Gracias por visitar nature.com.Está utilizando una versión de navegador con soporte limitado para CSS.Para obtener la mejor experiencia, le recomendamos que utilice un navegador más actualizado (o desactive el modo de compatibilidad en Internet Explorer).Mientras tanto, para garantizar un soporte continuo, mostramos el sitio sin estilos ni JavaScript.Scientific Reports volumen 12, Número de artículo: 12728 (2022) Citar este artículoSe ha demostrado que controlar la propagación de enfermedades infecciosas es crucial en la pandemia de COVID-19.El rastreo de contactos tradicional se utiliza para detectar personas recién infectadas rastreando sus contactos anteriores y verificando y aislando selectivamente a cualquier persona que probablemente haya sido infectada.El rastreo de contactos digitales con la utilización de teléfonos inteligentes se ideó como una ayuda tecnológica para mejorar este proceso manual, lento y tedioso.Sin embargo, a pesar de las grandes esperanzas generadas cuando se introdujeron las aplicaciones de rastreo de contactos basadas en teléfonos inteligentes como medida para reducir la propagación del COVID-19, su eficiencia ha sido moderadamente baja.En este artículo, proponemos una metodología para evaluar aplicaciones de rastreo de contactos digitales, basada en un modelo epidémico, que se utilizará no solo para evaluar las aplicaciones implementadas contra el COVID-19, sino también para determinar cómo se pueden mejorar para futuras pandemias.En primer lugar, el modelo confirma la eficacia moderada del rastreo digital de contactos desplegado, confirmando el hecho de que no se pudo utilizar como única medida para luchar contra el COVID-19, y tuvo que combinarse con medidas adicionales.En segundo lugar, se proponen (y evalúan) varias mejoras para aumentar la eficiencia del rastreo de control digital para convertirse en una herramienta más útil en el futuro.Poco sabíamos cuando comenzó la pandemia de COVID-19 que tendría un impacto tan grande en nuestra sociedad.No solo ha causado millones de muertes, sino que también ha cambiado nuestra forma de vivir.Afortunadamente, con la introducción de vacunas y nuevos tratamientos, la pandemia está a punto de ser controlada.Los brotes iniciales de COVID-19 se abordaron principalmente mediante confinamientos y una estricta distancia social para frenar la pandemia y hacerla más manejable por parte de los sistemas nacionales de salud.Después de esos brotes iniciales, los países comenzaron a utilizar el rastreo manual de contactos, evaluando a las personas sintomáticas y, cuando se detectaban casos positivos, se rastreaban y aislaban sus contactos anteriores.Así, este procedimiento de rastreo de contactos, aunque es una tarea manual ardua y lenta, es una medida de aislamiento más selectiva y eficaz que los confinamientos generales1.Sin embargo, los primeros estudios han demostrado que los individuos asintomáticos han causado alrededor del 80% de las infecciones2, ya que la mayoría de las personas infectadas no experimentan síntomas graves.Este hecho, combinado con el gran número reproductivo básico del COVID-19, implica que el rastreo de contactos debe ser rápido y preciso para ser efectivo.El Digital Contact Tracing (DCT) se propuso con el objetivo de acelerar y extender este proceso de rastreo de contactos3.Como sugiere su nombre, Digital Contact Tracing se basa en sistemas de rastreo electrónicos, principalmente basados ​​en dispositivos móviles, para determinar contactos de riesgo.Se desarrollaron varias aplicaciones móviles de rastreo de contactos, como PEPP-PT4 de Europa y SafePath5 del MIT.Sin embargo, finalmente fueron Apple y Google quienes se unieron en abril de 2020 para desarrollar la solución más adoptada, que se integró en los sistemas operativos de teléfonos móviles de Apple y Google.El seguimiento de contactos digitales se basa en los resultados de varios años de investigación en informática móvil, en particular redes oportunistas (OppNet) y detección de multitudes móviles.OppNet se basa en la oportunidad de intercambiar mensajes entre dispositivos cercanos cuando se establece algún tipo de enlace de comunicación directo y localizado (por ejemplo, a través de un canal directo Bluetooth o WiFi)6.El comportamiento y la dinámica de OppNets son similares a una propagación epidémica de mensajes.De hecho, muchos de los modelos utilizados para evaluar estas redes han sido adaptados de modelos poblacionales epidémicos bien conocidos7.En