key: cord-0132636-dt0arruy
authors: Pastor-Escuredo, David
title: Digital Epidemiology: A review
date: 2021-04-08
journal: nan
DOI: nan
sha: 41d61c1aeea873d6ddf794e26ac2f35ebfc0d70e
doc_id: 132636
cord_uid: dt0arruy

The epidemiology has recently witnessed great advances based on computational models. Its scope and impact are getting wider thanks to the new data sources feeding analytical frameworks and models. Besides traditional variables considered in epidemiology, large-scale social patterns can be now integrated in real time with multi-source data bridging the gap between different scales. In a hyper-connected world, models and analysis of interactions and social behaviors are key to understand and stop outbreaks. Big Data along with apps are enabling for validating and refining models with real world data at scale, as well as new applications and frameworks to map and track diseases in real time or optimize the necessary resources and interventions such as testing and vaccination strategies. Digital epidemiology is positioning as a discipline necessary to control epidemics and implement actionable protocols and policies. In this review we address the research areas configuring current digital epidemiology: transmission and propagation models and descriptions based on human networks and contact tracing, mobility analysis and spatio-temporal propagation of infectious diseases and the emerging field of infodemics that comprises the study of information and knowledge propagation related to epidemics. Digital epidemiology has the potential to create new operational mechanisms for prevention and mitigation, monitoring of the evolution of epidemics, assessing their impact and evaluating the pharmaceutical and non-pharmaceutical measures to fight the outbreaks.

La epidemiología es la disciplina encargada de identificar la distribución, incidencia y etiología de enfermedades humanas (Green, Freedman, & Gordis, 2000; Salathe et al., 2012) . Aunque los datos y los modelos (Anderson, Anderson, & May, 1992) han sido siempre parte de la epidemiología, la aparición de nuevas fuentes de Big Data y tecnologías (Bell, Hey, & Szalay, 2009 ) han posibilitado que la computación abra nuevas oportunidades para incrementar el impacto y el conocimiento (Salathe et al., 2012) . En paralelo a la aparición y uso de nuevas fuentes de datos, el crecimiento de la Inteligencia Artificial, y especialmente las técnicas de Machine Learning (Bullock, Pham, Lam, & Luengo-Oroz, 2020; LeCun, Bengio, & Hinton, 2015) , están dando lugar a muchas metodologías y aplicaciones que pueden clasificarse como la emergente epidemiología digital.

Los estudios de epidemiología se han basado fundamentalmente en datos recogidos en la práctica clínica o en trabajos de campo (Hernán & Robins, 2006) . Los primeros pasos de la epidemiología digital se pudieron dar gracias a la información en Internet, especialmente datos de búsquedas (e.g. Google flue trends) por parte de la población (Brownstein, Freifeld, & Madoff, 2009; Cervellin, Comelli, & Lippi, 2017; Eysenbach, 2009; Ginsberg et al., 2009) , lo cual también generó las primeras dificultades metodológicas y epistemológicas de esta nueva disciplina (Cook, Conrad, Fowlkes, & Mohebbi, 2011; D. Lazer, Kennedy, King, & Vespignani, 2014; Olson, Konty, Paladini, Viboud, & Simonsen, 2013) . Actualmente contamos con muy diversas fuentes como las redes sociales, los móviles, las apps u otros servicios tecnológicos que generan datos (Salathé, 2018) . Esta tendencia en la digitalización se está agudizando precisamente por la convivencia con una pandemia, COVID-19 causada por el virus SARS-CoV-2, que está acelerando la adopción digital de todos los sectores de la sociedad que hasta ahora habían llevado una transición tecnológica más lenta.

Por tanto, la epidemiología digital es la encargada de entender la dinámica de los patrones, tanto sociales como de clínicos y de salud, de las poblaciones afectadas por una enfermedad y las causas de estos patrones (Salathé, 2018) . Acorde con la definición de la OMS, la epidemiología es el estudio de la distribución y los determinantes de estados o eventos (en particular de enfermedades) relacionados con la salud y la aplicación de esos estudios al control de enfermedades y otros problemas de salud (WHO). Por tanto, la epidemiología tiene una dimensión realmente práctica cuyos resultados están destinados a mejorar los sistemas de respuesta frente a epidemias, tanto a prevención, gestión de la epidemia, mitigación y preparación para futuras epidemias u oleadas. Además, la epidemiología, por su importancia y complejidad, está haciendo avanzar a las disciplinas teóricas y técnicas. El hecho de que la epidemiología sea cada vez más digital no tiene implicaciones meramente tecnológicas, sino que es lo que permite aumentar el propio alcance de la epidemiología para gestionar la complejidad de las enfermedades y sus factores biológicos, ambientales y sociales. Este alcance es mayor porque se usan datos de diversas fuentes, incluso datos que no estaban recolectados o diseñados para aplicaciones de la salud (Salathé, 2018) . En este documento vamos a revisar las áreas de trabajo científico y técnico y las contribuciones más importantes que van a dar forma a la epidemiología del presente y del futuro, en la que la actual pandemia del COVID-19 ha supuesto un antes y un después (Vespignani et al., 2020) .

