Soluciones TIC en la lucha contra la COVID-19

Juan Carlos López

Director de la revista BIT.

Entrevistas COVID

Soluciones TIC en la lucha contra la COVID-19

Durante este difícil tiempo de crisis sanitaria, el papel de las Tecnologías de la Información y las Comunicaciones (TIC) ha sido determinante al permitir dotar a la población de herramientas para paliar muchas de las consecuencias de la pandemia, tanto en el ámbito social como económico. Si esto ya justifica de por sí la importancia de la ciencia y la tecnología como garantes de nuestra propia subsistencia, la investigación de nuestros profesionales en campos como las comunicaciones, la ciencia de datos o la inteligencia artificial ha demostrado la eficacia de las soluciones aportadas en la lucha contra la COVID-19. La implicación de algunos de nuestros colegas es sólo una muestra del trabajo realizado y el que todavía queda por hacer.

#SinCienciaNoHayFuturo

Nuria Oliver. Comisionada para Presidencia de la Generalitat Valenciana para Inteligencia Artificial y el COVID-19

Conocer el impacto real de la pandemia

Con un extensísimo curriculum en el ámbito de la Inteligencia Artificial (IA), Nuria Oliver (Ingeniera de Telecomunicación por la Universidad Politécnica de Madrid) dirige el único de los 30 centros de excelencia de la red ELLIS (iniciativa europea sobre investigación en IA) que se sitúa en España, habiendo sido nombrada en los comienzos de la reciente crisis sanitaria Comisionada para Presidencia de la Generalitat Valenciana para Inteligencia Artificial y el COVID-19. Entre otros proyectos, ha estado trabajando en la recopilación masiva de datos a través de una encuesta* que ya lleva 24 oleadas semanales (https://covid19impactsurvey.org)

El objetivo último de este proyecto es conocer el impacto de la pandemia a todos los niveles: sanitario, económico, social… ¿Qué tipo de datos recoge la encuesta y qué resultados arroja hasta el momento?

La encuesta es una encuesta ciudadana de gran escala, online y usando un método de muestreo no probabilístico. Para minimizar posibles sesgos en la muestra, ponderamos los datos para que la distribución de la muestra por sexo, edad, provincia y profesión sea similar a la distribución según el último censo del INE.

La encuesta es muy corta, con solo 25 preguntas, pero multi-dimensional, abarcando aspectos muy importantes de la situación y percepción de la ciudadanía con respecto a la pandemia de COVID-19. La encuesta incluye preguntas sobre el impacto social y económico, el comportamiento social, la percepción de seguridad de distintas actividades, las medidas individuales de protección, la percepción de las medidas del gobierno, la capacidad de hacer cuarentena, el estado de salud, disponibilidad de tests, el trazado de contactos y el impacto emocional de la pandemia.

Hemos adaptado la encuesta en función de la situación de la pandemia y hemos obtenido resultados que permiten analizar la evolución a lo largo de estos meses. Entre estos resultados*, destacaría: (1) un 50% reporta no poder hacer cuarentena si fuese necesario por diferentes motivos (compartición del hogar, cuidado de otras personas, motivos psicológicos o económico-laborales); (2) los jóvenes reportan los mayores niveles de ansiedad, estrés, soledad, tristeza y abuso en el uso de la tecnología; (3) las mujeres reportan adoptar más medidas de protección individual; (4) un elevado porcentaje (78% durante y 60% después del confinamiento) de los positivos, conocen la fuente probable de su infección; (5) un 64% de quienes reportan haber tenido contacto cercano con una persona infectada dicen no haber sido llamados por ningún rastreador de contactos. Los encuestados que consideran que el gobierno debería adoptar más medidas han ido aumentado llegando a un 67%. El impacto económico se considera mayor en las personas que trabajan en pequeñas empresas (1-9 empleados) y en los sectores de hostelería, entretenimiento, servicio doméstico, construcción y transporte.

Hemos adaptado la encuesta en función de la situación de la pandemia y hemos obtenido resultados que permiten analizar la evolución a lo largo de estos meses

La encuesta está publicada en Internet y es anónima. ¿Cómo se estima la veracidad de los datos y la fiabilidad de los resultados obtenidos? ¿De qué forma la IA ayuda a analizar los datos y tomar de decisiones?