un estudio anterior8, estudiamos la eficiencia del rastreo de contactos basado en teléfonos inteligentes, incluso antes de que se introdujeran las primeras aplicaciones de rastreo de contactos.Las principales conclusiones de ese trabajo son que el rastreo de contactos digitales solo puede ser efectivo para controlar un brote cuando la tasa de adopción es muy alta (más del 80%);si esta tasa de adopción es incluso ligeramente inferior (alrededor del 60%), es necesario combinarla con otras medidas, aunque su eficacia es moderada.Desafortunadamente, el uso real de estas aplicaciones rondaba el 20%, por lo que, como pronosticábamos, su efectividad era baja.La crisis y urgencia provocada por el COVID-19 aceleró la investigación y desarrollo de nuevos métodos para luchar contra esta pandemia, siendo el rápido desarrollo de las vacunas ARNm el ejemplo más destacado.De manera similar, un proceso generalmente largo que requiere investigar, desarrollar, probar, implementar y finalmente evaluar una aplicación como el rastreo de contactos digitales, se acortó a unos pocos meses.Esta experiencia nos permite evaluar la eficiencia de estas aplicaciones desplegadas en tan poco tiempo.El objetivo principal de este documento es desarrollar una metodología sistemática basada en un modelo epidémico para evaluar cuantitativamente la efectividad de las aplicaciones de rastreo de contactos digitales actuales y futuras.Para ello, en primer lugar evaluamos y analizamos las principales causas que pueden impactar en su eficiencia y eficacia.Se consideran varios aspectos, como el índice de adopción, la voluntad del usuario de verificar su exposición, la velocidad de rastreo y el modelo de aplicación (centralizado frente a descentralizado).Luego, según nuestra metodología de evaluación, proponemos varios cambios en el rastreo de contactos digitales para que sea más efectivo en futuras epidemias.Además, nuestro modelo permite evaluar el impacto de estos cambios en función de las principales características de futuras epidemias y de las medidas adicionales que se adopten.De esta forma, conociendo el impacto real de estas decisiones tecnológicas, podremos mejorar estas aplicaciones para gestionar una epidemia de forma eficaz.Tenga en cuenta que este documento está dedicado únicamente a evaluar los aspectos técnicos del rastreo de contactos digitales y no los aspectos organizativos, médicos, sociológicos y políticos que afectan el éxito de estas aplicaciones.La evaluación realizada muestra que la tasa de adopción es el principal factor que afecta la efectividad del rastreo de contactos digitales.Solo con altos índices de adopción se puede controlar un brote.Sin embargo, en la mayoría de los casos, este no es un escenario realista.Por lo tanto, el rastreo de contactos digitales debe usarse como un complemento de las medidas estándar de mitigación de epidemias, como el distanciamiento social o el rastreo manual de contactos.De esta forma, puede contribuir a la reducción de casos siendo más selectivo que los confinamientos generales.El resto del documento está organizado de la siguiente manera: a continuación, hacemos una descripción general del trabajo relacionado.Luego, se presentan los métodos de este artículo, en particular, cómo se puede caracterizar la eficiencia y la eficacia del rastreo de contactos digitales en función del modelo determinista propuesto.La sección de evaluación y resultados evalúa en primer lugar la eficacia de las aplicaciones de rastreo de contratos digitales implementadas mediante el modelado de un escenario real y luego estudia cómo se puede mejorar el rastreo de contactos digitales para futuras epidemias.Finalmente, el trabajo finaliza con una discusión de los resultados y las principales conclusiones.Comprender los patrones de propagación de una enfermedad, así como la causa de estos patrones, es esencial para mitigar y prevenir las infecciones.Este es el principal objetivo de la epidemiología.Recientemente, con el advenimiento de las Tecnologías de la Información y las Comunicaciones, se ha acuñado un nuevo término: Epidemiología digital.La epidemiología digital es simplemente una epidemiología que utiliza datos digitales9.El objetivo es predecir, prevenir y controlar epidemias utilizando tecnologías como la vigilancia basada en Internet, el modelado y la simulación de enfermedades infecciosas, la teledetección, las telecomunicaciones y los teléfonos móviles10.Entre estas tecnologías, la informática