Existen diversos modelos epidemiológicos que se clasifican fundamentalmente en dos tipos: modelos basados en ecuaciones y modelos basados en agentes. Los modelos basados en ecuaciones asumen homogeneidad y un comportamiento en masa (Anderson et al., 1992) . El progreso en sistemas de computación ha permitido generar modelos basados en agentes que pueden modelar la heterogeneidad de comportamientos presentes en una epidemia Espana et al., 2020) . Ambos tipos de modelos se basan en una conceptualización de la enfermedad mediante diversos estados de las personas, siendo el modelo más sencillo el marco SIR (Susceptible, Infectado, Recuperado). Existen diversas adiciones a este marco para introducir complejidades de ciertas epidemias, notablemente, el modelo SEIR introduce el estado Expuesto que engloba las personas contagiadas en proceso de incubación. Cada estado se parametriza con el fin de cuantificar la transición entre estados teniendo en cuenta criterios biológicos y sociales que suelen ser derivados de estudios clínicos y de encuestas. Los modelos típicamente dan como resultado una estimación el ritmo reproductivo R que acopla las características de la enfermedad con los mecanismos de transmisión, así como la temporalidad y volumen de la evolución.

Un elemento clave de los modelos epidemiológicos más sofisticados es introducir la complejidad de los contactos entre personas en forma de redes. El comportamiento de algunas enfermedades es sistémico y por tanto su propagación depende de la estructura del sustrato en el que se propagan. Aunque todas las escalas, desde lo bioquímico a lo social, están profundamente interrelacionadas, el estudio a escala de las redes sociales es útil para predecir la propagación de enfermedades y actuar en consecuencia. Las redes permiten modelar la componente de comportamiento de la transmisibilidad de las enfermedades mediante la caracterización de la topología de la red y también su dinámica.

Dependiendo de la topología de la red, una enfermedad puede propagarse a diferentes velocidades y alcances (de Arruda, Petri, Rodrigues, & Moreno, 2020; Moreno, Pastor-Satorras, & Vespignani, 2002; Pastor-Satorras & Vespignani, 2001b) . Varios estudios han partido de los modelos de red "scale-free" donde la distribución del número de conexiones de cada nodos sigue una ley de potencia, que representa adecuadamente redes de personas reales y de ahí su utilidad. El estudio epidemiológico con este modelo demuestra la ausencia de un umbral epidemiológico y también una gran heterogeneidad de comportamiento (Pastor-Satorras & Vespignani, 2001b) . Modelos limitando el tamaño de las redes "scale-free" muestran la aparición de un umbral epidemiológica muy bajo y un comportamiento heterogéneo incluso en redes de pequeño tamaño . Ello implica que las redes "scale-free" son propensas a la propagación independientemente de la tasa de propagación de la enfermedad (Pastor-Satorras & Vespignani, 2001a) . Además, la velocidad de propagación de una epidemia es inversamente proporcional a las fluctuaciones del grado, ya que es fácil llegar a nodos muy conectados que propagan la enfermedad en un efecto cascada (Barthélemy, Barrat, Pastor-Satorras, & Vespignani, 2005) . Además de la estructura, cuantificar la dinámica de las redes ha sido útil para entender epidemias, fundamentalmente a través de los procesos de percolación y difusión. En el caso de enfermedades, la percolación se entiende por el proceso por el cual los nodos de la red pasan de estado sano a estado contagio, lo cual depende de la compartimentación de la red (Meyers, Newman, & Pourbohloul, 2006; Mark EJ Newman, 2002) . La difusión permite cuantificar la potencial propagación entendida como multiples caminos que se establecen dentro de la red (Buono, Alvarez-Zuzek, Macri, & Braunstein, 2014) . Ambos procesos determinan el umbral epidemiológico.

Las redes forman parte de modelos epidemiológicos mediante matrices de contactos. Estas matrices pueden ser estratificadas y multi-capa (Aleta et al., 2020), es decir que los contactos dependen de los grupos de edad pero también de diversas capas de interacción social (e.g. trabajo, hogar escuelas, etc). Recientes avances metodológicos en redes comprenden el uso de hiper-grafos mediante enlaces que conectan varios nodos en lugar de relaciones entre pares (de Arruda, Petri, & Moreno, 2020) .

Las redes son además útiles para sistemas de predicción de riesgo y propagación, por ejemplo, mediante el análisis de la red de hubs de transporte (Colizza, Barrat, Barthelemy, Valleron, & Vespignani, 2007) , confirmando que la heterogeneidad favorece la propagación. Por tanto, es lógico que las acciones para prevenir, contener y detener epidemias deban buscar reducir y homogeneizar el grado de los nodos en todas las escalas para que la epidemia sea más fácilmente predecible y controlable Martín-Calvo, Aleta, Pentland, Moreno, & Moro, 2020; Zhang et al., 2020) .

Además de una larga tradición, el estudio de redes está de total actualidad gracias a las nuevas fuentes de datos, adquiridos vía diversas tecnologías como el Bluetooth o la geolocalización de alta resolución de los dispositivos móviles, que permiten realizar "contact tracing" con detalle y obtener matrices de contacto dinámicas y de alta resolución (Ferretti et al., 2020) .

Metodológicamente, las redes de diversas fuentes sirven para crear redes multi-partitas que representan las interacciones entre personas y lugares.

Las redes también son útiles para entender los procesos de recuperación y la resiliencia, la cual es favorecida por procesos heterogéneos de recuperación dentro de la red (Boy, Pastor-Escuredo, Macguire, Jimenez, & Luengo-Oroz, 2019; de Arruda, Petri, Rodrigues, et al., 2020) .

Otra aplicación es entender la interacción entre enfermedades concurrentes (Sanz, Xia, Meloni, & Moreno, 2014) .