La participación en la encuesta es voluntaria y, efectivamente, al ser anónima y desplegada online, las personas pueden contestar tanto veraz como no verazmente. En la primera oleada, corroboramos las respuestas a la encuesta con dos encuestas profesionales independientes llevadas a cabo a la vez que la nuestra. Los resultados fueron similares, con lo que nos sirvió de garantía de la calidad de las respuestas ciudadanas. Además, una vez captadas las respuestas hemos desarrollado algoritmos para descartar aquellas con inconsistencias. Los datos se analizan utilizando técnicas estadísticas. También hemos desarrollado un modelo de regresión logística para la inferencia de la prevalencia de coronavirus en base a 3 respuestas de la encuesta. Validamos nuestro modelo con los resultados del estudio de seroprevalencia con resultados muy similares.

¿Para la toma de qué decisiones se ha apoyado la Generalitat en los resultados que arroja este proyecto? ¿Están siendo utilizados por otras administraciones?

El grupo de trabajo lo forman una veintena de investigadores de la Comunidad Valenciana, trabajando desde marzo, de manera altruista y voluntaria. El equipo cuenta además con Ana Berenguer, directora general de Análisis y Políticas Públicas para Presidencia de la Generalitat Valenciana. Esta colaboración directa de un alto cargo de la Generalitat ha sido clave para ayudar a definir prioridades, identificar oportunidades, así como compartir los resultados del trabajo con las personas que tienen que tomar las decisiones.

Creo que esta iniciativa es un bonito ejemplo de colaboración entre la sociedad civil, la comunidad científica y una administración pública.

Según los resultados obtenidos, ¿podemos hacer alguna predicción del comportamiento de la pandemia en el futuro?

Hasta que no haya inmunidad colectiva (conseguida de manera natural o bien gracias a una vacuna eficaz), la expectativa es que el virus siga presente en nuestra sociedad. Por ello, es fundamental que aprendamos a convivir con él.

Hay tres aspectos fundamentales que tenemos que desarrollar, formando un círculo virtuoso, para conseguir gestionar la pandemia de manera holística y sostenible económica, social, psicológica, médica y medioambientalmente:

(1) La disponibilidad de indicadores específicos y de datos de calidad, captados, actualizados y compartidos de manera sistemática y regular, que nos permitan hacer un diagnóstico de dónde estamos, analizar las causas, determinar lo que ha funcionado y lo que no ha funcionado, y modelar hacia dónde vamos, posibilitando la toma de decisiones basadas en la evidencia y el conocimiento. (2) La inversión en los medios humanos —personal sanitario y social, rastreadores, profesores, investigadores…— necesarios, que además cuenten con la información, infraestructuras y tecnologías necesarias para poder realizar su trabajo de manera eficaz. (3) El despliegue de políticas públicas para abordar debilidades del sistema, incluyendo programas para facilitar la cuarentena; campañas de comunicación; protocolos para minimizar el riesgo de contagio y proteger a los más vulnerables…

Recordemos que cada uno de nosotros, con nuestro comportamiento responsable o irresponsable, somos quienes contribuimos a que el coronavirus se propague. Trabajemos juntos, personas y tecnología, sociedad civil, empresas y administraciones, en la lucha contra el virus. La unión, sin duda, es lo que nos da la fuerza.

* https://COVID19impactsurvey.org

* Pueden consultarse de forma detallada en https://covid19impactsurvey.org/results

 

Manuel Gómez Rodríguez. Tenure Track Faculty en Max Planck Institute for Software Systems (Alemania)

Un modelo epidemiológico espacio-temporal para la Covid-19

Inicialmente interesado en la teoría de la señal y la codificación de la información, Manuel Gómez (Ingeniero de Telecomunicación por la Universidad Carlos III de Madrid) llegó a trabajar en una empresa de microelectrónica al terminar la carrera. Pero su interés por la investigación lo llevó a realizar un Master y más tarde su Tesis Doctoral en la Universidad de Stanford (EE.UU.), alternando esta última etapa con el trabajo en el Instituto Max Planck (Alemania). Y es aquí donde actualmente dirige un grupo de investigación centrado en las aplicaciones de la inteligencia artificial y, en particular, del “machine learning”. En abril, al tiempo que la pandemia alcanzaba su máxima virulencia en Europa, Manuel y su grupo presentaban ya resultados preliminares de su modelo epidemiológico para COVID-19.