móvil, en particular los teléfonos inteligentes, ha permitido a los usuarios compartir datos, que es la base de Mobile CrowdSensing.Mobile Crowdsensing se basa principalmente en dos enfoques de detección: detección móvil, es decir, recopilación de datos de los sensores de hardware del móvil;y social sensing, que explota los datos de las redes sociales11,12.En particular, las tecnologías de red de sensores inalámbricos, como ZigBee o Bluetooth, se pueden utilizar para detectar y rastrear contactos.Salathe et al.13 realizaron uno de los primeros experimentos utilizando MOTES para detectar contactos.En cuanto a los teléfonos móviles, la aplicación FluPhone desarrollada en la Universidad de Cambridge14 se considera uno de los primeros intentos en este ámbito;en particular, usó Bluetooth para estimar contactos físicos y pidió a los usuarios que informaran si tenían síntomas similares a los de la gripe.En las etapas iniciales de la COVID-19, se desarrollaron varios marcos para implementar el rastreo de contactos digitales, como el Rastreo paneuropeo de proximidad para preservar la privacidad (PEPP-PT)4 y SafePaths5,15.Finalmente, Google y Apple se han asociado para desarrollar e integrar soluciones similares en sus sistemas operativos iOS y Android.Este marco fue ampliamente utilizado para implementar las diferentes aplicaciones de rastreo de contactos digitales implementadas en países y estados.El rastreo de contactos digitales se basa en la detección de contactos de riesgo utilizando principalmente las tecnologías de comunicación integradas en los teléfonos móviles.Sin embargo, esta detección está lejos de ser confiable ya que depende principalmente del uso de la intensidad de la señal recibida, la cual puede variar dependiendo no solo de la distancia sino también de la orientación de los dispositivos, el nivel de absorción del cuerpo humano y la ubicación16,17.Finalmente, para obtener más información sobre las tecnologías de rastreo de contactos digitales y sus requisitos, consulte las siguientes encuestas18,19,20,21.El rastreo de contactos tradicional se ha utilizado ampliamente ya que es una herramienta útil para controlar la propagación de enfermedades infecciosas.La evaluación de las diferentes estrategias de rastreo de contactos ha sido un tema clave de investigación en epidemiología.La evaluación del rastreo de contactos se basa principalmente en dos enfoques de modelado22: el modelado basado en la población es un enfoque macroscópico que representa la dinámica de la enfermedad a nivel de sistema;El modelado basado en agentes es un enfoque más microscópico que trata a cada individuo como un agente, modelando sus movimientos y estados de infección.En general, aunque este método es más realista, puede ser computacionalmente exigente.En este artículo, seguimos el modelo basado en la población mediante el desarrollo de un modelo epidémico, como lo hacen la mayoría de las evaluaciones anteriores23.Estos modelos se basan en el modelo básico SIR (Susceptible Infected Recovered), considerando también medidas de cuarentena, aislamiento y períodos de incubación24,25,26,27.Eames et al.1 demostraron que el rastreo de contactos es efectivo solo en las primeras etapas de un brote y cuando el número de casos de infección sigue siendo bajo.Particularmente interesantes son los resultados del trabajo de Farrahi et al.28, que evaluó el rastreo digital de contactos utilizando modelos basados ​​en la población.Con respecto al COVID-19, algunos estudios han evaluado el rastreo de contactos.Ferretti et al.3 demostraron que el rastreo de contactos tradicional en el primer brote no evitó la epidemia de COVID-19, principalmente debido a la gran cantidad de casos asintomáticos que permanecen sin detectar.Por ello, propusieron el rastreo digital de contactos como una forma de acelerar el proceso de detección.Kretzschmar et al.29 obtuvieron conclusiones similares: reducir el retraso de la prueba es el aspecto más crucial para mejorar la efectividad del rastreo de contactos.Cencetti et al.30 demostraron que es poco probable que el aislamiento y el rastreo por sí solos sean suficientes para mantener un brote bajo control, y es necesario implementar medidas adicionales simultáneamente.Hellewell et al.27 llegan a una conclusión similar a través de un modelo simulado, mostrando que el rastreo de contactos altamente efectivo fue suficiente para controlar un nuevo brote de COVID-19 en tres meses, incluso cuando solo se rastreó