Un grupo de investigadores argentinos ha demostrado que los datos de geolocalización provistos por los teléfonos móviles permiten inferir las tasas de contagio y pronosticar la evolución de la epidemia de manera consistente. El trabajo analizó el movimiento de alrededor de un millón de dispositivos móviles en los 41 distritos del Área Metropolitana de Buenos Aires (AMBA) a lo largo de 60 días.
“Son datos anónimos”, aclara Pablo Mininni a NeX ciencia, investigador del CONICET en el Departamento de Física (DF) de la Facultad de Ciencias Exactas y Naturales de la UBA (Exactas UBA). “Corresponden a entre 100 y 200 posicionamientos diarios de alrededor de un millón de dispositivos móviles, registrados a lo largo de varios meses”, añade.
El estudio, encargado por el Ministerio de Ciencia, Tecnología e Innovación Productiva, fue realizado también por un equipo de investigadores del DF conformado por Enzo Tagliazucchi, Gabriel Mindlin y Pablo Balenzuela y, también, por Matías Travizano, un físico graduado en Exactas UBA que es el fundador y CEO de Grandata, la empresa con sede en California que proporcionó los datos de geolocalización de los móviles.
Los resultados del trabajo han sido publicados en la revista científica Chaos, Solitons & Fractals, y pueden ser una herramienta clave para pronosticar la evolución de la pandemia en Argentina.
“Nuestro modelo podría funcionar de la misma manera que el pronóstico del tiempo, anticipando con alta probabilidad lo que puede ocurrir”, ilustra Mininni. “Puede ayudar para la planificación de las medidas sanitarias”, considera.
La movilidad y el COVID-19
Los modelos epidemiológicos que se están empleando para predecir el comportamiento de la pandemia en este país utilizan parámetros que tienen que ver con propiedades de la infección. Por ejemplo, velocidad de contagio, tiempo de aparición de los síntomas o velocidad de recuperación de los enfermos, entre otros. Además, muchos de estos modelos asumen que los individuos pueden mezclarse indistintamente entre sí. Es decir, no toman en cuenta los distintos tipos de interacciones entre las personas que pueden ocurrir en un territorio ni, tampoco, sus distribuciones geográficas.
“Una vez que se encuentra esa tasa de contagio, se generan curvas con números de casos acumulados, las cuales se aproximan considerablemente a los datos oficiales. Pero eso no es sorprendente, precisamente porque se elige la tasa de contagio para que eso ocurra”, señala Mininni. “La pregunta central es si la tasa de contagio inferida también puede ser útil para el pronóstico de casos futuros, los cuales no son tenidos en cuenta durante el ajuste”.
“Nuestro modelo integra los parámetros propios de la infección con el comportamiento social, que lo medimos a través de la movilidad”, explica Mininni.
Fue así que, primero, estimaron la circulación local en cada distrito del Gran Buenos Aires y CABA, así como el tránsito entre ellos. “Observamos una caída abrupta de la movilidad local e interdistrital a partir del 20 de marzo, cuando comenzó la cuarentena”, acota Mininni. A su vez, cargaron los casos de COVID-19 reportados oficialmente desde el primer día (3 de marzo) hasta el día 20 (23 de marzo). Finalmente, con los datos de los primeros 20 días de pandemia en la Argentina, estimaron una tasa de contagios.
Después de alimentar el modelo con todos esos datos, lo hicieron “correr”, y los resultados fueron sorprendentes: “Hasta el día 60 de la pandemia, día en el que decidimos detener el estudio para publicarlo, nuestro modelo mostró la evolución territorial de los casos infectados de manera muy compatible con los datos oficiales, y sin que tuviéramos que hacer ajustes”, revela Mininni.
“El modelado de la epidemia no puede prescindir de datos de movilidad, y éstos deben ser lo más realistas y exhaustivos que sea posible”, concluyen los autores del estudio.
“Este trabajo mostró que, para el caso de una mega ciudad como Buenos Aires y su región metropolitana, existe una relación directa entre movilidad y tasa de contagio, y que la información de movilidad provista por los teléfonos celulares es muy útil para inferir escenarios futuros de la epidemia”, afirma Mininni.
Los autores del trabajo advierten sobre la necesidad de ser extremadamente cuidadosos en el uso de modelos simples para evaluar efectos de políticas en salud pública, porque “pueden ser aproximaciones poco realistas”.