Antes de nada, ¿cómo fue posible desarrollar el trabajo tan rápido, en sólo dos meses? ¿Obtuvisteis financiación específica para ello?

Teníamos experiencia en un proyecto que realicé hace dos años con dos alumnos sobre estrategias de control de enfermedades, que nos ha servido a nivel técnico para modelar lo que ahora hemos hecho para la COVID-19. Así, aplicamos parte de ese conocimiento y la experiencia en las matemáticas del modelo y en la utilización del machine learning. Pero sí es cierto que trabajamos a un ritmo frenético para hacer el código y sacarlo adelante. Por otra parte, el confinamiento por la pandemia ayudó a trabajar más rápido, con lo que en dos meses ya teníamos una versión preliminar. En cuando a financiación, no tuvimos nada específico. Las personas que trabajan conmigo estaban financiadas y pudimos utilizar toda la infraestructura del Max Planck.

El objeto del proyecto es modelar matemáticamente tres de los elementos esenciales de los que están encima de la mesa: el impacto de los tests, del rastreo de contactos y del confinamiento. Con ello se podrían determinar las acciones menos restrictivas que pudieran mitigar la pandemia. ¿Puedes describir los elementos esenciales en los que se basa el funcionamiento del modelo propuesto? ¿Qué datos utilizáis?

La motivación inicial era hacer algo distinto a lo que hacía la gente de “ciencia de redes”, que mediante un grafo modelaba un determinado entorno y validaba el funcionamiento del contact tracing. Otros van un poco más allá y a un modelo similar añaden, por ejemplo, el efecto de la movilidad. Nosotros queríamos hacer algo más general, un modelo que particularizado a un entorno concreto permitiera hacer predicciones. Para eso necesitábamos información específica. Contactamos con Facebook que tiene estimaciones de densidad de población a muy bajo nivel (500×500 metros). También a través de Openstreet Maps pudimos obtener los sitios donde la gente va con más frecuencia (supermercados, colegios…). Por último, Alemania dispone de datos de población por franja de edad en cada municipio. Faltaban las trazas de movilidad real. Para ello hicimos un modelo sintético basado en la probabilidad de que personas de una determinada edad fueran a un determinado sitio de su zona.

Incluyendo el número de test realizados (información publicada diariamente) y los retrasos medios en la obtención de los resultados de los tests, ajustamos el modelo para que ofreciese lo que había ocurrido en una determinada zona, es decir, los casos reales de positivos COVID en ese territorio en particular (datos también disponibles diariamente).

Esto lo hemos realizado ya para varias localidades de Alemania y Suiza, y se han obtenido los mismos números de contagios diarios en la simulación que los que ocurrieron en realidad.

Esto nos da confianza en que las simulaciones nos permitan inferir, por ejemplo, qué pasaría si cerrásemos las escuelas o la probabilidad de que alguien se contagie al ir a un supermercado.

La predicción a largo plazo es muy complicada porque hay muchos factores en juego y demasiada aleatoriedad

¿Cómo de confiable es a la hora de predecir el comportamiento futuro?

La predicción a largo plazo es muy complicada porque hay muchos factores en juego y demasiada aleatoriedad. A lo que puede contribuir el modelo es, por ejemplo, en el caso de que haya diez casos importados por cada 100.000 habitantes qué es lo que puede pasar si se toman o no ciertas medidas. Pero esas cantidades (casos importados, personas que viajan) son muy difíciles de estimar. Al final las simulaciones dan información que permite decidir de forma cualitativa sobre pautas o políticas concretas y sus efectos.

¿Los datos que pudieran obtenerse de las apps de contact tracing ayudarían a enriquecer el modelo?