el 79% de los contactos.Finalmente, Lambert31 también ha demostrado, utilizando un modelo analítico, que las tasas moderadas de adopción de una aplicación de rastreo de contactos digitales pueden reducir el número reproductivo \(R_0\), pero de ninguna manera son suficientes para reducirlo por debajo de 1 (es decir, para tener el control del brote) a menos que se tomen otras medidas.Recientemente, varios artículos han estudiado y evaluado la efectividad del rastreo de contactos digitales.Rodríguez et al.32 describen los resultados del primer despliegue experimental del rastreo digital de contactos español que tuvo lugar en una de las Islas Canarias en julio de 2020. Con una tasa de adopción del 33%, solo se detectó el 10% de todos los casos potenciales. .Wymant et al.33 presentan los resultados epidemiológicos de la aplicación NHS COVID-19 implementada en Inglaterra y Gales.Con una tasa de adopción del 28 %, su análisis sugiere que la aplicación NHS evitó una gran cantidad de casos de COVID-19 y estimó que por cada punto porcentual de aumento en la aceptación de la aplicación, la cantidad de casos podría haberse reducido en 0,8 %Finalmente, Li et al.34 realizaron una encuesta para evaluar las razones detrás de las bajas tasas de adopción de las aplicaciones de rastreo de contactos de COVID-19.Grekousis y Liu35 estudiaron el impacto real de varias aplicaciones en la reducción del número reproductivo efectivo.Moreno et al.36 evalúan varios factores que han afectado la efectividad del rastreo digital de contactos, como el papel de la edad, el entorno de transmisión, la detección y el aislamiento del hogar utilizando un modelo compartimentado.La evaluación de las aplicaciones reales de rastreo de contactos por Maccari et al.37 es bastante pesimista: afirmaron que no hay evidencia científica de su eficacia para frenar la propagación del virus y proponen repensar algunas medidas invasivas de la privacidad que han hizo que el rastreo de contactos digitales fuera ineficiente.Otros estudios evaluaron aspectos como la privacidad y las políticas de implementación que han impactado en su tasa de adopción y, en consecuencia, en la efectividad del rastreo de contactos digitales38,39,40.Shubina et al.41 siguen un enfoque más holístico, utilizando una amplia gama de factores: técnicos, epidemiológicos y sociales que se incorporan en un modelo matemático compacto para evaluar la eficacia de las soluciones de rastreo de contactos digitales.En resumen, la mayoría de los artículos anteriores se centraron en los aspectos epidemiológicos del COVID-19 y la efectividad del rastreo de contactos.En cambio, nuestro documento tiene como objetivo proporcionar una metodología cuantitativa para evaluar la eficiencia de las aplicaciones de rastreo de contactos digitales actuales y futuras, centrándose en aquellos aspectos tecnológicos que tienen un impacto significativo.De esta forma, conocer el impacto real de las decisiones tecnológicas nos permitirá mejorar estas aplicaciones en un futuro próximo.En términos generales, el rastreo de contactos es el procedimiento de identificación de personas que pueden haber estado en contacto con una persona infectada.Luego, al rastrear los contactos de estas personas infectadas, los profesionales de la salud pública buscan reducir los contagios en la población, aplicando medidas como el aislamiento selectivo.El rastreo de contactos manual tradicional es una tarea laboriosa y prolongada que involucra entrevistas personales que, en la mayoría de los casos, solo brindan información vaga sobre los contactos anteriores.En consecuencia, el rastreo de contactos digitales tiene como objetivo automatizar esta tarea, principalmente mediante el uso de los teléfonos inteligentes de los usuarios para detectar contactos entre personas infectadas y susceptibles, y rastrear contactos.Comenzamos esta sección detallando cómo se puede determinar un contacto de riesgo y la arquitectura del rastreo de contactos digitales, enfocándonos en aquellos aspectos que afectarán su eficiencia.Luego caracterizamos esta eficiencia que se utilizará en el modelo propuesto para evaluar el rastreo de contactos digitales.Diferenciamos entre los términos eficiencia y eficacia.La eficacia se usa más como un término médico, es decir, qué tan bien funciona un tratamiento cuando las personas lo usan, y se puede medir como la cantidad de personas infectadas o muertas evitadas con el rastreo de contactos digitales.La eficiencia se usa