Riesgo de infección en Kenia, según la región en diciembre -vacaciones escolares- (A) y en marzo (B). Imagen: Wesolowski/Metcalf. Fuente: Princeton.
Los datos de telefonía móvil podrían ser clave para entender cómo se propagan las enfermedades infecciosas, según un estudio publicado en Proceedings of the National Academy of Sciences.
Investigadores de las universidades de Princeton y Harvard (EE.UU.) utilizaron los registros de teléfonos móviles anónimos de más de 15 millones de personas para realizar un seguimiento de la propagación de la rubeola en Kenia y fueron capaces de demostrar cuantitativamente por primera vez que los datos de telefonía móvil pueden predecir patrones de enfermedades estacionales.
Aprovechar los datos de teléfonos celulares de esta manera podría ayudar a los responsables políticos a orientar y evaluar intervenciones de salud como el calendario de vacunaciones y el cierre de escuelas, dicen los investigadores. El método podría aplicarse también a una serie de enfermedades de transmisión estacional como la gripe y el sarampión.
"Una de las oportunidades extraordinarias que ofrecen los datos del teléfono móvil es la capacidad de entender cómo los patrones de viaje cambian con el tiempo", dice en la nota de prensa de Princeton la autora C. Jessica Metcalf, profesora de ecología y biología evolutiva y asuntos públicos en Princeton. "Y la rubeola es una enfermedad estacional conocida sobre la que se ha planteado la hipótesis de que esté impulsada por la dinámica de las poblaciones humanas, por lo que es un buen sistema para hacer la prueba."
"El potencial de los datos del teléfono móvil para la cuantificación de los patrones de movilidad sólo se ha apreciado en los últimos años", dice la autora principal, Amy Wesolowski, becaria postdoctoral en la Escuela de Salud Pública de Harvard. "Se trata de una extensión natural del análisis de los viajes estacionales utilizando estos datos."
Bajos ingresos
En el pasado, era difícil reunir datos sobre los individuos de bajos ingresos y los países no desarrollados, debido a la falta de uso de tecnología. Pero los teléfonos móviles, especialmente en estas áreas, está aumentando rápidamente, produciendo conjuntos de datos grandes y complejos sobre millones de personas.
En última instancia, el equipo de investigación quería ver si los usuarios de teléfonos celulares y su movimiento por el país podrían predecir la propagación estacional de la rubeola. Los investigadores utilizaron los registros disponibles para analizar el uso del teléfono móvil y el movimiento entre junio de 2008 y junio de 2009 (faltaba febrero de 2009) de más de 15 millones de usuarios de teléfonos celulares en Kenia.
Usando la ubicación de la torre de enrutamiento y el tiempo de cada llamada y mensaje de texto, los investigadores fueron capaces de determinar una ubicación diaria para cada usuario, así como el número de viajes que estos usuarios realizaron entre las regiones cada día. En total, más de 12 mil millones de comunicaciones de telefonía móvil fueron registradas de forma anónima y vinculadas a una provincia.
Luego, los investigadores compararon el análisis de teléfono móvil con un conjunto de datos muy detallados sobre la incidencia de la rubeola en Kenia. Encajaban: los patrones de movimiento del teléfono móvil se alineaban con las cifras de incidencia de la rubeola. En ambos análisis, la rubeola se disparab tres veces al año: septiembre y febrero principalmente, y, en unos pocos lugares, de nuevo en mayo. Esto mostró los investigadores que el movimiento del teléfono móvil puede ser un predictor de la propagación de la enfermedad infecciosa.
Investigadores de las universidades de Princeton y Harvard (EE.UU.) utilizaron los registros de teléfonos móviles anónimos de más de 15 millones de personas para realizar un seguimiento de la propagación de la rubeola en Kenia y fueron capaces de demostrar cuantitativamente por primera vez que los datos de telefonía móvil pueden predecir patrones de enfermedades estacionales.
Aprovechar los datos de teléfonos celulares de esta manera podría ayudar a los responsables políticos a orientar y evaluar intervenciones de salud como el calendario de vacunaciones y el cierre de escuelas, dicen los investigadores. El método podría aplicarse también a una serie de enfermedades de transmisión estacional como la gripe y el sarampión.
"Una de las oportunidades extraordinarias que ofrecen los datos del teléfono móvil es la capacidad de entender cómo los patrones de viaje cambian con el tiempo", dice en la nota de prensa de Princeton la autora C. Jessica Metcalf, profesora de ecología y biología evolutiva y asuntos públicos en Princeton. "Y la rubeola es una enfermedad estacional conocida sobre la que se ha planteado la hipótesis de que esté impulsada por la dinámica de las poblaciones humanas, por lo que es un buen sistema para hacer la prueba."
