Cómo evitar que los restaurantes provoquen infecciones por COVID
En ciudades de todo el mundo, los brotes de coronavirus se han relacionado con restaurantes, cafés y gimnasios. Ahora, un nuevo modelo que utiliza datos de teléfonos celulares para mapear los movimientos de las personas sugiere que estos lugares pueden ser responsables de la mayoría de las infecciones por COVID-19 en las ciudades de EE. UU.
El modelo, publicado hoy en la revista Nature, también revela cómo la reducción de la ocupación del lugar puede reducir significativamente la cantidad de infecciones.
Thiemo Fetzer, economista de la Universidad de Warwick en Coventry, dijo que el modelo «especificó medidas que podrían ser rentables para frenar la propagación de la enfermedad y limitar el daño a la economía». «Este es el punto óptimo para la política. «
datos móviles
Para predecir cómo los movimientos de las personas podrían afectar la propagación del virus, el equipo introdujo datos de ubicación anónimos de una aplicación de teléfono en un modelo epidemiológico simple que puede estimar la rapidez con la que se propaga una enfermedad. SafeGraph, con sede en Denver, Colorado, recopila datos de ubicación de 10 de las ciudades más grandes de EE. UU., incluidas Chicago, Illinois, Nueva York y Filadelfia, Pensilvania. Muestra cómo las personas entran y salen de 57.000 vecindarios a puntos de interés, como restaurantes, iglesias, gimnasios, hoteles, concesionarios de automóviles y tiendas de artículos deportivos, durante un período de dos meses a partir de marzo.
Cuando el equipo comparó la cantidad de infecciones del modelo en los vecindarios de Chicago entre el 8 de marzo y el 15 de abril con la cantidad de infecciones registradas oficialmente en esos vecindarios un mes después, encontraron que el modelo predijo con precisión la cantidad de casos confirmados.
«Pudimos estimar fielmente una red de conexiones entre 100 millones de personas cada hora del día. Ese es el ingrediente secreto que teníamos», dijo Leskovec.
Punto de acceso del lugar
Luego, el equipo usó el modelo para simular diferentes escenarios, como reabrir algunos lugares y mantener otros cerrados. Descubrieron que los restaurantes que operan a plena capacidad provocaron el mayor aumento de infecciones, seguidos de gimnasios, cafeterías, hoteles y moteles. Si Chicago hubiera reabierto los restaurantes el 1 de mayo, habría agregado casi 600 000 nuevas infecciones ese mes, mientras que la apertura de gimnasios habría resultado en 149 000 infecciones adicionales. Si todos los establecimientos estuvieran abiertos, el modelo predijo 3,3 millones de casos adicionales.
Pero limitar la ocupación en todos los lugares al 30% reduciría la cantidad de infecciones adicionales a 1,1 millones, estima el modelo. Si la ocupación se limitara al 20%, las nuevas infecciones se reducirían en más del 80%, a unas 650.000.
«Este estudio destaca cómo los grandes datos en tiempo real sobre los movimientos de la población ofrecen el potencial para predecir la dinámica de transmisión a un nivel de granularidad espacial sin precedentes», dice el epidemiólogo Neil Ferguson del Imperial College London.
Los datos de movilidad también muestran por qué las personas de los barrios más pobres son más vulnerables al COVID-19: porque tienen menos capacidad para trabajar desde casa y las tiendas donde compran artículos esenciales tienden a estar más concurridas que en otras áreas. Las tiendas de abarrotes en los vecindarios más pobres tuvieron, en promedio, un 59 por ciento más de visitantes por pie cuadrado por hora y los visitantes se quedaron en promedio un 17 por ciento más que las tiendas fuera de estas áreas. Las personas que viven en estas áreas pueden tener opciones limitadas para ir a tiendas menos concurridas, lo que hace que los viajes de compras sean dos veces más riesgosos que las personas que viven en áreas más ricas, dijo Leskovec.
Pero Christopher Dye, epidemiólogo de la Universidad de Oxford, dijo que esos patrones de movilidad deben verificarse con datos del mundo real. «Es una hipótesis epidemiológica que queda por probar. Pero es una hipótesis muy comprobable», dijo.
tendencia global
En términos generales, el estudio de modelado confirma gran parte de lo que se ha aprendido de los estudios globales de rastreo de contactos que han identificado restaurantes, gimnasios, prácticas de coros, hogares de ancianos y otros entornos interiores llenos de gente como súper propagadores, dijo Fetzer. fueron infectados en un momento.
El mes pasado, Fetzer publicó un informe que muestra cómo un esquema del gobierno británico llamado Eat Out to Help Out, que subvencionó comidas en restaurantes en agosto, provocó un aumento en las visitas a restaurantes y representó nuevos casos de COVID-19.19 infectó el 17% de los casos que mes.
Pero los restaurantes pueden no ser puntos calientes en todas partes. Moritz Kraemer, experto en modelos de enfermedades infecciosas de la Universidad de Oxford en el Reino Unido, dijo que los datos de rastreo de contactos de Alemania encontraron que los restaurantes no eran la principal fuente de infección en el país. Esto puede deberse a que es difícil determinar la fuente de infección utilizando datos de rastreo de contactos. Si bien las predicciones del modelo de la tasa de infección general de la ciudad fueron validadas con datos reales, Kraemer dijo que se necesitarán datos de rastreo de contactos más detallados para probar si el modelo identificó correctamente las ubicaciones reales de las infecciones.
Leskovec dijo que todos los modelos tienen algún grado de error. Pero dado que muchas de sus predicciones concuerdan con los datos de observación, agregó, no hay razón para pensar que no funcionaría en escalas más pequeñas.
Si se descubre que el modelo predice con precisión el riesgo de visitar un lugar en particular, los funcionarios de salud podrían usarlo para ajustar las políticas de distanciamiento social, dijo Ferguson.
Reimpreso con permiso, este artículo apareció por primera vez el 10 de noviembre de 2022.