más como un término tecnológico y permite a los científicos evaluar qué tan bien funciona el rastreo de contactos digitales, por ejemplo, al reducir la cantidad de alertas falsas o al aumentar la velocidad de rastreo.Uno de los aspectos críticos del rastreo de contactos digitales es cómo estimar los contactos de riesgo utilizando la tecnología subyacente de los teléfonos inteligentes de los usuarios actuales.Desde el inicio de la pandemia de COVID-19, las autoridades sanitarias han considerado de riesgo contactar a alguien que esté en contacto estrecho (a menos de dos metros de distancia durante al menos 15 min) con una persona que haya dado positivo42,43,44.Los teléfonos inteligentes actuales pueden proporcionar varias formas de determinar estos contactos cercanos utilizando tecnologías de localización y comunicación, como GPS, Wi-Fi, Bluetooth, balizas o incluso códigos QR.El objetivo final es proporcionar un método para detectar contactos de riesgo con suficiente precisión para el rastreo de contactos.Como la mayoría de las aplicaciones de COVID-19 finalmente usaron Bluetooth por su mayor precisión y privacidad, resumimos brevemente esta tecnología de detección.Cuando dos dispositivos Bluetooth se comunican, el emisor emite su señal a un determinado nivel de potencia, mientras que el receptor observa esta señal a un nivel de potencia atenuado conocido como indicador de intensidad de la señal recibida (RSSI).Dado que la atenuación aumenta con el cuadrado de la distancia, la distancia entre dos dispositivos Bluetooth se puede inferir mediante un modelo de pérdida de ruta.Por otro lado, la duración de un contacto se estima enviando periódicamente mensajes Bluetooth y calculando su distancia.Sin embargo, los valores de RSSI normalmente fluctúan en el tiempo o están influenciados por otros factores como obstáculos y reflejos45.Varios estudios han demostrado que depende de factores como la orientación relativa de los terminales, la absorción por parte del cuerpo humano, el tipo de dispositivos utilizados y si el contacto es interior o exterior17,46.Por ejemplo, la evaluación que se muestra en 46, en la que se utilizaron varias distancias y escenarios utilizando Android Beacon Lib., mostró una precisión cercana al 50 % en interiores y de alrededor del 70 % en exteriores.Sin embargo, esto solo se refiere a la precisión de estimar si un contacto está en el rango de 2 metros, no a la exposición real al virus.El riesgo también depende de muchos otros factores, como la intensidad de la exposición al virus, la calidad del medio y la susceptibilidad de la persona no infectada.Una forma de mejorar esta precisión es usar otros sensores de teléfonos inteligentes para detectar el tipo de ubicación (interior/exterior) y la calidad del medio (temperatura, soleado/nublado).Teniendo en cuenta esta nueva información, y con la combinación de técnicas de aprendizaje automático, es posible mejorar la precisión hasta un 83 % en interiores y un 91 % en exteriores45.Seguimiento de contactos digitales: (1) cuando los teléfonos inteligentes de dos usuarios están dentro del alcance, intercambian sus códigos clave anónimos;(2) si un individuo es detectado positivo, inicia un proceso para rastrear e identificar los contactos anteriores;(3) los usuarios reciben una notificación sobre un contacto de riesgo.El rastreo digital de contactos funciona de manera similar al rastreo de contactos tradicional, pero utiliza teléfonos inteligentes para detectar y registrar los posibles contactos de riesgo (ver Fig. 1).El primer paso es instalar en el teléfono inteligente del usuario una aplicación que estará activa para monitorear estos contactos.Cuando los teléfonos de los usuarios están en contacto durante al menos 15 min ya una distancia inferior a dos metros, la app entiende que ha habido un contacto de riesgo.Para preservar la privacidad, los teléfonos inteligentes intercambian códigos clave anónimos, que pueden usarse para determinar la identidad de las personas contactadas.Si un usuario es diagnosticado como positivo después de realizar una prueba, la aplicación debe ser notificada para iniciar el proceso de seguimiento de los contactos anteriores del usuario, que utilizará las claves generadas de sus contactos anteriores para identificar a los usuarios en riesgo.Luego, los usuarios que hayan tenido contacto con el usuario positivo recibirán una alerta.Sin embargo, ha habido varias consideraciones para el diseño de estas aplicaciones