de contactos digitales, como la aplicación coreana para teléfonos inteligentes Corona 100m (32) y la aplicación singapurense para teléfonos inteligentes TraceTogether (33), cuyo objetivo es minimizar la propagación de una enfermedad a medida que se levantan las restricciones de movilidad. En esta línea, los investigadores del Instituto de Tecnología de Massachusetts y sus colaboradores están trabajando en Private Kit: Safe Paths (25), una tecnología de código abierto y de primer contacto de privacidad que brinda a las personas información sobre su proximidad con el COVID-19 diagnosticado. operadores, utilizando GPS y datos de Bluetooth. Del mismo modo, varias universidades europeas, centros de investigación y empresas se han unido en torno al PEPP-PT (Pan-European Privacy Preserving Proximity Tracing (34), una colaboración en el seguimiento de contactos que respeta la privacidad y cumple con GDPR. A lo largo de este esfuerzo, un consorcio de investigación Las instituciones, lideradas por la École Polytechnique Fédérale de Lausanne (EPFL), han desarrollado un protocolo abierto de descentralización de preservación de la privacidad y preservación de la proximidad (DP3T) utilizando la funcionalidad Bluetooth Low Energy en los teléfonos inteligentes, asegurando que los datos personales y la computación permanezcan completamente en las personas ' teléfonos (35). Recientemente, Apple y Google han publicado un anuncio conjunto (36) que describe su sistema para admitir el rastreo de proximidad que preserva la privacidad basado en Bluetooth en los teléfonos inteligentes iOS y Android. Curiosamente, como parte de la recomendación de la Comisión Europea de un enfoque coordinado para apoyar el levantamiento gradual de las medidas de bloqueo (37), Estados miembros de la Unión Europea, con el apoyo de La Comisión ha desarrollado una caja de herramientas para el desarrollo y uso de aplicaciones de rastreo de contactos, que cumple totalmente con las normas de la UE (38).

        Métricas específicas para decisiones basadas en datos

        Los investigadores y profesionales han desarrollado una variedad de métricas agregadas utilizando datos de teléfonos móviles que pueden ayudar a llenar los vacíos en la información necesaria para responder a COVID-19 y abordar las incertidumbres con respecto a la movilidad y los comportamientos.

        Las matrices de origen-destino (OD) son especialmente útiles en las primeras fases epidemiológicas, donde el objetivo es evaluar la movilidad de la población. El número de personas que se mueven diariamente entre dos áreas diferentes se puede calcular a partir de los datos de la red móvil, y se puede considerar un proxy de la movilidad humana. Las áreas geográficas de interés pueden ser códigos postales, municipios, provincias o incluso regiones. Estos flujos de movilidad se comparan con los de un período de referencia para evaluar la reducción de la movilidad debido a intervenciones no farmacéuticas. En particular, son útiles para monitorear el impacto de diferentes medidas de contención social y de movilidad e identificar regiones donde las medidas podrían no ser efectivas o seguidas por la población. Además, estos flujos pueden informar modelos de transmisión de enfermedades espacialmente explícitos para evaluar el beneficio potencial de tales reducciones.

        Las estimaciones de morada y los puntos críticos son estimaciones de una concentración particularmente alta de personas en un área, lo que puede ser favorable para la transmisión del virus. Estas métricas generalmente se construyen dentro de un municipio dividiendo la ciudad en cuadrículas o barrios (39). El número estimado de personas en cada unidad geográfica se puede calcular con diferentes granularidades de tiempo (por ejemplo, 15 min, 60 min, 24 h).

        Las matrices de contacto estiman el número y la intensidad de las interacciones cara a cara que las personas tienen en un día. Por lo general, se calculan por grupos de edad. Se ha demostrado que estas matrices son extremadamente útiles para evaluar y determinar la disminución del número de reproducción del virus (6). Sin embargo, todavía es difícil estimar las interacciones cara a cara a partir de datos de ubicación conjunta y movilidad (40). Las aplicaciones de rastreo de contactos se pueden usar para identificar contactos cercanos de aquellos infectados con el virus.

