Usamos cookies. Tienes opciones. Las cookies nos ayudan a mantener el sitio funcionando sin problemas e informar sobre nuestra publicidad, pero si deseas realizar ajustes, puedes visitar nuestro Aviso de cookies para más información.
Uso de cookies en su dispositivo. Las cookies nos ayudan a mantener esta página web funcionando correctamente y a personalizar nuestra publicidad, pero el uso que hacemos de las cookies depende de usted. Acepte nuestra configuración o personalícela.
×

Data Science en tiempos de pandemia

*NOTA: este post trata del trabajo que parte del equipo de Data Science de Merkle | DIVISADERO realizó, a título personal y de forma desinteresada, durante el confinamiento en colaboración con una unidad de UCI de un hospital de Cataluña.  
 

A lo largo de los últimos años, el Big Data ha sido una herramienta muy utilizada en numerosos campos, desde el diagnóstico de enfermedades a la política o la lucha contra el crimen. Como Data Scientists, podemos verificar, a diario, cómo los datos tienen cada vez más importancia en la toma de decisiones, en nuestro caso, en el mundo del marketing. Pero, esta vez, no vamos a hablar de modelos de atribución o propensión a compra, sino de cómo hemos podido aplicar nuestros conocimientos para ayudar en la gestión de recursos hospitalarios en el marco de la pandemia del COVID-19, a través de la simulación de posibles escenarios de evolución. 

El uso de modelos matemáticos para predecir la evolución de un virus cuenta ya con muchos años de historia, pero en esta ocasión, con los avances en nuevas tecnologías y en un mundo hiper-conectado, se han desarrollado y compartido multitud de códigos, modelos y dashboards en un tiempo récord. Así, todos hemos estado al corriente, por ejemplo, del volumen de nuevos contagios en cualquier parte del mundo y gracias a algunos de los trabajos realizados, muchos hospitales han podido adelantarse a la situación, previendo la necesidad de unos recursos cuya optimización es clave para salvar la vida de las personas.

A pesar de los interrogantes que el virus planteaba, condicionando la capacidad inicial de los modelos, y de los devastadores efectos que hemos vivido, los datos, su manejo y lectura han jugado y juegan un papel vital en esta crisis. De ellos han manado las decisiones políticas y sociales que han conseguido revertir la tendencia de crecimiento libre de los contagios, salvando miles de vidas y a ellos miramos constantemente, para evaluar los riesgos de nuevos brotes.

En nuestro caso, y desde el más profundo respeto por los modelos epidemiológicos, en los que no somos expertos, no dudamos en colaborar de manera desinteresada y a título personal con el responsable de la Unidad de Control de Gestión de un centro hospitalario en Cataluña, en la planificación predictiva de la ocupación de camas y recursos UCI.

Para ello, analizamos el estado del arte y decidimos no desarrollar ningún modelo propio (como decimos, no somos epidemiólogos) sino apoyarnos en el modelo PENN CHIME (modelo SIR que divide a la población en Susceptibles, Infectados y Recuperados), desarrollado por la Universidad de Pensilvania, que estaba publicado en formato libre, con acceso al código fuente y documentación detallada.

El core de la colaboración ha sido estimar los parámetros necesarios para que el modelo predijera la curva de ingresos en base a los datos disponibles que proporcionaba el centro hospitalario sobre las urgencias, ingresos, pruebas PCR y documentación publicada al respecto, como por ejemplo, los datos facilitados por el GenCat (Servicio Catalán de Salud).

Tiempos de duplicación pandemia COVID19

El trabajo fue a contrarreloj, puesto que estábamos en pleno momento de aceleración de la curva de contagios y se presentaban grandes dificultades, siendo la más destacada la de tener que enfrentamos a la estimación de parámetro de distanciamiento social, que además de ser uno de los más importantes para este modelo, era el menos cuantificable, aunque finalmente se consiguió trasladar una medida legislativa a un porcentaje que alimentaba el modelo.

Red de contacto pandemia COVID 19

El resultado del trabajo permitió identificar, con un ajuste notable, cuándo se produciría el pico de ingresados y cuál sería su magnitud, en base a la aproximación de parámetros como el tiempo de duplicación de ingresos, el R0 (número medio de personas que una persona infectada puede infectar) o el Rt (cómo varió el R0 al empezar a hacer efecto las medidas de contención).

Evolución ingresados pandemia COVID 19

Fueron muchos los retos a los que enfrentarse, desde el desconocimiento del sector hospitalario, la escasa información relativa al virus que se tenía, el poco tiempo para poder facilitarle un modelo al hospital y, nuevamente, la ciencia del dato a disposición del bien común se impuso a todos ellos. De alguna forma, nos sentimos como John Snow en 1.854 analizando lo sucedido en Goald Square bajo un brote epidémico muy intenso de cólera, llegando como él, a la conclusión de quela observación, el análisis de los datos, el método científico, y una mente crítica son herramientas fundamentales en la vida y, especialmente, en los momentos cruciales de la vida.

Este proyecto no solamente ha servido para ayudar a aquellos que han estado salvando vidas durante esta pandemia; sino que, además, como equipo nos ha ayudado a salir de nuestra zona de confort, a pensar de forma innovadora para resolver un problema que nunca habíamos afrontado anteriormente, acercarnos a otras disciplinas muy alejadas del marketing y aprender muchas cosas que podremos traer de vuelta a nuestro campo de especialidad.

Sobra indicar que, a título personal, el aprendizaje emocional, el conocer la realidad de los hospitales en una situación como esta y el saber que hemos puesto un gran esfuerzo sobre la mesa, para dar una pequeña ayuda a otras personas encargadas de salvar vidas, vale más que todo lo anterior.

Os compartimos el enlace al paper que desarrollamos en torno a esta iniciativa para quienes quieran tener un conocimiento más profundo de nuestro trabajo:

http://matematicas.uclm.es/cemat/covid19/wp-content/uploads/sites/2/2020/05/Case-Study-Hospital-demand-forecast-during-the-COVID-19-pandemic-Catalonia-Spain.pdf

Unirse al debate
En nuestra compañía