"El potencial de los datos del teléfono móvil para la cuantificación de los patrones de movilidad sólo se ha apreciado en los últimos años", dice la autora principal, Amy Wesolowski, becaria postdoctoral en la Escuela de Salud Pública de Harvard. "Se trata de una extensión natural del análisis de los viajes estacionales utilizando estos datos."
Bajos ingresos
En el pasado, era difícil reunir datos sobre los individuos de bajos ingresos y los países no desarrollados, debido a la falta de uso de tecnología. Pero los teléfonos móviles, especialmente en estas áreas, está aumentando rápidamente, produciendo conjuntos de datos grandes y complejos sobre millones de personas.
En última instancia, el equipo de investigación quería ver si los usuarios de teléfonos celulares y su movimiento por el país podrían predecir la propagación estacional de la rubeola. Los investigadores utilizaron los registros disponibles para analizar el uso del teléfono móvil y el movimiento entre junio de 2008 y junio de 2009 (faltaba febrero de 2009) de más de 15 millones de usuarios de teléfonos celulares en Kenia.
Usando la ubicación de la torre de enrutamiento y el tiempo de cada llamada y mensaje de texto, los investigadores fueron capaces de determinar una ubicación diaria para cada usuario, así como el número de viajes que estos usuarios realizaron entre las regiones cada día. En total, más de 12 mil millones de comunicaciones de telefonía móvil fueron registradas de forma anónima y vinculadas a una provincia.
Luego, los investigadores compararon el análisis de teléfono móvil con un conjunto de datos muy detallados sobre la incidencia de la rubeola en Kenia. Encajaban: los patrones de movimiento del teléfono móvil se alineaban con las cifras de incidencia de la rubeola. En ambos análisis, la rubeola se disparab tres veces al año: septiembre y febrero principalmente, y, en unos pocos lugares, de nuevo en mayo. Esto mostró los investigadores que el movimiento del teléfono móvil puede ser un predictor de la propagación de la enfermedad infecciosa.
Patrones de rubeola en Kenia. Abajo a la derecha, picos de contagio (septiembre, diciembre-marzo y mayo. Imagen: Wesolowski/Metcalf. Fuente: Princeton.
Captura de patrones
En general, los resultados estuvieron en línea con las predicciones de los investigadores; la rubeola es más probable que se propague cuando los niños interactúan entre sí al inicio de la escuela y después de periodos de vacaciones. En la mayoría del país, este riesgo disminuye en el resto de los meses del periodo escolar.
La única anomalía estaba en el oeste de Kenia, donde el riesgo durante las vacaciones escolares era relativamente más alto que cuando la escuela estaba en curso. Los datos fueron insuficientes para indicar claramente por qué.
"Nuestro análisis muestra que los datos de teléfonos móviles pueden utilizarse para capturar patrones estacionales de movimiento humano relevantes para la comprensión de las enfermedades infecciosas de la infancia", dice Metcalf. "En particular, los datos de telefonía pueden describir los patrones de movimiento dentro del país a gran escala, lo que podría ser especialmente útil para un tratamiento localizado."
Los investigadores esperan aplicar próximamente su metodología al sarampión y otras infecciones moldeadas por el movimiento humano como la malaria y el cólera.
Persiguiendo también la gripe
Por otro lado, investigadores de la Universidad de Duke y de la Universidad de Carolina del Norte-Chapel Hill, ambas de EE.UU., han desarrollado nuevos métodos para el análisis de datos de salud y estilo de vida capturados a través de dispositivos portátiles o aplicaciones de teléfonos inteligentes, que pueden ayudar a identificar a los estudiantes universitarios en riesgo de contraer la gripe.
Con la ayuda de una aplicación móvil que vigila con quién y cuándo interactúan los estudiantes, han desarrollado un modelo que les permite predecir la propagación de la gripe de una persona a otra a través del tiempo.
Como explica la nota de prensa de Duke, a diferencia de la mayoría de los modelos de infección, que se centran en los cambios a nivel de la población en la proporción de personas susceptibles a enfermarse, este enfoque da un pronóstico diario personalizado para cada paciente.
En teoría, los médicos podrían utilizar estos datos para identificar y alertar a los estudiantes en riesgo antes de que enfermen o empiecen a sentir los síntomas, o para animarles a quedarse en casa para evitar contagiar a otros estudiantes.
Para probar el modelo, los investigadores lo aplicaron a 100 estudiantes de la Universidad de Michigan. Durante 10 semanas de la temporada de gripe de 2013, los estudiantes llevaron en sus smartphones un software incorporado, iEpi, que utilizó Wi-Fi, Bluetooth y tecnología GPS para controlar a dónde fueron y con quién entraron en contacto en cada momento.
Los estudiantes también registraron sus síntomas cada semana en línea. Los estudiantes que informaron de tos y fiebre, escalofríos o dolores fueron testados para determinar si tenían un resfriado o la gripe.