La movilidad tiene un impacto directo en la propagación de enfermedades de transmisión aérea o a través de vectores y desde hace varias décadas se ha convertido en un aspecto central de la epidemiología, aunque su análisis fue limitado originalmente por la falta de datos dinámicos para diferenciar entre diversos tipos de movilidad incluyendo migraciones y circulación (Prothero, 1977) . En los últimos años hemos podido presenciar nuevas formas de movilidad: turismo, eventos, negocios, laboral a largo plazo o movilidad de estudiantes. Ya no es posible caracterizar la movilidad mediante encuestas y datos estáticos, el análisis de la movilidad y la distribución espacial de factores de propagación depende de la disponibilidad y resolución de datos longitudinales (Eubank et al., 2004; Gonzalez, Hidalgo, & Barabasi, 2008; Riley, 2007) .

La movilidad humana presenta diversas escalas de organización, tanto temporales como espaciales (Candia et al., 2008; Gonzalez et al., 2008; Pastor-Escuredo & Frias-Martinez, 2020; Zufiria et al., 2018) . La movilidad se segmenta en diversas capas interconectadas y cada una de estas capas es un medio de propagación con su propia dinámica, pero que a la vez están interconectadas (Balcan, Colizza, et al., 2009 ). Esta estructura de la movilidad tiene un efecto amplificador de la dispersión de enfermedades más allá del entorno inicial de la misma. Los primeros estudios en modelar la movilidad como factor epidemiológico se centraron en la escala global basándose en datos demográficos y de estadísticas de movilidad internacional (Balcan et al., 2010) . La resolución temporal, sin embargo, era muy estática, permitiendo sólo introducir variabilidad estacional ). Los modelos de movilidad más usados son el modelo de gravitación y el modelo de radiación (Simini, González, Maritan, & Barabási, 2012) . Sin embargo estos modelos sólo funcionan en zonas concretas con fuertes asunciones por lo que es difícil generalizarlos en la práctica (Perrota, 2018) .

En enfermedades transmitidas por vectores, como por ejemplo la malaria o el dengue, o por medios físicos como el aire o el agua, la movilidad a pequeña escala afecta a la exposición de las personas a ser infectados y la movilidad a mayor escala puede producir la introducción, reinserción y circulación de infectados e incluso la propagación global (Buscarino, Fortuna, Frasca, & Latora, 2008; Lynch & Roper, 2011; Stoddard et al., 2009) . En muchos casos, las enfermedades generan cambios sistémicos en la movilidad de la población con un impacto incontrolable (Meloni et al., 2011) . Por ello, se ha identificado la necesidad de crear mecanismos de monitorización de movilidad de alta resolución posibles por datos de móviles.

Los datos de móviles son datos generados por las operadoras de telecomunicaciones y contienen geolocalización de llamadas. También los servicios de geolocalización de "smartphones" permiten recoger trazas de movilidad. La resolución temporal de estos datos es muy alta (Blondel, Decuyper, & Krings, 2015; Pulse, 2012) y requieren pasar por un proceso de anonimización y agregación para respetar la privacidad. (De Montjoye, Hidalgo, Verleysen, & Blondel, 2013; Pulse, 2015) .

Los datos longitudinales de alta resolución permitieron la caracterización de "hotspots" y optimizar la localización de acciones para prevenir y parar las enfermedades (Bejon et al., 2010; Dolgin, 2010) . Sin embargo, ha sido gracias a los datos de móviles cuando se ha producido una auténtica revolución de la movilidad para epidemias (Bengtsson et al., 2015; Bengtsson, Lu, Thorson, Garfield, & Von Schreeb, 2011; Tatem et al., 2014; Tizzoni et al., 2014; Wesolowski et al., 2012; Wesolowski et al., 2015) . Un aporte fundamental de los datos de móviles ha sido poder caracterizar los flujos de personas entre zonas con diferentes riesgos de contagio y prevalencia de la enfermedad para caracterizar la dinámica del riesgo. Por ejemplo, la caracterización de "sources" y "sinks" ayuda a entender qué zonas pueden producir contagios aunque no haya una densidad alta del vector (Wesolowski et al., 2012) . Sin embargo, un análisis más detallado más allá de regiones geográficas basada en los flujos de persona a través de las redes (Pastor-Escuredo & Frias-Martinez, 2020), puede ayudar a entender mejor la dinámica del riesgo y los fenómenos de super-propagación. Estas técnicas, sin embargo, requieren de un manejo muy cuidadoso del análisis y los resultados para evitar mecanismos invasivos de la privacidad y de las libertades de los individuos.

Los eventos culturales en muchas regiones también han sido analizados con estos datos mostrando su impacto en las epidemias (Finger et al., 2016) . El análisis a largo plazo de la movilidad y los diferentes perfiles de movilidad de la población es una herramienta útil para entender la dinámica de las epidemias de forma desagregada (UNICEF, 2020). La desagregación del análisis por grupos poblaciones diversos es clave ya que las epidemias están intrínsecamente relacionadas con la diversidad socio-económica (Martín-Calvo et al., 2020) y las dinámicas de otros sectores como son el trabajo, el turismo (Belderok, Rimmelzwaan, Van Den Hoek, & Sonder, 2013; Chinazzi et al., 2020) o la agricultura y las migraciones ruralurbanas (Zufiria et al., 2018) . Los datos de móviles pueden ser combinados con datos de encuestas para ofrecer una descripción de alta resolución espacio-temporal pero también demográfica (Wesolowski et al., 2014) .

En la actual pandemia del COVID-19, el análisis de movilidad ha ido un paso más allá en cuanto a casos de uso y nivel de agregación utilizado (Oliver et al., 2020) . Gran parte de las aplicaciones y estudios se han enfocado en las medidas de confinamiento: controlar a la población y sus movimientos para asegurar que se cumplía con el confinamiento, medir el impacto del confinamiento en el avance de la pandemia y evaluar las medidas de desescalamiento (Martín-Calvo et al., 2020).

