El poder de procesamiento que han alcanzado actualmente los sistemas computacionales caseros ha dado como resultado una enorme difusión en el análisis de grandes volúmenes de datos. Al mismo tiempo, el nivel de conectividad y las tasas de transferencia de las redes de telecomunicaciones han permitido que gran cantidad de información esté disponibles al poco tiempo de haber sido generada (por ejemplo, portales como ourworldindata.org).

Esto ha facilitado la capacidad de dar seguimiento a los fenómenos globales complejos desde nuestros como la pandemia que hemos estado viviendo. Los sistemas de cómputo han permitido seguir la evolución de este proceso a lo largo de diferentes países desde su inicio [1]. Sin embargo, una nueva necesidad comienza a hacerse patente, se deben tener buenos fundamentos matemático-científicos para realizar una interpretación responsable de los resultados obtenidos de las técnicas de ciencia de datos.

En las noticias y en diferentes portales podemos encontrar una gran cantidad de gráficas, resultado del procesamiento y análisis de datos, pero frecuentemente las conclusiones no convergen. En redes sociales se pueden encontrar largas discusiones a favor o en contra de las diversas estrategias tomadas por el sector salud de diferentes países [2] y la mayoría de estas discusiones tiene su origen en las diferentes interpretaciones que pueden obtenerse a partir de, por ejemplo, una gráfica.

Es muy difícil realizar una interpretación acertada acerca del resultado obtenido de alguna técnica de ciencia de datos sin un conocimiento matemático sólido. Si bien es cierto que un fenómeno que se comporta de forma lineal es muy diferente de otro que se comporta de forma exponencial, es posible tener una gráfica lineal y una exponencial partiendo del mismo fenómeno Fig.A.

 

x      

_{Fig.A. Una gráfica lineal y una gráfica exponencial del mismo fenómeno, objeto en caída libre ideal. La primera se encuentra graficando la velocidad del objeto con respecto al tiempo y la segunda grafica la posición del objeto con respecto al tiempo.}

 

Sólidas bases científicas son de utilidad para poder determinar cuándo dos mediciones obtenidas son comparables y cuando no. Fig. B.

_{Fig. B. Gráfica de la tasa de mortalidad por millón de habitantes para Bélgica y Estados Unidos de América. Aunque pareciera que la tasa de Bélgica es más alta, en realidad las cifras no son comparables. A diferencia de E.U.A., “Bélgica no solo cuenta el número de fallecimientos confirmados por coronavirus sino también todos los casos sospechosos, incluyendo todas las muertas producidas en residencias de ancianos” ^[3].}

 

A pesar de que todo los conocimientos antes mencionados e involucrados (ciencias de dados, programación, matemáticas y ciencias) son herramientas que se están utilizando para poder generar un mejor entendimiento acerca del desarrollo de la pandemia; todavía se tiene poca certeza acerca de diversos aspectos. Por ejemplo, cuál es la mejor estrategia a seguir y cómo implementarla [4], cómo realizar mediciones, entre otros.

Además de las diferentes estrategias, las características de cada país (economía, población, geografía, etc.) hace imposible que existan reglas generalizadas. Una buena interpretación de los diversos análisis que se pueden encontrar debería poder ayudarnos a entender y aprender de lo que está pasando en otros países. Es aquí donde la educación juega un papel crucial, pues mientras más personas sean capaces de entender e interpretar correctamente la información que fluye por diversos medios, se pueden tomar mejores acciones a nivel local a favor de la salud.

Otro elemento que se está utilizando para ayudar al entendimiento del fenómeno que vivimos, son las simulaciones. Si bien uno de los principales intereses al generar estas simulaciones es poder determinar con exactitud la evolución de un fenómeno; en casos como la pandemia, esta capacidad de pronosticar queda severamente reducida (como pudo apreciarse con el modelo AMA [5]). A pesar de su limitación, estos modelos y simuladores aún tienen utilidad pues nos permiten generar diferentes escenarios acerca de la evolución del fenómeno a estudiar y así ir aprendiendo de su dinámica. Por ejemplo, se pueden simular diferentes políticas a seguir y valorar cuáles son más efectivas Fig.C.

     

_{Fig.C. Del lado izquierdo se muestra el estado final de una simulación de una epidemia (que asume inmunidad) sin medidas de restricción en la movilidad. Del lado derecho se muestra el estado final de una simulación con medidas de restricción en la movilidad. El modelo solamente fue hecho con propósitos didácticos, no pretende realizar pronósticos ni representar la epidemia provocada por el virus Codiv19, puede utilizarse y descargarse de: https://lecortesb.github.io/myEpidemic.html}

 

Por último, es importante considerar la visión con la que nos acerquemos a estudiar un fenómeno. En el caso de la pandemia, debido a que es dependiente de las interacciones que existan entre las personas, convendría hacer una aproximación desde el estudio de los sistemas complejos ya que este paradigma se centra en estudiar los diversos elementos que intervienen en el fenómeno y pone especial interés en las interacciones que existen entre los elementos. El virus requiere del ser humano para viajar de un lugar a otro. El estudio de las redes complejas centra una parte de sus estudios a las interacciones humanas [6]. Si bien es cierto que los modelos puramente matemáticos (ecuaciones diferenciales) omiten las interacciones entre los elementos, dada la magnitud del fenómeno que es la pandemia, cualquier aportación que se produzca no debe ser descartada y ambos paradigmas de estudio se complementan. Lo mismo debería suceder con nuestros puntos de vista. No se trata de ver quien tiene la razón sino de entender como nuestros puntos de vista, aunque puedan parecer opuestos, pueden llevarnos a comprender mejor el fenómeno que estamos viviendo. Es la primera vez que una pandemia ocurre y tenemos la capacidad de disponer y procesar la información que el mismo fenómeno va generando día a día. Aprovechemos esta habilidad que hemos adquirido para poder complementar nuestros puntos de vista.

Referencias

^[1] Johns Hopkins University & Medicine. (2020). COVID-19 Dashboard by the Center for Systems Science and Engineering (CSSE. Disponible en: https://coronavirus.jhu.edu/map.html

^[2] Savage, M. (2020). Did Sweden’s coronavirus strategy succeed or fail?. Disponible en: https://www.bbc.com/news/world-europe-53498133

^[3] Cueto, J.C. (2020). Coronavirus: por qué Bélgica tiene la mayor tasa de mortalidad por covid-19 del mundo (y qué nos dice ello sobre la enfermedad en otros países). Disponible en: https://www.bbc.com/mundo/noticias-internacional-52452358

^[4] Pueyo, T. (2020). Coronavirus: The Hammer and the Dance. Disponible en: https://medium.com/@tomaspueyo/coronavirus-the-hammer-and-the-dance-be9337092b56

^[5] Christen Gracia, J.A., Capella Kort, A., Capistrán Ocampo, M.A. (2020). Modelo AMA. Disponible en: https://coronavirus.conacyt.mx/proyectos/ama.html

^[6] Solé, R. (2013). Redes Complejas: Del genoma a Internet. Ed. Tusquets, México.

 

Escrito por:
Dr. Luis Cortés Berrueco, Docente de la Facultad de Ingeniería.