El modelo calculó luego las probabilidades de que cada estudiante extendiera o contrajera la gripe en un día determinado, e identificó los hábitos personales de salud -como el lavado de manos o la vacuna contra la gripe- que podrían ayudarles a evitar el contagio o acelerar su recuperación.
Los investigadores encontraron que los estudiantes que fumaban o bebían tardaban más en recuperarse.
En general, los resultados estuvieron en línea con las predicciones de los investigadores; la rubeola es más probable que se propague cuando los niños interactúan entre sí al inicio de la escuela y después de periodos de vacaciones. En la mayoría del país, este riesgo disminuye en el resto de los meses del periodo escolar.
La única anomalía estaba en el oeste de Kenia, donde el riesgo durante las vacaciones escolares era relativamente más alto que cuando la escuela estaba en curso. Los datos fueron insuficientes para indicar claramente por qué.
"Nuestro análisis muestra que los datos de teléfonos móviles pueden utilizarse para capturar patrones estacionales de movimiento humano relevantes para la comprensión de las enfermedades infecciosas de la infancia", dice Metcalf. "En particular, los datos de telefonía pueden describir los patrones de movimiento dentro del país a gran escala, lo que podría ser especialmente útil para un tratamiento localizado."
Los investigadores esperan aplicar próximamente su metodología al sarampión y otras infecciones moldeadas por el movimiento humano como la malaria y el cólera.
Persiguiendo también la gripe
Por otro lado, investigadores de la Universidad de Duke y de la Universidad de Carolina del Norte-Chapel Hill, ambas de EE.UU., han desarrollado nuevos métodos para el análisis de datos de salud y estilo de vida capturados a través de dispositivos portátiles o aplicaciones de teléfonos inteligentes, que pueden ayudar a identificar a los estudiantes universitarios en riesgo de contraer la gripe.
Con la ayuda de una aplicación móvil que vigila con quién y cuándo interactúan los estudiantes, han desarrollado un modelo que les permite predecir la propagación de la gripe de una persona a otra a través del tiempo.
Como explica la nota de prensa de Duke, a diferencia de la mayoría de los modelos de infección, que se centran en los cambios a nivel de la población en la proporción de personas susceptibles a enfermarse, este enfoque da un pronóstico diario personalizado para cada paciente.
En teoría, los médicos podrían utilizar estos datos para identificar y alertar a los estudiantes en riesgo antes de que enfermen o empiecen a sentir los síntomas, o para animarles a quedarse en casa para evitar contagiar a otros estudiantes.
Para probar el modelo, los investigadores lo aplicaron a 100 estudiantes de la Universidad de Michigan. Durante 10 semanas de la temporada de gripe de 2013, los estudiantes llevaron en sus smartphones un software incorporado, iEpi, que utilizó Wi-Fi, Bluetooth y tecnología GPS para controlar a dónde fueron y con quién entraron en contacto en cada momento.
Los estudiantes también registraron sus síntomas cada semana en línea. Los estudiantes que informaron de tos y fiebre, escalofríos o dolores fueron testados para determinar si tenían un resfriado o la gripe.
El modelo calculó luego las probabilidades de que cada estudiante extendiera o contrajera la gripe en un día determinado, e identificó los hábitos personales de salud -como el lavado de manos o la vacuna contra la gripe- que podrían ayudarles a evitar el contagio o acelerar su recuperación.
Los investigadores encontraron que los estudiantes que fumaban o bebían tardaban más en recuperarse.
Referencias bibliográficas:
Amy Wesolowski, C. J. E. Metcalf, Nathan Eagle, Janeth Kombich, Bryan T. Grenfell, Ottar N. Bjørnstad, Justin Lessler, Andrew J. Tatem, Caroline O. Buckee. Quantifying seasonal population fluxes driving rubella transmission dynamics using mobile phone data. Proceedings of the National Academy of Sciences (2015). DOI: 10.1073/pnas.1423542112.
Kai Fan, Marisa Eisenberg, Alison Walsh, Allison Aiello, Katherine Heller. Hierarchical Graph-Coupled HMMs for Heterogeneous Personalized Health Data. Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2015). DOI: 10.1145/2783258.2783326.
Amy Wesolowski, C. J. E. Metcalf, Nathan Eagle, Janeth Kombich, Bryan T. Grenfell, Ottar N. Bjørnstad, Justin Lessler, Andrew J. Tatem, Caroline O. Buckee. Quantifying seasonal population fluxes driving rubella transmission dynamics using mobile phone data. Proceedings of the National Academy of Sciences (2015). DOI: 10.1073/pnas.1423542112.
Kai Fan, Marisa Eisenberg, Alison Walsh, Allison Aiello, Katherine Heller. Hierarchical Graph-Coupled HMMs for Heterogeneous Personalized Health Data. Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2015). DOI: 10.1145/2783258.2783326.