Un aspecto clave durante una pandemia es que toda la población tome las mejores decisiones posibles para evitar el escalado de efectos negativos. La asimetría del impacto negativo de una epidemia requiere de medidas adicionales en la gestión del riesgo y del incremento de precaución (Norman, Bar-Yam, & Taleb, 2020; Taleb, 2019; . Para poder tomar buenas decisiones es necesario tener la información adecuada en el momento adecuado (Greenwood, Howarth, Escudero Poole, Raymond, & Scarnecchia, 2017) , por ello, la propagación de la información durante la pandemia se ha convertido en un foco de total relevancia como ha declarado la propia Secretaría General de las Naciones Unidas (General, 2020) . La actualidad viene marcada por la propagación de muchas noticias falsas, contaminantes y generadoras de división (Bakir & McStay, 2018; D. M. Lazer et al., 2018; Shu, Sliva, Wang, Tang, & Liu, 2017) . Esta situación se agrava exponencialmente en momentos de crisis, en paralelo a una pandemia se puede vivir una infodemia (Hua & Shaw, 2020; Vaezi & Javanmard, 2020; Zarocostas, 2020) .

Multitud de trabajos han estudiado la propagación de la información, y en concreto los rumores y las noticias falsas, a través de redes con un paralelismo a cómo se propaga una epidemia en un red compleja (Miritello, Moro, & Lara, 2011; Morales, Borondo, Losada, & Benito, 2014; Nekovee, Moreno, Bianconi, & Marsili, 2007) . A través del análisis de datos de redes sociales se pueden identificar quiénes son los líderes de la red y su influencia en la propagación de información (Bodendorf & Kaiser, 2009; Mark Ed Newman, Barabási, & Watts, 2006; Escuredo & Tarazona, 2020) y cuantificar la emergencia de comportamiento viral y de "spreaders" . Una aproximación viral del comportamiento en la red puede servir para identificar "spreaders" (Borge-Holthoefer, Meloni, Gonçalves, & Moreno, 2013) . Además del análisis de la propagación, el análisis de contenido semántico es una herramienta útil para clasificar texto. Las nuevas herramientas de Deep Learning (LeCun et al., 2015) están haciendo esta tarea escalable y precisa (Popat, Mukherjee, Yates, & Weikum, 2018; Ruchansky, Seo, & Liu, 2017; Singhania, Fernandez, & Rao, 2017) .

Ante el riesgo de mensajes de odio y ruptura, se destaca la necesidad de usar la información de forma positiva, ayudando a controlar el riesgo, generando información constructiva a través de las redes. La información puede empoderar a la población para tomar mejores decisiones individuales y colecticas, y ayudar a mantener a las personas y su entorno seguros frente a epidemias, además del potencial para construir resiliencia e inyectar un refuerzo socioeconómico basado en la inteligencia colectiva .

La información recogida por parte de los ciudadanos también sirve para gestionar el riesgo y entender mejor la epidemia a falta de confirmación de casos en información clínica (Leung & Leung, 2020; Sun, Chen, & Viboud, 2020) , alimentando a nuevos modelos que gestionen probabilidades en función de datos más allá de los demográficos y los clínicos. En ese sentido, nuevos sensores para poder monitorear variables y cambios de estado en la población serán necesarios y ya hay algunas herramientas para por ejemplo clasificar enfermedades analizando la tos (Imran et al., 2020) o la pérdida de olfato (Menni et al., 2020) . Finalmente, nuevos canales de información entre autoridades y población son necesarios para generar confianza y mejorar la respuesta.

Una respuesta temprana y rápida a una epidemia posibilita controlarla y mitigar su impacto.

Por ello, los métodos presentados tienen en el objetivo principal de predecir la evolución de las epidemias. La predicción de estos modelos se basa fundamentalmente en las dimensiones geográfica (área de expansión), temporal (curva de la epidemia) y de transmisión (R y pico de la curva). Las variables utilizadas para caracterizar los modelos son fundamentalmente demográficas (densidad de población, edad, sexo). Esto conlleva serias limitaciones en cuanto al entendimiento de las epidemias y la habilidad de los modelos para predecir la misma propagación y su impacto. Variables como la vulnerabilidad, la desigualdad socio-económica o las infraestructuras y saneamiento son clave para tener modelos más eficaces. Las epidemias son procesos complejos que se dan en sistemas sociales que son a su vez complejos. Además, la especificidad y complejidad de estos sistemas tienen una importante diversidad en función de las diferentes zonas geográficas donde ocurren las epidemias lo cual dificulta la aplicación de modelos. Este hecho es incluso más relevante en pandemias con alcance global donde una misma enfermedad tiene dinámicas distintas a lo largo del espectro de regiones. Algunos esfuerzos se han realizado en esta dirección, desarrollando estrategias de "clustering" geográfico para tener perfiles epidemiológicos (Carrillo-Larco & Castillo-Cara, 2020; Hartono, 2020; Hu, Ge, Jin, & Xiong, 2020). Además, es necesario introducir componentes dinámicas en tiempo real que permitan reajustar los modelos en función de las medidas que se toman en ámbito local e internacional. Esto, sin duda, conlleva mejorar infraestructuras de datos y también el propio diseño de los modelos, que deben pasar de fases de investigación y testeo a fases de implantación y producción para ser realmente operativos. Además, es necesario la creación de repositorios estructurados que recojan las diversas parametrizaciones de los modelos y las evidencias clínicas que soportan tales configuraciones de parámetros.