de rastreo de contactos, como dónde se almacenan las claves, cómo se realiza la comparación, algunos problemas de privacidad y los requisitos de adopción.En cuanto a dónde se almacenan y administran las claves, existen dos modelos diferentes: en el enfoque centralizado, las claves generadas se almacenan y administran en un servidor central.De esta forma, cuando se detectan positivos, los usuarios notifican a la aplicación su nuevo estado, que se transmite a los servidores centrales.Luego, los servidores centralizados verifican todos sus contactos de riesgo anteriores, quienes son notificados inmediatamente por la aplicación.Por el contrario, en el enfoque descentralizado, las claves generadas se almacenan en los dispositivos de los usuarios.Solo cuando se detecta un usuario positivo, la aplicación móvil cargará las claves recientes almacenadas localmente en el servidor, que se distribuirán entre todos los usuarios para comparar localmente si han estado en contacto con esta persona.Si bien el enfoque descentralizado parece preservar la privacidad de los usuarios, depende de su voluntad de verificar e informar a las autoridades de salud de este posible contacto de riesgo, siendo menos efectivo que el enfoque centralizado.En ambos modelos, consideramos que la coincidencia de claves y notificaciones con los usuarios es completamente automática e inmediata para acortar el proceso de rastreo.Finalmente, tenga en cuenta que el enfoque centralizado permite varias variaciones.En caso de ser necesario, las autoridades sanitarias pueden tener una supervisión directa de los datos de los usuarios, para que puedan consultar, notificar y gestionar los contactos anteriores.También se puede usar en combinación con el rastreo manual de contactos, por lo que los positivos detectados se notifican a los equipos de rastreo (la aplicación no notifica automáticamente al usuario), y las notificaciones a los usuarios podrían retrasarse.Otro problema de implementación son los requisitos de adopción de la aplicación.Es decir, cómo y cuándo se activa la app de rastreo de contactos.Dado que la efectividad del rastreo de contactos digitales depende de la tasa de adopción, este es un aspecto clave.Existen diferentes estrategias para activar la aplicación: uso obligatorio, opt-in y opt-out.Una adopción obligatoria implica que la aplicación esté siempre activa, por ejemplo, obligando a sus ciudadanos a instalar la aplicación y utilizarla.Esta adopción obligatoria puede verse como una violación de la privacidad en la mayoría de los países.Por lo tanto, la mayoría de las aplicaciones ofrecidas implementaron la estrategia opt-in para activar la aplicación: los usuarios deben descargar la aplicación y optar por usarla de manera proactiva, penalizando su uso.Finalmente, la estrategia de exclusión asume que la aplicación está instalada y activada de forma predeterminada (por ejemplo, al hacer uso de una actualización del sistema operativo).Sin embargo, aunque el usuario todavía tiene la opción de deshabilitar la aplicación, la mayoría de las personas no lo harían47, y esto aumentará su uso.Los requisitos de adopción anteriores consideran a toda la población de un país o estado, lo que dificulta los índices de adopción altos.Sin embargo, podemos mejorar la utilización y la eficacia si consideramos solo a las personas en lugares específicos, como fábricas, festivales de música, campus universitarios, residencias de ancianos y conferencias (a estos grupos se les conoce médicamente como cohortes).La aplicación solo debería funcionar en esas ubicaciones (por ejemplo, al usar el GPS y establecer el área de rastreo donde el teléfono inteligente puede detectar estos contactos) y sería obligatoria (no se pueden plantear problemas de privacidad ya que la aplicación solo rastrea los contactos en esas ubicaciones). ).Adicionalmente, para las residencias de mayores, podemos considerar que los mayores podrían utilizar otros dispositivos más manejables, como pulseras o collares, con capacidades de detección similares a las de los smartphones.Así, considerando los individuos de esas cohortes, la tasa de adopción podría llegar al 100%.Finalmente, y en cuanto a las decisiones de implementación del rastreo de contactos digitales para COVID-19, la mayoría de los países eligieron la API de notificación de exposición de Google/Apple como marco para implementar sus aplicaciones39.Este marco implementó un enfoque descentralizado y activación de