Sí, claro, con los datos de las aplicaciones de contact tracing, el modelo de movilidad mejoraría. Ahora bien, sólo aquellas que incluyan posicionamiento y precisamente eso es algo que ha estado en debate de cara a la privacidad.

De hecho, las apps de contact tracing que finalmente se están implantando y que priman privacidad, no ofrecen información que permita saber dónde se ha producido el contagio. Una persona puede saber que ha estado cerca de un positivo pero no dónde ha sido, con lo que es imposible determinar dónde se ha producido un brote. Es decir, esas apps, aunque útiles, no servirían mucho para crear modelos epidemiológicos más precisos. En ese sentido, el contact tracing “manual” que realizan los rastreadores puede ser más útil.

El modelo que habéis desarrollado utiliza técnicas de inteligencia artificial y “machine learning”. Los resultados que comentas ponen de manifiesto algunas de las limitaciones de esta tecnología, al menos en relación a la creación de modelos epidemiológicos.

Lo cierto es que las técnicas más “populares” en el ámbito de la inteligencia artificial no funcionan bien con problemas con excesiva aleatoriedad, como es este dominio. Un componente esencial para modelos predictivos es precisamente el modelo matemático. No vale la aproximación de “solo datos” (model free) para obtener un resultado. Aunque hay máxima atención (incluida financiación) al potencial de la inteligencia artificial, todavía hay una parte que podemos considerar “hype” y un gran camino por recorrer y áreas por estudiar (no solo automatizar tareas sino ayudar al humano a hacer tareas mejor). Quizás sería necesaria cierta divulgación al gran público al respecto.

 

Carmela Troncoso. Tenure Track Assistant Professor en la École Polytechnique Fédérale de Lausanne (Suiza)

El debate sobre la gobernanza, más allá de la privacidad

Carmela Troncoso (Ingeniera de Telecomunicación por la Universidad de Vigo) ha realizado su carrera investigadora en el ámbito de la seguridad y la privacidad. Realizó su Tesis Doctoral en Katholieke Universiteit Leuven (Bélgica) para incorporarse después al centro tecnológico Gradiant (Galicia) y posteriormente al IMDEA Sofwtare Institute (Madrid). Actualmente dirige el grupo SPRING en EPFL (Suiza), grupo que ha desarrollado el protocolo DP-3T, núcleo de la aplicación SwissCovid en Suiza y que ha sido adoptado por Google y Apple como base para su API de notificación de exposición al coronavirus.

La utilización de apps móviles se ha planteado como una solución para el rastreo de COVID-19 y se ha utilizado en diversos países, con mayor o menor éxito. ¿Porqué piensas que se ha tardado tanto en implantar en España una app móvil similar?

Porque no se ha implementado antes en España lo desconozco. El código está ahí. En Suiza el piloto se puso en marcha en mayo y la aplicación a principios de junio, en Alemania a mediados y en Irlanda a finales, por ejemplo. El verdadero bloqueo tecnológico residía en bluetooth, pero en el momento en que Google y Apple lo solucionaron, ese problema ya dejó de existir.

¿Cuál fue el problema con bluetooth?

Las “balizas” (beacons) bluetooth fueron creadas con la idea de ser herramientas de publicidad, por lo que fueron diseñadas para ser invasivas. En el sistema operativo de Apple, para la que es esencial la protección de sus usuarios respecto a terceros – es uno de sus mensajes comerciales más fuertes, está en su ADN-, la aplicación no podía utilizar estos beacons cuando estaba en background, es decir, cuando se está ejecutando pero no está activa. Este fue uno de los problemas en Singapur: los usuarios debían tener todo el rato encendida la aplicación con lo que ello supone de gasto de batería. Para que este contact tracing funcionase necesitamos que Apple modificara su modelo de permisos y la aplicación pudiera usar los beacons en background.

Este fue el principal escollo pero ha habido otros.

¿Cuáles fueron?

