Figura. La probabilidad de morir condicionada a las pol\u00edticas de vacunaci\u00f3n con BCG (izquierda). La probabilidad de morir condicionada a la Contaminaci\u00f3n (derecha) muestra la tasa de mortalidad en el percentil 10 (puntos) frente a los del percentil 90 (continuo). El eje x es la edad de los pacientes. Cr\u00e9dito: Instituto Santa Fe <\/p>\n
A medida que el mundo enfrenta la posibilidad de oleadas recurrentes de la actual pandemia del nuevo coronavirus, es fundamental identificar patrones y din\u00e1micas que podr\u00edan aprovecharse para disminuir las tasas futuras de transmisi\u00f3n, infecci\u00f3n y mortalidad. En esta etapa de la pandemia, los datos sobre los patrones y la din\u00e1mica de la enfermedad est\u00e1n surgiendo de casi todos los pa\u00edses del mundo. Las variaciones entre pa\u00edses con respecto a las tasas de infecci\u00f3n por coronavirus, las pol\u00edticas de salud p\u00fablica, la estructura social, las normas, las condiciones de salud, la pol\u00edtica ambiental, el clima y otros factores nos brindan los datos para investigar el impacto de diferentes factores subyacentes y pol\u00edticas gubernamentales en COVID-19 tasas de transmisi\u00f3n, infecci\u00f3n y mortalidad. <\/p>\n
A pesar de que millones se han infectado y cientos de miles han muerto por COVID-19, la informaci\u00f3n disponible a\u00fan es insuficiente para llegar a inferencias y predicciones precisas. Esto se debe a que los datos disponibles sobre cada paciente son muy limitados, las variables de inter\u00e9s est\u00e1n altamente correlacionadas y existe una gran incertidumbre en torno al proceso subyacente. Adem\u00e1s, aunque la tasa de mortalidad por COVID-19 es alta en relaci\u00f3n con otras enfermedades infecciosas, desde un punto de vista inferencial, sigue siendo muy peque\u00f1a, ya que el n\u00famero de muertes en relaci\u00f3n con los que no fallecieron es extremadamente peque\u00f1o. Como resultado, las observaciones se encuentran en la cola de la distribuci\u00f3n de probabilidad de supervivencia. En resumen, los datos disponibles para el an\u00e1lisis de COVID-19 son complejos, en constante evoluci\u00f3n y mal comportamiento. Inferir y modelar con tales datos da como resultado un continuo de explicaciones y predicciones. Necesitamos utilizar un enfoque de modelado e inferencia que produzca la inferencia y la predicci\u00f3n menos sesgadas. Desafortunadamente, los enfoques tradicionales imponen suposiciones y estructuras s\u00f3lidas, la mayor\u00eda de las cuales son incorrectas o no se pueden verificar, lo que lleva a inferencias y predicciones sesgadas, inestables y equivocadas. La teor\u00eda de la informaci\u00f3n ofrece una soluci\u00f3n. Proporciona un marco de inferencia racional para tratar con problemas matem\u00e1ticamente subdeterminados, permiti\u00e9ndonos lograr las inferencias menos sesgadas.<\/p>\n
Un enfoque te\u00f3rico de la informaci\u00f3n, espec\u00edficamente, la infom\u00e9trica se sit\u00faa en la intersecci\u00f3n de la teor\u00eda de la informaci\u00f3n, la inferencia estad\u00edstica, la decisi\u00f3n -realizaci\u00f3n bajo incertidumbre, y modelado. En este marco, toda la informaci\u00f3n entra como restricciones m\u00e1s incertidumbre a\u00f1adida dentro de una configuraci\u00f3n de optimizaci\u00f3n restringida, y la funci\u00f3n de decisi\u00f3n es te\u00f3rica de la informaci\u00f3n. Esa funci\u00f3n de decisi\u00f3n se define simult\u00e1neamente como las entidades de inter\u00e9s, por ejemplo, las probabilidades de supervivencia de los pacientes y la incertidumbre que rodea a las limitaciones. Ese marco ampl\u00eda el principio de m\u00e1xima entrop\u00eda de Jaynes, que utiliza la entrop\u00eda de Shannon como funci\u00f3n de decisi\u00f3n para problemas que est\u00e1n rodeados de mucha incertidumbre. Info-metrics tiene claros paralelismos con enfoques m\u00e1s tradicionales, donde la elecci\u00f3n conjunta de la informaci\u00f3n utilizada (dentro de la configuraci\u00f3n de optimizaci\u00f3n) y una funci\u00f3n de decisi\u00f3n particular determinar\u00e1 una funci\u00f3n de probabilidad. El papel global de la optimizaci\u00f3n restringida garantiza que el marco de infom\u00e9tricas sea adecuado para construir y validar nuevas teor\u00edas y modelos, utilizando todo tipo de informaci\u00f3n. Tambi\u00e9n nos permite probar hip\u00f3tesis sobre teor\u00edas en competencia o mecanismos causales. Para ciertos problemas, la m\u00e1xima verosimilitud tradicional es un caso especial de info-m\u00e9tricas.<\/p>\n