Opt-in, limitando, como veremos, su eficiencia.Otros países, como China y Corea del Sur, desarrollaron su propio marco y aplicación, una aplicación obligatoria con un modelo centralizado.Como se detalla en las subsecciones anteriores, varios aspectos técnicos del rastreo de contactos digitales pueden tener un gran impacto en su eficiencia: la precisión de la detección de contactos de riesgo, algunas decisiones de implementación como el enfoque centralizado versus descentralizado y el modelo de adopción.Por lo tanto, en esta subsección, primero evaluamos y parametrizamos el impacto de estos aspectos técnicos;luego, presentamos algunas expresiones simples para evaluar la eficiencia del rastreo de contactos.La precisión es fundamental para detectar contactos físicos reales de riesgo, es decir, un verdadero contacto positivo.Sin embargo, como se detalla en la sección "Estimación de contactos de riesgo", la detección de contactos de riesgo de los teléfonos inteligentes actuales no es lo suficientemente precisa.La detección basada en teléfonos inteligentes puede generar falsos negativos (se pierde un contacto positivo verdadero) y falsos positivos (un contacto falso detectado erróneamente como positivo).Para caracterizar los contactos falsos y negativos, utilizamos las siguientes proporciones: la Relación de Positivos Verdaderos (o sensibilidad), \( TPR \) , es la relación entre el número de contactos positivos detectados y el número real de contactos positivos, y el Relación de falsos positivos, \( FPR \) es la relación entre el número de contactos negativos categorizados incorrectamente como positivos y el número total de contactos negativos reales.El impacto de estas proporciones en el proceso de rastreo de contactos es bastante diferente: un mayor \(TPR \) implica que se pueden detectar y aislar más individuos infectados, y \(FPR \) aumenta el número de personas erróneamente consideradas infectadas (es decir, un falso alarma), y así la gente se aisló innecesariamente.Por ejemplo, la primera evaluación de la aplicación de rastreo de contactos de Inglaterra realizada en agosto de 2020 (basada en la versión 1.4 de la Notificación de exposición de Google/Apple) mostró un \(TPR \) del 69 % y un \(FPR \) del 45 %48.Estos números no eran buenos, sobre todo teniendo en cuenta el alto índice de falsas alarmas que se generaban, lo que minaba la confianza de la gente en la aplicación.Un refinamiento posterior en el algoritmo de clasificación redujo este \(FPR \) significativamente.Los enfoques centralizados y descentralizados tienen un impacto en el tiempo de rastreo de contactos y la cobertura de rastreo.El tiempo de rastreo de contactos TT es el tiempo en días requerido desde que un individuo da positivo hasta la notificación de sus contactos rastreados.La cobertura de rastreo TC es la proporción de contactos anteriores rastreados.Si consideramos que en el enfoque centralizado, todas las claves se cargan en un servidor centralizado, cuando las personas dan positivo, las autoridades sanitarias pueden iniciar de inmediato el proceso de emparejamiento de sus contactos anteriores para obtener una cobertura de rastreo completa (por lo tanto, \(TT \le 1\) día y \(TC=1\) ).Por el contrario, este proceso no es tan rápido en un enfoque descentralizado y depende de la voluntad de los usuarios.En primer lugar, cuando una persona da positivo, debe notificarlo a la aplicación.En segundo lugar, como el emparejamiento se realiza localmente, los posibles contactos anteriores de este nuevo individuo positivo deben consultar la aplicación.Esta verificación producirá retrasos de varios días en la notificación (\(TT>1\) días), y que algunos contactos potenciales no sean notificados, reduciendo la cobertura de rastreo (\(TC<1\) ).Este último valor dependerá de la disposición de los usuarios a consultar su App.Se ha demostrado que la tasa de adopción es un problema crítico en la eficiencia del rastreo de contactos digitales.La pregunta clave aquí es cuántas personas van a usar la aplicación.Como se detalla en el inciso anterior, esta tasa depende del modelo de adopción.Está claro que un modelo obligatorio implicará una alta tasa de utilización, mientras que un modelo Opt-in reducirá significativamente su uso.Desafortunadamente, para el modelo Opt-in utilizado en la mayoría de los países, las tasas de utilización estuvieron en el rango de [0.15, 0.35], muy por debajo de las tasas de utilización necesarias recomendadas para que los modelos