Además de los avances en modelado de propagación de las epidemias basados en movilidad y redes de contactos, la crisis del COVID-19 ha propiciado la aplicación de las herramientas contemporáneas de "Machine Learning" a series temporales para predecir el comportamiento de las curvas (D. Liu et al., 2020; Zou & Hastie, 2005) . El uso de diversas arquitecturas de

Deep Learning permite entender los patrones temporales en los datos (Bandyopadhyay & Dutta, 2020; Huang, Chen, Ma, & Kuo, 2020) . Estos modelos tienen potenciales implicaciones en el diseño de políticas y estructuración de las fases de confinamiento y desescalada. Para poder entrenar estos modelos de forma adecuada es necesario disponer de datos de entrenamiento que no siempre están disponibles (Fong, Li, Dey, Crespo, & Herrera-Viedma, 2020) . Por ejemplo, para la crisis del COVID-19 se han usado datos de gripe de varios años siendo una enfermedad con un comportamiento muy distinto, datos de búsquedas en internet y redes sociales (Lu, Hattab, Clemente, Biggerstaff, & Santillana, 2019; Yang, Santillana, & Kou, 2015) o "small data" epidemiológico .

Algunas enfermedades tienen un alto componente ambiental en su propagación, ya sea por condiciones para que los virus habiten o por favorecer una alta densidad de vectores (Rajarethinam et al., 2019; Wesolowski et al., 2014) . Por ello es importante integrar datos ambientales y sociales en los modelos con alta resolución y actualizados en tiempo real, comparando con series temporales de base. Para enfermedades en las que la vía de propagación principal es de persona a persona, se ha demostrado que es necesario modelar los casos asintomáticos y su contribución a la propagación (Mizumoto, Kagaya, Zarebski, & Chowell, 2020) . Cada vez hay más investigación en identificar biomarcardores y tener estudios clínicos para poder controlar casos asintomáticos o entender diferentes respuestas inmunes, paso necesario para configurar parámetros clave en los modelos (Kermali, Khalsa, Pillai, Ismail, & Harky, 2020; Nicholas et al., 2020; Shi et al., 2020) . El fenómeno de super-propagación ha cobrado vital importancia en la pandemia COVID-19 ya que la alta capacidad de infección y la variabilidad de la distribución de R (dispersión k) en la población da lugar a eventos de super-propagación y también a un rol clave de super-propagadores individuales.

La sociedad necesita nuevas herramientas para gestionar el riesgo sistémico que suponen las epidemias. Esto implica usar la información de forma más inteligente y aprovechando la complejidad de los sistemas sociales a favor del control de la propagación, en un proceso de acción inverso al de la propia propagación. El riesgo es multi-dimensional y aunque la dimensión sanitaria es la más prioritaria durante muchas fases de la pandemia, es necesario considerar el riesgo en lo económico, en la desigualdad social, en las libertades y derechos o en la educación y desarrollo cognitivo y psicológico de gran parte de la población.

La pandemia de COVID-19 ha globalizado las estrategias no farmacéuticas utilizadas para frenar epidemias como son el confinamiento y el seguimiento de contactos y movilidad ("contact tracing") (Eames & Keeling, 2003) . El objetivo de estas estrategias es reducir el ritmo reproductivo básico (R0 media de R) por lo cual es el resultado básico de los modelos predictivos (Dietz, 1993; Q.-H. Liu et al., 2018) , aunque los fenómenos de super-propagación suponen un reto adicional crítico para estas estrategias. Estas estrategias son más o menos restrictivas socialmente dependiendo de la morbilidad, medios de transmisión y mortalidad de la enfermedad (Glass, Glass, Beyeler, & Min, 2006) . Para hacer el seguimiento, además de fuentes epidemiológicas tradicionales y datos clínicos, se pueden utilizar muy diversas fuentes de datos entre las que destacan los datos de móviles (Oliver et al., 2020) , datos de búsquedas y redes sociales (Lampos et al., 2020) u otros datos generados mediante dispositivos móviles. En general, estas iniciativas siguen en un estado embrionario de investigación y no han madurado para tener impacto claro en la toma de decisiones, aunque se están adoptando con rapidez en la lucha contra la COVID-19. Algunas organizaciones internacionales están planteando una visión global de análisis para entender el impacto en los más vulnerables a través de diversos sistemas sociales para entender mejor cómo una pandemia impacto en la población mundial (UNICEF, 2020).

Como se ha mencionado, uno de los sistemas que se han desarrollado durante la pandemia del COVID-19 es el "contact tracing" que puede inferirse a través de Bluetooth o de proximidad física basada en coordenadas GPS. Existen diversas arquitecturas, especialmente la centralizada (como PEPP-PT) y la descentralizada (DP-3T) que gestionan de forma diferente el cálculo de los contactos creados de personas que han sido infectadas y que por tanto crean alta probabilidad de contagio. A pesar del gran potencial para control epidemiológico (por ejemplo creando matrices de contactos desagregadas), el uso de la tecnología tiene que venir acoplado con un sistema de gobernanza y seguridad de los datos y los resultados que sea apropiado para respetar los derechos de las personas a nivel individual y colectivo.

Gran parte del seguimiento de una epidemia se basa en la información de diversas fuentes.

Como se detalla anteriormente, el filtrado de la información es clave para un seguimiento adecuado y evitar efectos nocivos (WHO, 2020). Este efecto se amplifica por las nuevas plataformas digitales que permiten no sólo propagar la información, sino también usarla para generar opinión o con fines comerciales (Mejova & Kalimeri, 2020; Singh et al., 2020) . Al respecto, se están desarrollando acciones reparadoras concretas como la curación de contenidos o chatbots de ayuda .

