Epidemiología y ArcGIS Insights Segunda Parte

Por Linda Beale

Esta es la Parte 2 de un blog de dos partes que explora el alcance de la epidemiología, cómo los SIG proporcionan un componente analítico importante y qué puede hacer ArcGIS Insights para respaldar el análisis epidemiológico. La parte 1 del blog debe leerse antes de sumergirse en esta segunda parte.

Solo para recapitular, la epidemiología se encuentra en una intersección de varias disciplinas diferentes y utiliza conocimientos y métodos de, por ejemplo, los campos de la salud, la medicina y las estadísticas. Existen numerosas disciplinas, incluso dentro del amplio marco de la epidemiología, que se centran en las enfermedades infecciosas, la genética, las enfermedades crónicas y la epidemiología ambiental y espacial. Por razones de coherencia, durante esta descripción general demostraré epidemiología utilizando ejemplos de COVID-19 de abril de 2020. También demostraré cómo ArcGIS Insights proporciona una solución potente y accesible para algunas de las necesidades analíticas del epidemiólogo, cómo puede ser se utiliza al unísono con otros enfoques epidemiológicos ampliamente utilizados y cómo puede ayudar a transmitir información al público en general y a los responsables de la toma de decisiones.

La Parte 1 del blog identificó las primeras cinco de diez áreas principales de estudio epidemiológico. Aquí, lo redondeamos a diez con otras cinco áreas de estudio y aplicación.

Crear indicadores compuestos

Los índices de privación se usan ampliamente en la investigación epidemiológica y para aplicaciones de gobiernos locales y nacionales. Se pueden crear medidas compuestas para fines específicos o se pueden combinar variables indicadoras existentes para crear un índice específico de situación. Estos índices están diseñados para capturar una variedad de características socioeconómicas y garantizar que se analicen múltiples características de la población, que pueden afectar el resultado del evento de salud.

Para combinar datos que representan diferentes factores, se utilizan diferentes medidas, como la tasa de desempleo y el porcentaje de propiedad de casas móviles, que requieren que los datos sean estandarizados y posiblemente transformados. Los datos se pueden estandarizar utilizando puntajes Z para que todas las variables tengan una media de cero y una desviación estándar de 1 y, por lo tanto, se ponderen por igual cuando se combinan. En algunos casos, las variables de entrada tendrán distribuciones sesgadas. Estas variables se pueden transformar a distribuciones normales (casi) (por ejemplo, tomando la transformación logarítmica), nuevamente para garantizar que se puedan combinar con otras variables para evitar sesgar el índice final.

El Índice de Vulnerabilidad Social (SVI) de los CDC utiliza 15 variables del censo a nivel del tramo censal, para su uso en el manejo de emergencias. Los símbolos más oscuros indican una mayor vulnerabilidad social. Fuente: Flanagan, et al. (2011) "Un índice de vulnerabilidad social para la gestión de desastres", Journal of Homeland Security and Emergency Management: vol. 8: 1, 3.

Los índices son una excelente manera de evaluar las circunstancias relativas, pero la escala a la que se calculan a veces puede ser problemática. Por ejemplo, un índice calculado a escala nacional puede enmascarar las condiciones locales. Por lo tanto, en algunos casos, el análisis regional puede beneficiarse de los índices que utilizan variables y / o valores más adaptados a las comunidades locales, como los precios o los ingresos locales de la vivienda, en lugar de los valores nacionales.

Con ArcGIS Insights, los datos se pueden transformar mediante funciones integradas en la tabla de datos. Tomar el registro de población cambia la distribución de datos de tener una distribución sesgada positiva a una distribución casi normal, como lo muestra la línea roja superpuesta.

Los datos se pueden combinar en un índice una vez que se ha calculado la puntuación z, nuevamente utilizando una función incorporada, de modo que cada variable esté utilizando un valor relativo y se puedan combinar datos con diferentes unidades.

Graficar redes para el análisis de salud

El análisis de redes y la teoría de gráficos están bien ubicados para comprender la propagación de contagios e influencias de la interacción social en la salud de la población. Además, pueden usarse para analizar los impactos de las estrategias de intervención, ya que la dinámica de las redes sociales puede influir en la propagación de la enfermedad.

