La construcción de una sanidad virtual
Carolina Cuesta-Lazaro
Cuenca, Julio 2022 - Retos sanitarios tras la COVID-19
JUNE Collaboration: Ian Vernon, Jonathan Owen, Joseph Aylett-Bullock, Arnau Quera-Bofarull, Jonathan Frawley, Aidan
Sedgewick, Difu Shi, Henry Truong, Mark Turner, Joseph Walker,
Tristan Caulfield, Kevin Fong, and Frank Krauss
El modelo epidemeologico JUNE
June Dalziel Almeida
La necesidad de modelos epidemeologicos
Como se propaga una epidemia en la poblacion?
Por que se propaga preferencialmente sobre algunos individuos?
Como podemos frenarla?
Modelos para una epidemia
1. Modelos SIR
\frac{dS}{dt} = -\frac{\beta S I}{N}
\frac{dI}{dt} = \frac{\beta SI}{N} - \gamma I
\frac{dR}{dt} = \gamma I
Pros:
"baratos",
simples,
...
Cons:
baja resolucion,
...
2. modelos basados en agentes: ABM
Pros:
agentes individuales,
alta resolucion,
...
Cons:
coste computacional,
parametros libres,
...
Modelos para una epidemia
El modelo JUNE
github.com/IDAS-Durham/JUNE
Una copia digital de Inglaterra
La Poblacion
- Edad (27)
- Sexo (f)
- Grupo etnico (Latino)
- Indice de privacion economica 5 (1-10)
- Sector (trabajo) (sanidad/doctor)
- Modo de transporte (publico)
- Area de residencia
- Area de trabajo
Datos: Censo publico (NOMIS)
~56 millones de agentes
hombre
mujer
La granularidad de JUNE
hombre
mujer
A veces no hace falta ser tan granular....
Pubs en el Reino Unido
El dia a dia de nuestros agentes
- Lugar de residencia
- Residencia ancianos
- Casa
- Establecimiento comunal
- Actividad Principal
- Trabajo
- Hospital
- Colegio
- Residencia ancianos
- Universidad
-
Viaje
- Trabajo
- Nacional
- Ocio
- Compras
- Pubs / restaurantes
- Cine
- Gymnasios
- Visitas
Donde viven los trabajadores de la city?
Desplazamiento por trabajo
Viajes diarios
-
Censo -> metodo de transporte diario
-
Dos tipos: entre ciudades, dentro de la ciudad
Hub
Hub
Geolocalizacion
43 años
Como se transmite la infeccion?
j
j
i
Intensidad del contacto
Infecciosidad
Matriz de contactos
p_i = 1- \exp\left({-\lambda_{ij}\;\Delta t}\right)
38 años
10 años
Como se transmite la infeccion?
Edad
Edad del contacto
Quien va con quien?
Edad del contacto
Edad
Lugar de encuentro: Casa
Colegio
Dias post-infeccion
Infectividad
Inicio de sintomas
Asintomatico
Sintomatico
La trayectoria post-infeccion
(Calibrado con datos)
Asintomatico
Infectado
Leve
Severo
Recuperado
Muerto
Hospitalizado
Intensivos
Cual es la tasa de mortalidad?
Numero de fallecidos
Numero total de muertes debidas a covid por dia?
Edad y estado de salud?
Impacto del sistema sanitario?
Numero de infectados
Tests positivos vs prevalencia
Por variante!
Re-infecciones
Medidas contra el virus
Muchos parametros desconocidos
1. Intensidad de los contactos en distintos ambientes (13)
2. Como de efectivas son las medidas para frenar la epidemia (5)
3. El numero de casos inciales (1)
Los retos de un modelo tan detallado
El coste de JUNE
~ 600 CPU horas (26 dias) / 100 GB RAM
Inteligencia Artificial para conectar el modelo y la realidad
Inteligencia Artificial para conectar el modelo a la realidad
JUNE
Emulador
Datos
Encontrar el modelo para el cual los datos son mas probables
Muertes diarias
No hay un solo modelo que reproduzca los datos:
Incertidumbre
Residencia Ancianos
Puesto trabajo
La utilidad de un modelo complejo
Edad
Etnia
Indice de deprivacion
Numero habitantes
Region
El riesgo de no vacunarse
Edad
% muertes en grupo de edad
Edad
% muertes en grupo de edad
Edad
Edad
Fatalidad por edad [% del grupo]
Gol: Proveer una herramienta basada en datos para el desasrrollo de intervenciones durante la crisis de COVID-19 en contextos operacionales dificiles y restringidos.
Modelos epidemeologicos para campos de refugiados
Cox's Bazar
-
El asentamiento de refugiados mas grande del mundo: 1.24 Millones de personas
-
En algunas areas, mas denso que la ciudad de Nueva York (44,000 personas por metro cuadrado)
-
Riesgo alto de epidemia
Retos
Datos sobre la poblacion (calidad?)
Casos, hospitalizaciones y muertes
Acceso al sistema sanitario y sus recursos
DATOS
Asunciones de los modelos y diferencias culturales
Medidas mas creativas
DIFERENCIAS POBLACIONALES
Habitantes por familia
Frecuencia
Habitantes por refugio
Frecuencia
Edad
Incremento en severidad
Escenario A: Centros para aislamiento
Infectado
Leve
Centro Aislamiento
Test
Escenario B: Aislamiento en casa
Infectado
Leve
Casa
Porcentage infectados [%]
Infecciones diarias
Dias
Dias
Dias hasta aislamiento
Dias
Dias en aislamiento
Edad Infector
Edad Infectado
Edad Infector
Sin Colegios
Con Colegios
Necesitamos modelos complejos para entender situaciones complejas, lo cual es posible gracias a las grandes bases de datos y la inteligencia artificial
Es muy importante transmitir la incertidumbre de los modelos
Necesitamos trabajar en equipo para que todo el mundo tenga acceso a herramientras de prevencion epidemeologica, especialmente aquellos mas vulnerables
Conclusiones
FarmaciaCuenca
By carol cuesta