Poder evaluar las medidas frente a epidemias es clave para una mejora continua de los sistemas de respuesta a corto, medio y largo plazo. También es clave para fines políticos y por tanto es importante que haya mecanismos transparentes y fiables para medir el impacto de tales medidas. La pandemia del COVID-19 ha propiciado mucho avance e innovación en esta área debido a la severidad de las medidas y el consecuente impacto social y económico. Algoritmos de Deep Learning se han usado con datos epidemiológicos para modelar diversos escenarios de la pandemia a nivel global (Hu, Ge, Li, et al., 2020) y medir el efecto de la cuarentena (Dandekar & Barbastathis, 2020) . Los datos de móviles también se han usado con éxito para medir los efectos de las medidas de distanciamiento social en diferentes áreas y grupos poblacionales (Martín-Calvo et al., 2020; UNICEF, 2020) . Un aspecto clave en la pandemia de la COVID-19 que podrá ser aplicado a otras pandemias es entender la contribución de medidas no-farmacéuticas en cada región e intentado asilar el impacto de cada medida de mitigación (Cowling et al., 2020; Davies et al., 2020; Flaxman et al., 2020; Lai et al., 2020) .

En la actual pandemia, es de vital relevancia como las medidas iniciales tendrán que ser adaptadas o complementadas para controlar potenciales futuros brotes y olas .

Las enfermedades tienen varias dimensiones: molecular, genética, clínica, social y política.

Debido a su complejidad, la dimensión social modula la propagación y consecuencias. Un mejor entendimiento de los sistemas humanos es clave para generar mecanismos sociales, políticos y sanitarios para luchar contra enfermedades de forma colectiva. Los factores que determinan la propagación e impacto de las epidemias son muy diversos y variables en cada sociedad, pero un desarrollo más sostenible puede hacernos más fuertes, robustos, resilientes y anti-frágiles a epidemias. Por ejemplo, la desigualdad puede resultar en menos eficacia de medidas de mitigación. Este hecho no tiene sólo una fundamentación social y humana, sino también matemática y científica: el riesgo de epidemias es sistémico y la vulnerabilidad de una pequeña parte del sistema genera un riesgo global difícil de controlar y que afecta al sistema en su conjunto (Norman et al., 2020; . El riesgo también viene dado por la potencial variabilidad inmune de las personas: individuos y eventos super-propagadores depende de cada enfermedad y supone un reto adicional en sistemas de prevención (Kupferschmidt, 2020; Lloyd-Smith, Schreiber, Kopp, & Getz, 2005) .

Debido a la variabilidad de factores y dinámicas de las epidemias, es necesario tener mecanismos de actuación a diversos niveles, desde la ayuda asistencial local a personas vulnerables a mecanismos de gobernanza globales (Mello & Wang, 2020) . Por ejemplo, se ha puesto de manifiesto la necesidad de crear "Puntos de Atención" locales que faciliten tests rápidos, especialmente en regiones con sistemas sanitarios débiles o muy deslocalizados o en casos de mucha incertidumbre sobre el estado epidemiológico de la población. También las técnicas de diagnóstico remoto pueden suponer una ventaja para la comprensión de la epidemia en tiempo real. Es necesario plantear el debate sobre la coordinación internacional para tomar ciertas medidas sincronizadamente y con ello aumentar los impactos positivos de medidas severas como el confinamiento o el cierre de fronteras.

Existe una gran problemática epistemológica, operativa e incluso política para entender cómo las diferentes medidas tomadas para frenar a una epidemia realmente contribuyen a esta misión.

Es considerablemente difícil aislar los diversos factores que influyen en la modificación de la curva epidemiológica que son biológicos, farmacológicos, sociales y políticos (Flaxman et al., 2020; Lai et al., 2020) . Teniendo en cuenta la diversidad de políticas y estrategias sanitarias, cada vez más, parece necesario un sistema de medición de estos factores que pueda ser implementado gracias a esta propia diversidad de estrategias recopilando datos detallados tanto clínicos, de movilidad, socio-económicos y moleculares. Estos sistemas de análisis son clave para ofrecer las evidencias para avanzar hacia mecanismos de respuesta más efectivos y ágiles.

El reto científico es importante, poder inferir relaciones entre diversos factores y los hechos es altamente complejo y es necesario desarrollar protocolos de experimentación y medición.

Es necesario evaluar y diseñar un ecosistema de datos que nos permita con rigor dar respuesta a las cuestiones de la epidemiología digital, lo que implica diseñar mejores estrategias de Potenciar las interacciones entre la investigación molecular, la práctica y estudios clínicos y lo social es clave para una gobernanza efectiva . Detalles sobre avances recientes en investigación molecular y clínica también son de gran importancia para hacer un acoplamiento entre las medidas epidemiológicas, las capacidades del sistema sanitario, la investigación fundamental y las consecuencias clínicas, epidemiológicas y sociales . Los mecanismos de comunicación entre organizaciones y expertos deben ser ágiles y soportados por evidencias en tiempo real. A su vez, es deseable que haya nuevos canales de confianza entre autoridades y la población. La Inteligencia Artificial también puede ser clave en estructurar toda la información e investigación que se genera. Por ejemplo, la pandemia del COVID-19 ha motivado la aparición de "dashboards" de datos de diversa naturaleza, sin embargo, salvo excepciones (Dong, Du, & Gardner, 2020) , son iniciativas fragmentadas y que no tienen un modelo de uso claro. La Inteligencia Artificial debe ir un paso más allá en realmente analizar diversas fuentes de datos, modelar el conocimiento, estructurar mensajes y facilitar la toma de decisiones tanto de gestores, políticos, empresarios, trabajadores y sociedad civil en general. La respuesta de la sociedad a esta clase de enfermedades tiene que aprovechar los procesos y las tecnologías exponenciales (Luengo-Oroz et al., 2020) y la inteligencia colectiva (Aleks Berditchevskaia, 2020). Es clave madurar soluciones para que puedan convertirse en verdaderos sistemas operativos.