Aunque ha sido muy importante que Apple y Google trabajasen juntos, vimos en nuestros experimentos que, a nivel de bluetooth, aunque IOS y Android usan estos tipos de beacons, cuando “hablaban” entre sí había pequeños fallos (no se leían bien, se perdían algunos…). Era muy importante que se pusieran de acuerdo para hacer un sistema interoperable.

En tercer lugar, estaba la cuestión de cómo usar la aplicación para no consumir mucha batería. Al final son Apple y Google los que tienen la capacidad para cambiar el framework, la potencia de uso, etc…

Todo esto me lleva a un punto muy importante y es que todo el mundo está muy preocupado por la privacidad, pero creo que tenemos que pensar que la privacidad nunca es el fin, es un medio para protegernos de terceros y preservar nuestra autonomía y nuestra democracia. Cuando nosotros hicimos presión para que el protocolo que se implantase a nivel mundial fuese muy seguro, la idea era proteger a los ciudadanos de los gobiernos.

Es la primera vez que los gobiernos han desplegado herramientas que no están basadas en datos. Eso es un precedente: no siempre se necesitan tantos datos de los usuarios para dar servicios

Es un hito que Google y Apple se pusieran de acuerdo. ¿Cómo lo valoras?

Que Google y Apple apoyaran esta iniciativa es maravilloso, pero también muestra el poder que tienen y la dependencia que tenemos de ellos. Es la primera vez que ha quedado patente y es brutal. Son los que han decidido cómo el planeta va a implementar contact tracing. Al final hay una discusión que es más importante que la de la privacidad y es la de la gobernanza. No porque algo sea privacy preserving es algo estupendo y maravilloso. Esperemos que la app ayude a salir de esta situación de emergencia. Pero cuando se decide introducir la tecnología, se crean dependencias y hay que tener claras sus implicaciones sociales.

Por otro lado, es un hito histórico que los gobiernos por primera vez han desplegado herramientas que no están basadas en datos. Y esto genera un precedente: no se necesitan todos esos datos que nos piden para hacer las cosas. Es algo que, como ingenieros, debemos tener siempre en cuenta.

¿Cómo funciona el rastreo? ¿Dónde está la inteligencia?

Al bajarse la aplicación se da una orden a la API del móvil para que genere cada día una clave privada nueva. A partir de esa clave se derivan unos números aleatorios de manera que nadie puede identificarlos ni relacionarlos con nada. La aplicación va emitiendo uno de esos números, cambiando de vez en cuando para evitar seguimientos. Cuando dos teléfonos que tienen la aplicación se acercan, escuchan estos números y los guardan junto con el día y hora y la potencia con la que lo han escuchado. Esta potencia es lo que se utiliza para saber la distancia a la que han estado. Al cabo del tiempo, el teléfono tiene dos listas, la de números que ha emitido y la de números que ha escuchado.

Cuando una persona da positivo por COVID, y siempre que quiera participar en este protocolo de notificación, recibe un código que introduce en la aplicación y los números que ha ido emitiendo se suben a un servidor. Estos números no están asociados a ningún nombre, ni contienen datos de movilidad ni de contactos. Todos los teléfonos periódicamente acuden a este servidor y se bajan estos números y comprueban internamente si los han visto. En ese caso hace un calculo con todos los números para decidir si has pasado suficiente tiempo muy cerca del virus. Si el resultado está por encima de un determinado umbral, el móvil te muestra una notificación. Da igual si los números son de una misma persona o no porque eso la aplicación no lo sabe. A partir de ese momento no sabemos que hace cada persona: la privacidad en el diseño hace que se pierda la visibilidad de lo que está pasando.

En ese sentido, lo único que, por ejemplo, va a conocer la Administración es cuánta gente sube estos datos, lo que de hecho ya sabe porque conoce cuántos tests positivos tiene. Pero es que este sistema no tiene como objetivo ayudar a la Administración a obtener datos. Es un dispositivo de alerta temprana que permite avisar a la gente de forma rápida (más que con rastreadores “manuales”), incluso a desconocidos del que ha dado positivo, para cortar las cadenas de contagio cuanto antes.

Comparte
Share on linkedin
Share on facebook
Share on twitter
Share on whatsapp
Share on telegram
Share on email