El enfoque de info-m\u00e9tricas es muy adecuado para manejar los datos complejos e inciertos de la pandemia de COVID-19 entre pa\u00edses, espec\u00edficamente el tama\u00f1o de muestra relativamente peque\u00f1o de datos detallados, altas correlaciones en los datos y las observaciones en la cola de la distribuci\u00f3n. Para este an\u00e1lisis, desarrollamos un modelo binario (recuperado\/muerto) de elecci\u00f3n discreta para inferir la asociaci\u00f3n entre los factores subyacentes a nivel de pa\u00eds y la muerte. El modelo controla por edad, sexo y si el pa\u00eds ten\u00eda vacunaci\u00f3n universal contra el sarampi\u00f3n y la hepatitis B. Este enfoque te\u00f3rico de la informaci\u00f3n tambi\u00e9n nos permite complementar los datos existentes con antecedentes construidos a partir de la frecuencia de muerte (por edad y sexo) de las personas que fueron infectados con el S\u00edndrome Respiratorio Agudo Severo (SARS).<\/p>\n
Usando datos de veinte pa\u00edses publicados en el servidor p\u00fablico el 24 de abril de 2020, nuestro estudio encontr\u00f3 una serie de factores a nivel de pa\u00eds con un impacto significativo en la supervivencia tasa de COVID-19. Uno de ellos es la vacunaci\u00f3n universal contra la tuberculosis (BCG) anterior o actual de un pa\u00eds. Otro es la tasa de mortalidad por contaminaci\u00f3n del aire en el pa\u00eds. Algunos resultados cuantificados (por edad, eje x y sexo) se presentan en la siguiente figura. El panel izquierdo muestra la probabilidad de muerte predicha condicionada a una vacunaci\u00f3n universal con BCG. Hay tres posibilidades de vacunaci\u00f3n universal: pa\u00edses que nunca la tuvieron (por ejemplo, Estados Unidos), que la tienen actualmente (por ejemplo, Filipinas) o que la tuvieron en el pasado (por ejemplo, Australia). El enorme impacto en las tasas de supervivencia, a trav\u00e9s de las edades, de una vacunaci\u00f3n universal con BCG es claro. El panel de la derecha demuestra la probabilidad de morir condicionada a la muerte por contaminaci\u00f3n del aire: el n\u00famero de muertes atribuibles a los efectos conjuntos de la contaminaci\u00f3n del aire dom\u00e9stico y ambiental en un a\u00f1o por cada 100 000 habitantes. La l\u00ednea continua refleja el percentil 90 de la contaminaci\u00f3n. La l\u00ednea punteada refleja el percentil 10 de la contaminaci\u00f3n.<\/p>\n
El mismo marco se puede usar para modelar todos los dem\u00e1s problemas relacionados con la pandemia, incluso con mucha incertidumbre y datos complejos en evoluci\u00f3n. Los ejemplos incluyen procesos condicionales de Markov, sistemas din\u00e1micos y sistemas que evolucionan simult\u00e1neamente. El marco de info-m\u00e9tricas nos permite construir teor\u00edas y modelos y realizar inferencias y predicciones consistentes con todo tipo de informaci\u00f3n e incertidumbre. Naturalmente, cada problema es diferente y exige su propia informaci\u00f3n y estructura, pero el marco de info-m\u00e9tricas nos proporciona los fundamentos l\u00f3gicos generales y las herramientas para abordar todos los problemas inferenciales. Tambi\u00e9n nos permite incorporar antecedentes y nos gu\u00eda hacia una correcta especificaci\u00f3n de las restricciones de la informaci\u00f3n que tenemos y usamos, lo cual es un problema no trivial.<\/p>\n