El uso radical e invasivo de la tecnología durante el COVID-19 ha puesto de manifiesto varias cuestiones éticas de vital importancia que ya resonaban en algunos ámbitos (Berman, Carter, Herranz, & Sekara, 2020; Vinuesa et al., 2020) . Un aspecto primordial es la privacidad y derechos fundamentales de las personas y cómo puede verse afectada por el uso sin límite de sus datos justificado por las acciones para frenar la pandemia (Mello & Wang, 2020) . Las buenas prácticas internacionales promueven principios como la minimización de datos, la descentralización y la concreción (en uso y alcance temporal), además de que dicho uso sea trazable y consentido por las personas. Es importante también reflexionar sobre la colaboración público-privada en torno a los datos y cómo problemas como la vigilancia masiva y agresiva pueden mermar la libertad de las personas o incrementar la brecha digital si no se definen los marcos adecuados (Mello & Wang, 2020) . La urgencia y la necesidad de usar datos para controlar epidemias no debe desembocar en un escenario digital nocivo para el desarrollo social y tecnológico de la sociedad.

Todavía es pronto para predecir cómo será el futuro tras la COVID-19 (Sohrabi et al., 2020) , es muy probable que, además del impacto económico, tenga efectos a largo plazo en usos y hábitos sociales: las formas de movilidad, medidas de higiene e incluso en relaciones sociales.

Estos cambios pueden ir incluso en contra de tendencias que han ido emergiendo en los últimos tiempos. La digitalización sin duda se acelerará y ello tendrá consecuencias a todos los niveles, entre las cuales destaca el futuro del trabajo (Malone, 2004) .

Las tecnologías y métodos propuestos debe ser parte de estrategias centradas en las personas que permita controlar las epidemias y que también ayuden a generar protección colectiva digital como complemento a otras medidas y a tratamientos farmacéuticos. Es momento de actuar y mejorar nuestros mecanismos de respuesta frente a pandemias futuras y avanzar hacia una sociedad más preparada y sostenible (General, 2019) .

Aleks Berditchevskaia, K. P. (2020). Coronavirus: seven ways collective intelligence is tackling the pandemic. Retrieved from https://theconversation.com/coronavirus-sevenways-collective-intelligence-is-tackling-the-pandemic-133553

Modelling the impact of testing, contact tracing and household quarantine on second waves of COVID-19

Infectious diseases of humans: dynamics and control

Fake news and the economy of emotions: Problems, causes, solutions. Digital journalism

Multiscale mobility networks and the spatial spreading of infectious diseases

Modeling the spatial spread of infectious diseases: The GLobal Epidemic and Mobility computational model

Seasonal transmission potential and activity peaks of the new influenza A (H1N1): a Monte Carlo likelihood analysis based on human mobility

Machine learning approach for confirmation of covid-19 cases: Positive, negative, death and release. medRxiv

Dynamical patterns of epidemic outbreaks in complex heterogeneous networks

Stable and unstable malaria hotspots in longitudinal cohort studies in Kenya

Effect of travel on influenza epidemiology

Beyond the data deluge

Using mobile phone data to predict the spatial spread of cholera

Improved response to disasters and outbreaks by tracking population movements with mobile phone network data: a post-earthquake geospatial study in Haiti

Digital contact tracing and surveillance during COVID-19. General and child-specific ethical issues. Retrieved from Blondel

Detecting opinion leaders and trends in online social networks

Emergence of influential spreaders in modified rumor models

Towards an understanding of refugee segregation, isolation, homophily and ultimately integration in Turkey using call detail records

Digital disease detection-harnessing the Web for public health surveillance

Mapping the landscape of artificial intelligence applications against COVID-19

Epidemics in partially overlapped multiplex networks

Disease spreading in populations of moving agents

Uncovering individual and collective human dynamics from mobile phone records

Using country-level variables to classify countries according to the number of confirmed COVID-19 cases: An unsupervised machine learning approach

Is Google Trends a reliable tool for digital epidemiology? Insights from different clinical settings

The effect of travel restrictions on the spread of the 2019 novel coronavirus (COVID-19) outbreak

Modeling the worldwide spread of pandemic influenza: baseline case and containment interventions

Assessing Google flu trends performance in the United States during the 2009 influenza virus A (H1N1) pandemic

Impact assessment of non-pharmaceutical interventions against coronavirus disease 2019 and influenza in Hong Kong: an observational study. The Lancet Public Health

Neural Network aided quarantine control model estimation of global Covid-19 spread

Effects of non-pharmaceutical interventions on COVID-19 cases, deaths, and demand for hospital services in the UK: a modelling study

Social contagion models on hypergraphs

Impact of the distribution of recovery rates on disease spreading in complex networks

Unique in the crowd: The privacy bounds of human mobility

The estimation of the basic reproduction number for infectious diseases. Statistical methods in medical research

Targeting hotspots of transmission promises to reduce malaria

An interactive web-based dashboard to track COVID-19 in real time

Contact tracing and disease control

Impacts of K-12 school reopening on the COVID-19 epidemic in

Modelling disease outbreaks in realistic urban social networks

Infodemiology and infoveillance: framework for an emerging set of public health informatics methods to analyze search, communication and publication behavior on the Internet

Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing

Mobile phone data highlights the role of mass gatherings in the spreading of cholera outbreaks

Estimating the effects of non-pharmaceutical interventions on COVID-19 in Europe

Finding an accurate early forecasting model from small dataset: A case of 2019-ncov novel coronavirus outbreak

The age of digital interdependence

Good communication saves lives

Detecting influenza epidemics using search engine query data

Targeted social distancing designs for pandemic influenza

Understanding individual human mobility patterns

Reference guide on epidemiology

The signal code: A human rights approach to information during crisis

Generating Similarity Map for COVID-19 Transmission Dynamics with Topological Autoencoder

Estimating causal effects from epidemiological data

Artificial intelligence forecasting of covid-19 in china

Forecasting and evaluating intervention of Covid-19 in the World

Corona virus (Covid-19)"infodemic" and emerging issues through a data lens: The case of china

Multiple-Input Deep Convolutional Neural Network Model for COVID-19 Forecasting in China

AI4COVID-19: AI enabled preliminary diagnosis for COVID-19 from cough samples via an app

The role of biomarkers in diagnosis of COVID-19-A systematic review

Covid Notions: Towards Formal Definitions--and Documented Understanding--of Privacy Goals and Claimed Protection in Proximity-Tracing Services

Why do some COVID-19 patients infect many others, whereas most don't spread the virus at all? Science

Effect of non-pharmaceutical interventions to contain COVID-19 in China

Tracking COVID-19 using online search

The parable of Google Flu: traps in big data analysis

The science of fake news

Deep learning. nature

Crowdsourcing data to mitigate epidemics. The Lancet Digital Health

A machine learning methodology for real-time forecasting of the 2019-2020 COVID-19 outbreak using Internet searches, news alerts, and estimates from mechanistic models

Measurability of the epidemic reproduction number in data-driven contact networks

Superspreading and the effect of individual variation on disease emergence

Improved state-level influenza nowcasting in the United States leveraging Internet-based data and network approaches

Artificial intelligence cooperation to support the global response to COVID-19

The transit phase of migration: circulation of malaria and its multidrug-resistant forms in Africa

The future of work: Audio-Tech Business Book Summaries

Effectiveness of social distancing strategies for protecting a community from a pandemic with a data driven contact network based on census and real-world mobility data

Ethics and governance for digital disease surveillance

Modeling human mobility responses to the large-scale spreading of infectious diseases

Loss of smell and taste in combination with other symptoms is a strong predictor of COVID-19 infection

Predicting epidemics on directed contact networks

Dynamical strength of social ties in information spreading

Estimating the asymptomatic proportion of coronavirus disease 2019 (COVID-19) cases on board the Diamond Princess cruise ship

Efficiency of human activity on information spreading on Twitter

Epidemic outbreaks in complex heterogeneous networks

Theory of rumour spreading in complex social networks

Spread of epidemic disease on networks

The structure and dynamics of networks

Age-dependent Effects in the Transmission and Control of COVID-19 Epidemics

Systemic Risk of Pandemic via Novel Pathogens-Coronavirus: A Note

Mobile phone data for informing public health actions across the COVID-19 pandemic life cycle

Reassessing Google Flu Trends data for detection of seasonal and pandemic influenza: a comparative epidemiological study at three geographic scales

Flow descriptors of human mobility networks

Characterizing information leaders in Twitter during COVID-19 crisis

Epidemic dynamics and endemic states in complex networks

Can Mobile Phone Traces Help Shed Light on the Spread of Zika in Colombia?

DeClarE: Debunking fake news and false claims using evidence-aware deep learning

Disease and mobility: a neglected factor in epidemiology

Big data for development: Challenges & opportunities. Naciones Unidas

Mapping the risk-utility landscape: mobile data for sustainable development and humanitarian action

Using human movement data to identify potential areas of Zika transmission: case study of the largest Zika cluster in Singapore

Large-scale spatial-transmission models of infectious disease

Csi: A hybrid deep model for fake news detection

Digital epidemiology: what is it, and where is it going? Life sciences, society and policy

Digital epidemiology

Dynamics of interacting diseases

COVID-19 infection: the perspectives on immune responses

Fake news detection on social media: A data mining perspective

A universal model for mobility and migration patterns

A first look at COVID-19 information and misinformation sharing on Twitter

3han: A deep neural network for fake news detection

World Health Organization declares global emergency: A review of the 2019 novel coronavirus (COVID-19)

The role of human movement in the transmission of vector-borne pathogens

Early epidemiological analysis of the coronavirus disease 2019 outbreak based on crowdsourced data: a population-level observational study. The Lancet Digital Health

The Statistical Consequences of Fat Tails

The precautionary principle: fragility and black swans from policy actions

The precautionary principle (with application to the genetic modification of organisms)

Integrating rapid risk mapping and mobile phone call record data for strategic malaria elimination planning

On the use of human mobility proxies for modeling epidemics

Magic Box COVID-19 report

Infodemic and risk communication in the era of CoV-19

Modelling COVID-19

A socio-technical framework for digital contact tracing

Connecting mobility to infectious diseases: the promise and limits of mobile phone data

Quantifying the impact of human mobility on malaria

Impact of human mobility on the emergence of dengue epidemics in Pakistan

Quantifying travel behavior for infectious disease research: a comparison of data from surveys and mobile phones

Accurate estimation of influenza epidemics using Google search data via ARGO

How to fight an infodemic

Changes in contact patterns shape the dynamics of the COVID-19 outbreak in China

Journal of the royal statistical society: series B (statistical methodology

Identifying seasonal mobility profiles from anonymized and aggregated mobile phone data. Application in food security