App centinela de la salud para la vigilancia epidemiológica de COVID-19

(Una aplicación de la Minería de Datos)

Mcoder.AI

Linkedin: Lizette Pacheco 

El pasado 29 de abril de 2021 se llevó a cabo el evento “App centinela de la salud para la vigilancia epidemiológica de COVID-19 en la zona metropolitana de San Luis Potosí“ por parte del capítulo Querétaro, donde se abordó el desarrollo y validación de una plataforma complementaria de vigilancia epidemiológica participativa, ya que la sociedad es parte de la generación de estos datos. Esta plataforma se desarrolló con la colaboración de varias instituciones y se encuentra disponible para sistema Android en Google Play.


La primera ponencia fue impartida por el Dr. Rubén López Revilla investigador del Instituto Potosino de Investigación Científica y Tecnológica (IPICYT) que describió los objetivos de la plataforma. Esta, sondea el riesgo individual de contagio y severidad, determina el índice de riesgo de cada usuario y lo representa como un punto, así mismo, determina la localización y evolución de los patrones de puntos y de grupos de puntos de los índices de riesgo. También, emite las recomendaciones pertinentes basadas en el índice de riesgo individual a cada usuario. Explicó que recolectaron variables de vulnerabilidad, signos y síntomas y de contacto con casos sospechosos y confirmados con COVID-19. Y con base en estos, se desarrolló y estimó un índice de riesgo (contagio y severidad) de COVID-19.

Distribución índices de riesgo-Mcoder.ai


La segunda ponencia la realizó el Dr. Salvador Ruíz Correa también investigador del IPICYT. El Dr. Ruíz hizo énfasis en que el objetivo final de esta aplicación es el de predecir la evolución espacio-temporal de los casos de COVID-19. Para esto utilizaron un Sistema de Información Geográfica (SIG) de donde se construyeron clúster con datos de contribuciones ciudadanas.
Dentro del proceso de análisis, mencionó que el primer paso que se realizó fue la limpieza de los datos para que fueran validos y la base de datos tuviera la calidad suficiente para hacer inferencias. En segundo paso, analizaron los puntos en el espacio geográfico y evaluaron sí cada grupo de puntos eran clúster con significancia estadística. Para establecer si los datos simulados correspondían con los datos reales, utilizaron un modelo CSR homogéneo para comparar datos simulados y datos reales ajustados por la densidad poblacional ya que esta
última puede confundir la distribución de estos clusters. La aleatoriedad de los puntos se evaluó basándose en la hipótesis de aleatoriedad espacial completa. Así mismo, explicó el uso de la función K de Ripley, la función L y la simulación de Monte Carlo, así como el Log Gaussian Cox Process. al final, pudieron estimar el efecto de las variables sociodemográficas y clínicas sobre la distribución de los puntos y pudieron observar que dos meses antes se lograron identificar focos rojos importantes dentro de la ciudad de SLP.

Simulación Monte Carlo-Mcoder.ai


Al final, los investigadores destacaron que, si bien, esta plataforma se podría escalar a nivel nacional principalmente para enfermedades respiratorias infecciosas, debe utilizarse al inicio de la propagación ya que al saturarse ya no es capaz de distinguir los clúster. Es para uso predictivo, es decir, para evitar la propagación de las enfermedades respiratorias infecciosas.

Por otro lado, mencionaron que la aceptación por parte de las autoridades para el uso de este tipo análisis es una de las principales barreras que enfrenta el científico de datos.


Si te interesa conocer más sobre estas pláticas, no dudes en entrar al enlace y poder consultar nuevamente esta serie de ponencias.

-Lizette Pacheco

Dejar una contestacion

Tu dirección de correo electrónico no será publicada.