sean efectivos.Esta tasa de adopción (AR) se puede usar para estimar la cantidad de contactos que se pueden rastrear y, de alguna manera, determinar aproximadamente la eficiencia del proceso como la proporción de los contactos detectados a todos los contactos reales.Tenga en cuenta que, para detectar un contacto, se requiere que ambas personas utilicen la aplicación.Por tanto, la probabilidad de detectar un contacto es \(AR \times AR\), que es la probabilidad de que en un contacto real ambos individuos utilicen la App.Esta probabilidad significa que el ratio de contactos detectados es \(AR^2\) , lo que implica que se requiere un alto ratio de adopción para poder captar un número considerable de contactos (por ejemplo, con un ratio de adopción de 0,25, solo el 6,25% de los contactos pueden ser capturados).Una forma sencilla de medir la eficiencia del rastreo de contactos es determinar cuántos contactos de riesgo se pueden detectar.La primera expresión, la proporción de contactos rastreados verdaderos \(c_T\), determina la proporción de contactos de riesgo verdaderos detectados con respecto a todos los contactos de riesgo reales.Esta relación se puede obtener teniendo en cuenta la relación positiva verdadera \( TPR \) , la relación de adopción AR y la cobertura de seguimiento TC.Todos estos parámetros reducen el número final de contactos detectados de la siguiente manera:Se puede obtener una expresión similar para determinar el ratio de falsos positivos generados, o ratio de falsas alertas, \(c_A\) , utilizando el ratio de falsos positivos:Como ejemplo, podemos estimar la eficiencia de la aplicación de rastreo de contactos digitales de Inglaterra.Los parámetros se han obtenido de 48,33: las proporciones de verdaderos y falsos positivos fueron del 69% y 45%, respectivamente;la tasa de adopción fue del 28% (de una población total de 58,9 millones) y la cobertura de rastreo del 80%, estimada como el cumplimiento informado de las reglas de cuarentena de las personas que usaron la aplicación.Con estos valores, la relación de contactos rastreados verdaderos \(c_T\) fue de 0,0433, y la relación de alertas falsas \(c_A\) fue de 0,0282.En cuanto a \(c_T\) , esto significa que solo el 4,3% de los contactos reales se detectaron usando la aplicación, lo que puede considerarse una pequeña eficiencia.Sin embargo, para evaluar el impacto real de estos parámetros frente al COVID-19, necesitamos utilizar un modelo epidémico.El modelo que aquí se presenta es un modelo epidémico determinista Susceptible, Infectado, Recuperado (SIR), que considera no solo el impacto de la tecnología de rastreo de contactos digitales a través de los parámetros descritos en la subsección anterior, sino también el efecto de las medidas de cuarentena tomadas en caso de que un individuo se detecta positivo, y la inmunidad debida a las vacunas.El objetivo es obtener un modelo que reproduzca la dinámica de propagación de la enfermedad COVID-19 que se utilizará para evaluar la efectividad del rastreo digital de contactos.El modelo que presentamos aquí es una derivación del modelo de epidemia estocástica presentado en nuestro trabajo anterior8, en el que consideramos la heterogeneidad de los contactos.Así, en nuestro nuevo modelo, consideramos una población de N individuos y homogeneidad de los contactos.Este nuevo modelo también considera el efecto de las medidas temporales tomadas (como el distanciamiento social y la máscara), junto con las tasas de vacunación.Transiciones de nuestro modelo epidémico y sus tasas.(4).proc.Biol.cienciaR. Soc.Li, R. et al.MIT.Común IEEE.revistacomputarNeto.Ciencias de la vidaSoc.computarproc.nacionalAcademiacienciacomúnSistema de base de datos Cochrane.Nat.Medicina.computarEstructura.Biotecnología.proc.nacionalAcademiacienciaGlobo de Lancet.Nat.comúncomputarSostener.cienciaAdv.computarcomúnInformar.Ma, J. et al.Centro Europeo para la Prevención y el Control de Enfermedades.tecnologíacomputarSoc.En t.serv.Autobús.También puede buscar este autor en PubMed Google ScholarTambién puede buscar este autor en PubMed Google ScholarTambién puede buscar este autor en PubMed Google ScholarTambién puede buscar este autor en PubMed Google ScholarLos autores declaran no tener conflictos de intereses.Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios.Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material.Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor.Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt