Desde el Centro de Investigación en Matemáticas (Cimat), la doctora Leticia Ramírez Ramírez aplica modelos estadísticos y computacionales para predecir el número de los brotes de influenza estacional futuros, a fin de conocer el momento en que inician los contagios, su duración y las personas que puede afectar a lo largo de su desarrollo.
Para esto, utiliza una innovación interesante: Twitter. La experta procesa información que se obtiene en tiempo real de la red social como una herramienta imprescindible ante el retraso de los datos oficiales confirmados de los sistemas públicos de salud, debido a que estos se dan una vez que se realizaron pruebas de laboratorio, por lo que la inmediatez contribuye a la toma de decisiones para combatir la propagación de infecciones.
Doctora en estadística por la Universidad de Waterloo, en Canadá, relató a Agencia Informativa Conacyt que el proyecto para analizar el brote de influenza estacional en la región de Peel en Ontario, Canadá, ha sido desarrollado en colaboración con la doctora Yulia Gel, investigadora de la Universidad de Texas, en Dallas.
Explica que las redes sociales, en este caso, los mensajes de Twitter, son una fuente alternativa de información que complementa los datos que provienen de los sistemas de vigilancia, a través de los cuales se puede utilizar el modelo estocástico de predicción bajo un escenario libre (sin intervención) o con control epidémico (como vacunación o cierre de escuelas).
“En términos estadísticos, estimamos la distribución de las observaciones futuras, es decir, delinear lo que puede pasar en un futuro dadas las variables. Lo que hicimos con Twitter y con la información de los datos oficiales fue aplicar el modelo situándonos en un momento en el tiempo y, con base en la información de los individuos que han sido infectados y detectados a lo largo de las semanas anteriores, tenemos datos de cuántos futuros casos se pueden presentar basadas en múltiples simulaciones”, detalla.
La también profesora asociada del Instituto Tecnológico Autónomo de México (ITAM) explica que para aplicar el modelo y la metodología de predicción se construyó una red de contactos individuales para estimar la transmisión de la infección entre las personas utilizando información sociodemográfica y la matrícula en escuelas en la región de Peel, cuya población es de un millón y medio de habitantes.
El análisis se realiza aplicando varias veces el método Montecarlo (un método estadístico numérico no determinista) que arroja una probabilidad de transmisión, pues el hecho de que una persona esté en contacto con otra susceptible no siempre resulta en infección, por lo que se deben establecer los escenarios duros más plausibles.
Mensajes en Twitter
La investigación se centra en analizar los mensajes que se originan en la región y que están relacionados con la influenza, sin que estos sean necesariamente expresiones de la enfermedad, sino aquellos que incluyeran palabras clave relacionadas, como los síntomas o los medicamentos utilizados para su tratamiento.
“Se tiene una muestra de los tuits que ocurren en la región. Por la dirección IP se puede saber el lugar en que se originan, y por el perfil del usuario se pueden conocer valores como edad o género. Los mensajes se clasifican en dos tipos: los tuits comunes y los que de alguna manera están relacionados con la actividad de influenza, por ejemplo aquellos que incluyan palabras como fiebre, dolor de cabeza o Tamiflú (medicamento)”, dice.
Es así que con el modelo estocástico de predicción se extrae la información de la actividad de influenza en la región para medirla, los datos se relacionan más apropiadamente con los casos sospechosos o sintomáticos, pues mientras más personas comiencen a presentar casos habrá mayor comunicación relacionada con la enfermedad.
A través de los estudios, la investigadora ha detectado que sí existe una fuerte relación entre la información alternativa obtenida en la red social y los casos confirmados de influenza. Sin embargo, destaca que en algunos estudios que desean relacionar la actividad de los mensajes de Twitter con algún evento en particular, se ha observado que el volumen de los mensajes es propenso a seguir algún otro tipo de variable; por ello destaca que debe considerarse que la relación entre la red social y la enfermedad es dinámica y como tal debe ser modelada.
Con información de Agencia Informativa Conacyt
Imagen de: Archivo Google