Usando la teoría de grafos, una red se ve como un conjunto de enlaces y nodos interconectados a partir de los cuales se pueden identificar las relaciones. Por lo general, un nodo o vértice representa una entidad, objeto, persona o lugar. Los enlaces representan las relaciones o conexiones entre nodos. Por lo general, los nodos representan individuos, pero también pueden ser grupos o incluso ubicaciones geográficas. Posteriormente, las métricas de centralidad se pueden calcular y utilizar para determinar los nodos importantes en el gráfico, y se pueden determinar diferentes medidas a partir del análisis, como encontrar los individuos más conectados o los "puentes" clave en una red.

La evaluación de la estructura de la red, que se define por las vías de transmisión, puede ser valiosa para reducir la propagación de la infección. (por ejemplo, para el rastreo de contactos para identificar conexiones y posibles transmisiones a contactos después de la exposición a una persona infectada). A escala, el seguimiento de contactos requiere la gestión de datos confidenciales a gran escala. El control exitoso de los brotes a través del rastreo de contactos a menudo se relaciona con una serie de factores, como el número de casos iniciales, el período de inicio y el número de reproducción básica (R0). El rastreo de contactos también se puede utilizar para comprender la etiología de la enfermedad, como la infecciosidad, y puede desempeñar un papel importante en el análisis de un virus nuevo.

Este mapa muestra la transmisión geográfica con líneas de flujo coloreadas por los clados. ArcGIS Insights permite que los conjuntos de datos tengan múltiples campos de forma. Los datos con, por ejemplo, hacia y desde ubicaciones se pueden asignar como mapas de flujo, con direccionalidad. Los nodos se pueden dimensionar, utilizando métricas de centralidad y los enlaces se pueden ponderar y colorear por diferentes variables. Fuente: https://www.gisaid.org/

Una base de datos de gráficos se usa tradicionalmente para almacenar datos con una estructura de nodos, bordes y propiedades. Los avances tecnológicos ahora significan que los vínculos en un conjunto de datos se pueden crear y visualizar automáticamente a partir de los datos almacenados en archivos planos o bases de datos relacionales, y que luego se pueden utilizar junto con otros enfoques analíticos.

Los gráficos de enlaces se pueden usar para mostrar relaciones, como las que existen entre regiones, países y clados de origen. Durante una epidemia, los patógenos exhiben naturalmente mutaciones aleatorias en sus genomas, a menudo por el tipo de genoma. Esta información puede, por lo tanto, ser utilizada como un indicador de transmisión. Fuente: https://www.gisaid.org/

El análisis epidemiológico debe ir más allá de la simple combinación de numerosas variables por área y más bien enfocarse en comprender la población y las interacciones dentro de esas áreas.

Integración con modelos personalizados y ciencia de datos abiertos

Aunque se utilizan muchos enfoques y tecnologías diferentes en epidemiología, también existen algunas técnicas disciplinarias muy específicas para la recopilación, interpretación y análisis de datos. Se utiliza una variedad de métodos estadísticos y paquetes estadísticos avanzados. En muchos casos, se utilizan modelos epidemiológicos estándar y, en algunos casos, se desarrollan modelos personalizados.

Se han desarrollado numerosos modelos epidemiológicos a lo largo del tiempo, muchos de los cuales están disponibles gratuitamente en R y, en menor medida, en Python. R es tanto un lenguaje de programación como un software que permite un análisis simple a complejo. La capacidad de explorar y describir datos tanto visual como cuantitativamente además del desarrollo activo y el mantenimiento del código, en muchos casos por expertos en la materia, lo convierten en una herramienta invaluable para los epidemiólogos.

La epidemiología, como muchas otras disciplinas y especializaciones, a menudo utiliza herramientas y software aceptados que tienen una larga historia de uso para el análisis en esas áreas. Igualmente, GIS ofrece una serie de métodos y herramientas que son invaluables. Es importante que estas funciones sean fácilmente accesibles para aquellos que no puedan trabajar únicamente en SIG, sino que se puedan usar para complementar y fortalecer otro análisis.

Insights admite la conexión a Jupyter's Kernel Gateway versión 2.1.0 (un servidor web de código abierto distribuido a través de conda-forge y otros canales de repositorio). Se puede configurar e implementar una puerta de enlace del kernel utilizando Anaconda o Docker (haga clic en la imagen de arriba para ser redirigido al sitio de GitHub que describe el proceso). Cuando se usa R o Python, los datos se pueden pasar de Insights o los resultados se pueden volver a usar a través de un comando mágico. Además, las visualizaciones se pueden agregar como tarjetas en Insights. De manera crucial, ArcGIS Insights apoya a los epidemiólogos al proporcionarles una forma de construir sobre lo que ya hacen en R y Python, sin tratar de reemplazarlo.

Documente y vuelva a ejecutar flujos de trabajo

Cualquier análisis debe garantizar que los métodos sean transparentes, y cuanto más involucrado sea el modelado realizado, más importante será. Destilar vías complejas a través de los datos inevitablemente requiere alguna forma de toma de decisiones, agregación / generalizaciones o incluso el uso de variables proxy. Asegurarse de que el lector pueda interpretar los hallazgos con cierto conocimiento de los pasos dados significa que se pueden tomar decisiones informadas. Yendo un paso más allá, los analistas espaciales probablemente estén mal posicionados para comprender y ejecutar adecuadamente el análisis epidemiológico. La colaboración es a menudo la clave para una epidemiología espacial de alta calidad.

El análisis epidemiológico rara vez se ejecuta una vez. Por ejemplo, durante los brotes de enfermedades, los análisis deberán volver a ejecutarse a medida que cambien los datos y, en algunos casos, a medida que aumente la comprensión. En algunas situaciones, puede ser necesario evaluar los resultados en función de los enfoques de intervención. Los modelos que se pueden volver a ejecutar fácilmente son, por lo tanto, altamente deseables, aunque esto se complica por el hecho de que, en muchos casos, se utilizan múltiples herramientas con datos de varias fuentes, a menudo no relacionadas.

ArcGIS Insights captura automáticamente su análisis y crea un modelo. En cualquier punto de su análisis, los pasos necesarios para reproducir se documentan en esta vista de análisis. El modelo se puede compartir y usted o, otros, pueden hidratarlo con otros datos y volver a ejecutar el flujo de trabajo. El diagrama de flujo de trabajo, como se muestra aquí, también forma parte del libro de trabajo, lo que hace que los pasos generales del análisis sean transparentes.

Comunicar resultados de manera efectiva

Se necesita habilidad para reunir los resultados de numerosas fuentes, ̶ muchas de las cuales son el resultado del modelado involucrado ̶ y usar datos que no se pueden compartir hasta que se anonimicen de alguna manera. Desafortunadamente, este trabajo a menudo se lleva a cabo en un marco de tiempo comprimido para apoyar la necesidad inmediata de difundir los resultados y proporcionar información para las políticas y para el público. Además, quienes llevan a cabo el análisis están fuertemente integrados en el trabajo y conocen íntimamente los datos, las deficiencias del análisis y los hallazgos generales. La mayoría de los lectores no tendrán los conocimientos previos que los analistas han desarrollado, pero pueden estar bajo presión para tomar decisiones rápidas que tengan consecuencias para la respuesta y los recursos.

A menudo, la primera consideración al comunicar los resultados es la necesidad de mantener la confidencialidad. Existen varias técnicas, desde la agregación de resultados hasta la supresión de números pequeños (lo que podría conducir a la identificación), y los detalles de cada uno difieren según el tipo y el formato de comunicación. En la mayoría de los casos, los resultados irán acompañados de intervalos de confianza, que son una parte integral de los resultados y deben considerarse un aspecto importante de la toma de decisiones. Es este detalle el que impulsará la respuesta y la planificación eficaces, y también comunicará un elemento de incertidumbre en los resultados informados para aliviar el riesgo de que las personas vean los resultados del análisis como un hecho incontrovertible.