        La cantidad de tiempo que se pasa en el hogar, en el trabajo u otros lugares son estimaciones del porcentaje individual del tiempo que se pasa en el hogar / trabajo / otros lugares (por ejemplo, parques públicos, centros comerciales, tiendas), que pueden ser útiles para evaluar el cumplimiento local de las contramedidas adoptado por los gobiernos. Las ubicaciones de la casa y el trabajo deben calcularse en un período de tiempo anterior al despliegue de las medidas de restricciones de movilidad. El porcentaje de tiempo que pasa en cada ubicación debe calcularse para las personas que no se mueven durante este tiempo. Las variaciones del tiempo dedicado a diferentes ubicaciones generalmente se calculan de forma individual y luego se agregan espacialmente a nivel de código postal, municipio, ciudad o región.

        Aunque todavía hay poca información sobre la susceptibilidad específica a la edad a la infección por COVID-19, está claro que la edad es un factor de riesgo importante para la gravedad de COVID-19. Destacamos, por lo tanto, la importancia de estimar las métricas mencionadas anteriormente por grupos de edad (6). La Figura 2 muestra un ejemplo de tales métricas.



        Figura 2. Extracción de métricas agregadas de datos de teléfonos móviles. a) Datos en bruto que representan la movilidad de un día de dos usuarios. En este ejemplo, el área B es un punto de acceso, ya que muestra una alta concentración de personas. b) Matriz origen-destino de cinco áreas diferentes, contando el número de viajes desde un área (filas) a otra área (columnas). c) Matriz de contacto que cuenta el número de posibles interacciones cara a cara entre grupos de edad. d) Porcentaje del tiempo que pasa en el hogar, el trabajo y otros lugares.

        ¿Por qué el uso de datos de teléfonos móviles no es generalizado, o es un estándar, para combatir las epidemias?

        El uso de datos de teléfonos móviles para hacer frente a la pandemia de COVID-19 ha llamado la atención, pero sigue siendo relativamente escaso. Aunque se han formado alianzas locales, faltan acciones concertadas internacionalmente, tanto en términos de coordinación como de intercambio de información (22). En parte, esto es el resultado de una falla en institucionalizar experiencias pasadas. Durante el brote de virus Ébola 2014-2016, se iniciaron varias actividades piloto o únicas. Sin embargo, no hubo transición a "negocios como de costumbre" en términos de procedimientos estandarizados para aprovechar los datos de teléfonos móviles o establecer mecanismos para la "preparación de datos" en los contextos de los países (41, 42). La tecnología ha evolucionado con varias plataformas que ofrecen acceso y análisis mejorado y seguro de datos móviles, incluso para casos de uso humanitario y de desarrollo (por ejemplo, OPAL [(43)], Flowkit [(44)]). Además, se han celebrado reuniones de alto nivel (p. Ej., El grupo de expertos de alto nivel de intercambio de datos B2G de la Comisión Europea), el análisis de datos y las iniciativas de intercambio han mostrado resultados prometedores, pero el uso de métricas e ideas derivadas de datos de teléfonos móviles por parte de los gobiernos y las autoridades locales siguen siendo mínimas hoy (43). Varios factores probablemente explican esta brecha de "implementación".

        Primero, los gobiernos y las autoridades públicas a menudo desconocen y / o carecen de una "mentalidad digital" y de la capacidad necesaria para procesar información que a menudo es compleja y requiere experiencia multidisciplinaria (por ejemplo, mezcla de datos de ubicación y salud, modelos especializados), así como para establecer los equipos interdisciplinarios y colaboraciones necesarios. Muchas unidades gubernamentales carecen de personal suficiente y, a veces, también carecen de equipamiento tecnológico. Durante la pandemia de COVID-19, la mayoría de las autoridades están abrumadas por la multiplicidad y simultaneidad de las solicitudes; Como nunca se han enfrentado a una crisis de este tipo, existen pocos procedimientos y guías predefinidos, por lo que las acciones preventivas y específicas se abandonan rápidamente para las acciones de masas. Estos problemas se exacerban en los niveles locales de los gobiernos (por ejemplo, ciudades, condados), que son precisamente las autoridades que realizan el trabajo de primera línea en la mayoría de las situaciones. Además, muchas autoridades públicas y tomadores de decisiones no son conscientes del valor que los datos de los teléfonos móviles proporcionarían para la toma de decisiones y, a menudo, se utilizan para tomar decisiones sin conocer los hechos completos y en condiciones de incertidumbre.

        En segundo lugar, a pesar de los esfuerzos significativos, el acceso a los datos sigue siendo un desafío. La mayoría de las empresas, incluidos los operadores de redes móviles, tienden a ser muy reticentes a poner a disposición de los investigadores y / o gobiernos datos, incluso agregados y anónimos. Además de los problemas de protección de datos, estos datos también se consideran y utilizan como activos comerciales, lo que limita el uso potencial de los objetivos humanitarios si no hay modelos sostenibles para apoyar los sistemas operativos. También se debe tener en cuenta que no todos los operadores de redes móviles en el mundo son iguales en términos de madurez de datos. Algunos están compartiendo datos activamente como empresa, mientras que otros apenas han comenzado a recopilar y usar datos.

        En tercer lugar, el uso de datos de teléfonos móviles plantea preocupaciones públicas legítimas sobre privacidad, protección de datos y libertades civiles. Los gobiernos de China, Corea del Sur, Israel y otros lugares han accedido y utilizado abiertamente los datos personales de las aplicaciones de teléfonos inteligentes para rastrear movimientos individuales y para notificarlos. Sin embargo, en otras regiones, como en Europa, las regulaciones legales nacionales y regionales limitan dicho uso (especialmente la ley de la Unión Europea sobre protección de datos y privacidad conocida como el Reglamento General de Protección de Datos - GDPR). Además, en todo el mundo, las encuestas de opinión pública, las redes sociales y una amplia gama de actores de la sociedad civil, incluidos grupos de consumidores y organizaciones de derechos humanos, han planteado preocupaciones legítimas sobre la ética, la posible pérdida de privacidad y el impacto a largo plazo en las libertades civiles como resultado de la uso de datos móviles individuales para monitorear COVID-19. El control de la pandemia requiere el control de las personas, incluida su movilidad y otros comportamientos. Una preocupación clave es que la pandemia se utiliza para crear y legitimar herramientas de vigilancia utilizadas por empresas gubernamentales y tecnológicas que probablemente persistan más allá de la emergencia. Dichas herramientas y un mejor acceso a los datos pueden utilizarse para fines tales como la aplicación de la ley por parte del gobierno o la hiper-focalización por parte del sector privado. Tal aumento en el poder del gobierno y la industria y la ausencia de controles y equilibrio es perjudicial en cualquier estado democrático. Las consecuencias pueden ser aún más devastadoras en los estados menos democráticos que habitualmente atacan y oprimen a las minorías, los grupos vulnerables y otras poblaciones de interés.

        Cuarto, los investigadores y tecnólogos con frecuencia no logran articular sus hallazgos en términos claros y procesables que respondan a preguntas políticas y técnicas prácticas. Los investigadores y los expertos en dominios tienden a definir el alcance y la dirección de los problemas analíticos desde su perspectiva y no necesariamente desde la perspectiva de las necesidades de los gobiernos. Deben tomarse decisiones críticas, mientras que los resultados clave a menudo se publican en revistas científicas y en jerga que no son fácilmente accesibles para los extraños, incluidos los trabajadores gubernamentales y los responsables políticos.

        Finalmente, hay poca voluntad política y recursos invertidos para apoyar la preparación para la acción inmediata y rápida. A nivel de país, hay muy pocos equipos mixtos latentes / permanentes, compuestos por a) representantes de gobiernos y autoridades públicas, b) operadores de redes móviles y compañías de tecnología, c) expertos en diferentes temas (virólogos, epidemiólogos, analistas de datos); y no hay procedimientos y protocolos predefinidos.

        Ninguno de estos desafíos es insuperable, pero requieren un claro llamado a la acción.

        Un llamado a la acción para luchar contra COVID-19

        Para construir de manera efectiva el mejor, más actualizado, relevante y accionable conocimiento, llamamos a los gobiernos, operadores de redes móviles y compañías de tecnología (por ejemplo, Google, Facebook, Apple) e investigadores para formar equipos mixtos. Los gobiernos deben ser conscientes del valor de la información y el conocimiento que pueden derivarse del análisis de datos de teléfonos móviles, especialmente para monitorear las medidas necesarias para contener la pandemia. Deben permitir y aprovechar la provisión / uso justo y responsable de datos agregados y anónimos para este propósito. Los operadores de redes móviles y las compañías de tecnología con una adopción generalizada de sus productos (por ejemplo, Facebook, Google, Apple) deben asumir su responsabilidad social y el papel vital que pueden desempeñar para enfrentar la pandemia. Deberían comunicarse con los gobiernos y la comunidad investigadora. Los investigadores y expertos en dominios (por ejemplo, virólogos, epidemiólogos, demógrafos, científicos de datos, informáticos y científicos sociales computacionales) deben reconocer el valor de los equipos interdisciplinarios y las especificidades y sensibilidades del contexto. El impacto se maximizaría si los gobiernos y las autoridades públicas se incluyen desde el principio y a lo largo de sus esfuerzos para identificar las preguntas más relevantes y las necesidades de conocimiento. La creación de equipos interinstitucionales multidisciplinarios es de suma importancia, como se demostró recientemente con éxito en Bélgica y la región valenciana de España (45). Cuatro principios clave deberían guiar la implementación de tales equipos mixtos para mejorar su efectividad, a saber: i) la inclusión temprana de los gobiernos, ii) el enlace con las autoridades de protección de datos desde el principio, iii) el intercambio internacional y iv) la preparación para todos etapas de la pandemia.

        Las autoridades públicas y gubernamentales relevantes deben participar temprano, y los investigadores deben aprovechar sus sistemas de conocimiento y la necesidad de información. Un desafío clave es hacer que las percepciones sean viables: ¿cómo se pueden utilizar finalmente los resultados, como los mapas de propagación (por ejemplo, para establecer zonas de cuarentena, informar a los gobiernos locales, dirigir la comunicación) Al mismo tiempo, las expectativas deben ser realistas: las decisiones sobre las medidas deben basarse en hechos, pero al final son decisiones políticas. Muchas percepciones derivadas del análisis de datos de teléfonos móviles no tienen implicaciones prácticas: dicho análisis y la recopilación de datos relacionados deben desalentarse hasta que se demuestre que es necesario.

        También sugerimos que tales esfuerzos sean transparentes e involucren a las autoridades de protección de datos y defensores de las libertades civiles desde el principio, y tengan ciclos de iteración rápidos con ellos. Por ejemplo, los formuladores de políticas deberían considerar la creación de un comité asesor de ética y privacidad para supervisar y proporcionar comentarios sobre los proyectos. Esto asegura que se mantenga la privacidad y aumenta la aceptación del usuario potencial. Los datos agregados de teléfonos móviles se pueden usar en línea incluso con las estrictas regulaciones europeas (GDPR). Las iniciativas anteriores han establecido principios y métodos para compartir datos o indicadores sin poner en peligro la información personal y crear soluciones para preservar la privacidad que solo utilizan incentivos para gestionar el comportamiento (46-48). La inclusión temprana de la autoridad de protección de datos en Bélgica ha llevado a la publicación de una declaración de la Junta Europea de Protección de Datos sobre cómo procesar los datos de teléfonos móviles en la lucha contra COVID-19 (49). Aun reconociendo el valor de los datos de los teléfonos móviles, la urgencia de la situación no debería conducir a la pérdida de la privacidad de los datos y otras libertades civiles que podrían volverse permanentes después de la pandemia. En este sentido, la donación de datos para bien y el intercambio directo y limitado (en tiempo y alcance) de datos agregados por parte de operadores de redes móviles con gobiernos e investigadores (democráticos) parece ser menos problemático que el uso comercial de datos de ubicación individuales. adquirido, reunido y analizado por empresas comerciales. En términos más generales, cualquier sistema de datos de emergencia configurado para monitorear COVID-19 y más allá debe seguir un conjunto equilibrado y bien articulado de políticas y pautas de datos y está sujeto a evaluaciones de riesgos.

        Específicamente, cualquier esfuerzo debe cumplir con pruebas claras sobre el uso proporcional, legal, responsable, necesario y ético de los datos del teléfono móvil en las circunstancias de la pandemia y tratar de minimizar la cantidad de información recopilada para lo necesario para lograr el objetivo en cuestión. Estos no son criterios nuevos; están bien inscritos en las normas y leyes internacionales de derechos humanos relacionadas, por ejemplo, con el uso de la fuerza. Ciertamente, el uso de datos de teléfonos móviles no equivale al uso de la fuerza, pero en las manos equivocadas, puede tener efectos igualmente devastadores y reducir significativamente las libertades civiles. Teniendo en cuenta la amplia ausencia de marcos legales y el mal manejo histórico de los datos por parte de las compañías de tecnología, existe una necesidad urgente de un liderazgo y gobierno global responsable para guiar los esfuerzos para usar la tecnología en tiempos de emergencia.

        Además, vemos una clara necesidad de más intercambio internacional, con otros expertos de dominio, pero también con otras iniciativas y grupos; los hallazgos deben compartirse rápidamente: habrá tiempo para publicaciones revisadas por pares más adelante. Especialmente en países con sistemas de salud más débiles (y a menudo también económicos), la focalización y la efectividad de las intervenciones no farmacéuticas pueden hacer una gran diferencia. Esto también implica la traducción de hallazgos importantes del inglés a otros idiomas relevantes.

        Para las etapas posteriores de la pandemia y para el futuro, las partes interesadas deben aspirar a un nivel mínimo de "preparación" para una acción inmediata y rápida. A nivel de país y / o región, habrá una necesidad de equipos mixtos "permanentes"; tecnología actualizada, acuerdos básicos y prescripciones legales; y acceso a datos, procedimientos y protocolos predefinidos (también para "protocolos de anonimización y agregación apropiados" (46)). Una colaboración a largo plazo entre modeladores de enfermedades infecciosas, epidemiólogos e investigadores de laboratorios de operadores de redes móviles en Francia ayudó a impulsar un proyecto sobre la pandemia de COVID-19, con el apoyo de las autoridades de salud pública (50).

        Finalmente, además del intercambio internacional (horizontal), también necesitamos enfoques internacionales que sean coordinados por organismos supranacionales. Las iniciativas nacionales pueden ayudar en cierta medida, pero a la larga no serán suficientes. Una pandemia global requiere un trabajo coordinado globalmente o al menos regionalmente. Aquí, están surgiendo enfoques prometedores: la Comisión de la UE, el 23 de marzo de 2020, instó a los operadores de redes móviles europeas a entregar datos anónimos y agregados a la Comisión para rastrear la propagación de virus y determinar áreas prioritarias para suministros médicos (51), mientras que otras iniciativas de coordinación son emergentes en África, América Latina y la región MENA. Será importante que tales iniciativas se vinculen, compartan conocimientos y colaboren. La pandemia de Covid-19 no terminará pronto, y no será la última pandemia que enfrentamos. Deben prepararse y examinarse por adelantado las soluciones éticamente aceptables y éticamente aceptables para usar datos de teléfonos móviles, y debemos aumentar la preparación a nivel nacional e internacional, para que podamos actuar rápidamente cuando llegue la crisis.


        References and Notes

        1. ↵
        2. ↵
        4. ↵
        6. ↵
        7. ↵
        11. ↵
        12. ↵
        21. ↵
        22. ↵
        23. ↵
        24. ↵
        25. ↵
        26. ↵
        27. ↵
        28. ↵
        29. ↵
        30. ↵
        31. ↵
        32. ↵
        33. ↵
        34. ↵
        35. ↵
        36. ↵
        37. ↵
        38. ↵
        39. ↵
        40. ↵
        41. ↵
        42. ↵
        43. ↵
        44. ↵
        45. ↵
        46. ↵
        48. ↵
        49. ↵
        50. ↵
        51. ↵
        52. ↵
        Publicado por en No hay comentarios:
        Etiquetas: , , , , , , ,
        Suscribirse a: Entradas (Atom)