Los estudios epidemiológicos rara vez son definitivos, pero se basan en un análisis cuidadoso y complejo que avanza con una comprensión cada vez mayor. El deseo (y la necesidad) de respuestas categóricas no se cumple fácilmente mediante el análisis epidemiológico que a menudo busca "una aguja en un pajar", y también es importante describir los niveles de incertidumbre.

ArcGIS Insights está siendo utilizado por muchas organizaciones para ayudarlas a comprender y planificar la respuesta durante la situación COVID-19. El estado de Georgia compara los resultados de diferentes modelos de predicción, incluido el modelo CHIME, el modelo IHME y un modelo creado por Georgia Tech. Las páginas del libro de trabajo se utilizan para mostrar diferentes análisis. La planificación de la capacidad considera el excedente o la escasez de camas y ventiladores, en comparación con el pico esperado. El análisis táctico muestra cuántos ventiladores están en uso, por hospital y región. Las ubicaciones y el número de personas vulnerables, como las personas mayores, son un componente clave en la toma de decisiones.

Muchas variables demográficas estarán disponibles con un margen de error asociado. En otros casos, los modelos generarán resultados para incluir medidas de incertidumbre, tales como intervalos de confianza o intervalos de credibilidad. Incluir esta información visualmente en mapas y gráficos puede ayudar a los lectores a comprender mejor los resultados. Aceptar que los modelos pueden ayudar a guiar, en lugar de definir la respuesta, garantiza que las decisiones incluyan debates entre las partes interesadas y los expertos. En muchos casos, el "conocimiento local" puede ser un componente vital en este diálogo.

Resumen

En este blog de dos partes, he esbozado diez temas en relación con la epidemiología SIG, y demostré el valor de combinar los dos usando ArcGIS Insights, con ejemplos usando datos COVID-19.

Ahora, más que nunca, tenemos la oportunidad de aceptar muchos de los desafíos que presenta el análisis epidemiológico. El abastecimiento de datos ya no es el problema que alguna vez fue y, mejor aún para muchos de nosotros, se geocodifica de manera rutinaria. La tecnología nos da la capacidad de analizar los datos. Las funciones avanzadas son fácilmente accesibles. La comunicación efectiva es posible a través de numerosas técnicas de visualización.

Todavía es un área de análisis desafiante, que combina habilidades de muchas disciplinas y requiere un análisis cuidadoso y cuidadoso. Sin embargo, es esto, en gran parte, lo que puede hacer que el análisis epidemiológico sea tan gratificante y lo que puede cosechar beneficios reales para los individuos y la sociedad en general.

Acerca del Autor

Linda Beale

La Dra. Linda Beale es la Líder del Grupo para Análisis de Ubicación en Esri, con un interés en compartir el valor del análisis espacial con una audiencia que va desde aquellos nuevos a la disciplina hasta aquellos que buscan nuevos enfoques y técnicas. Geógrafa de formación, Linda obtuvo su doctorado en SIG, estadística y modelado, y dirigió el grupo de salud geoespacial en la Unidad de Estadísticas de Salud de Área Pequeña en el Imperial College de Londres. Linda tiene una amplia experiencia en el campo de la epidemiología espacial y ha trabajado en estrecha colaboración con los departamentos de salud, la Organización Mundial de la Salud y el Centro para el Control de Enfermedades. Desarrolló el galardonado programa Rapid Inquiry Facility para el modelado de enfermedades crónicas y fue coautora del emblemático Atlas de Medio Ambiente y Salud de Inglaterra y Gales. Linda es autora del primer MOOC de Esri, Going Places with Spatial Analysis, y ha publicado numerosos artículos revisadospor pares, capítulos de libros, y ha sido invitada a conferencias magistrales, presentar y ofrecer talleres en conferencias nacionales e internacionales. Linda ha trabajado en Esri desde 2011, donde su experiencia ayuda a dar forma a los análisis de ubicación para proporcionar a la comunidad herramientas mejores y más poderosas, y donde ayuda a enseñar las mejores prácticas y compartir conocimientos para desarrollar la comprensión en toda la comunidad.

Necesita más información, ¡escríbanos!

Escríbanos