Entonces, \u00bfdebemos usar siempre infom\u00e9tricas? Para responder a esto, es necesario comparar las infom\u00e9tricas con otros m\u00e9todos utilizados para el an\u00e1lisis de pol\u00edticas y la inferencia causal. Todos los m\u00e9todos inferenciales fuerzan elecciones, imponen estructuras y requieren suposiciones. Con datos pand\u00e9micos complejos y de mal comportamiento, se necesitan m\u00e1s suposiciones. Junto con los datos utilizados, estos supuestos impuestos determinan las soluciones inferidas. Los supuestos y estructuras incluyen la funci\u00f3n de probabilidad, la funci\u00f3n de decisi\u00f3n y otros supuestos param\u00e9tricos (o incluso no param\u00e9tricos) sobre la forma funcional o las restricciones utilizadas. La raz\u00f3n de esto es que, sin esta informaci\u00f3n adicional, todos los problemas est\u00e1n subdeterminados. Una forma l\u00f3gica de comparar diferentes enfoques inferenciales (cl\u00e1sico y bayesiano), especialmente en relaci\u00f3n con datos pand\u00e9micos complejos y de mal comportamiento, es dentro de una configuraci\u00f3n de optimizaci\u00f3n restringida. De esa manera, la comparaci\u00f3n es justa, ya que podemos dar cuenta de la informaci\u00f3n utilizada en cada enfoque.3 Pero una comparaci\u00f3n tan detallada, que incluye otros enfoques como los modelos basados en agentes (ABM), merece su propio art\u00edculo y est\u00e1 fuera del alcance. de este ensayo. Aqu\u00ed, se\u00f1alo dos elecciones b\u00e1sicas que debemos hacer cuando usamos el enfoque de m\u00e9tricas de informaci\u00f3n. Primero, la elecci\u00f3n de las restricciones; las restricciones se eligen en funci\u00f3n de las condiciones de simetr\u00eda o la teor\u00eda que conocemos (o hipotetizamos) sobre el problema. Capturan las reglas que gobiernan el sistema que estudiamos. Matem\u00e1ticamente, deben satisfacerse dentro de la optimizaci\u00f3n. Estad\u00edsticamente, si se especifican correctamente, son estad\u00edsticas suficientes. En los enfoques m\u00e1s cl\u00e1sicos y bayesianos, las restricciones est\u00e1n directamente relacionadas con la forma funcional param\u00e9trica utilizada (digamos, lineal, no lineal, etc.). Pero especificar las restricciones dentro de las infom\u00e9tricas, o las formas funcionales en otros enfoques, est\u00e1 lejos de ser trivial y afecta la soluci\u00f3n inferida. Info-metrics nos proporciona una forma de falsificar las restricciones y nos indica la direcci\u00f3n de mejorarlas. Esa elecci\u00f3n, junto con la funci\u00f3n de decisi\u00f3n utilizada, determina la forma funcional exacta de la soluci\u00f3n o la inferencia.<\/p>\n
La segunda elecci\u00f3n que hacemos en el marco de info-m\u00e9tricas es construir las restricciones como estoc\u00e1sticas. Esto es diferente al enfoque cl\u00e1sico de m\u00e1xima entrop\u00eda donde las restricciones deben cumplirse perfectamente. Esto tambi\u00e9n es diferente a los enfoques cl\u00e1sicos donde la probabilidad y las formas funcionales deben especificarse perfectamente. Pero no hay almuerzo gratis. Para lograr este marco m\u00e1s generalizado, que nos permite modelar e inferir una clase m\u00e1s grande de problemas, debemos asumir el costo de especificar los l\u00edmites de la incertidumbre. Estos l\u00edmites se derivan te\u00f3rica o emp\u00edricamente. Pero, independientemente de esa derivaci\u00f3n, implica que a lo que renunciamos es a la seguridad de que nuestra soluci\u00f3n es la mejor; m\u00e1s bien, puede ser una soluci\u00f3n secundaria, una soluci\u00f3n que describa una teor\u00eda aproximada o la evoluci\u00f3n de una teor\u00eda compleja derivada de una combinaci\u00f3n de diferentes elementos y distribuciones subyacentes. El beneficio es que cada vez que tratamos con informaci\u00f3n insuficiente e incierta, nos permite dar cuenta de todo tipo de incertidumbres y manejar datos de mal comportamiento. Nos proporciona una manera de hacer inferencias incluso bajo mucha incertidumbre y datos de mal comportamiento. De todos los m\u00e9todos posibles, es el que utiliza la menor cantidad de informaci\u00f3n y por lo tanto tiende a producir la inferencia menos sesgada.<\/p>\n
Si es m\u00e1s conveniente o apropiado elegir una funci\u00f3n de verosimilitud o determinar la estructura de las restricciones de las condiciones de simetr\u00eda y otra informaci\u00f3n es una decisi\u00f3n que enfrenta cada investigador. Al abordar esta decisi\u00f3n, debemos tener en cuenta que las restricciones son solo una parte de la decisi\u00f3n. Sin embargo, la elecci\u00f3n de qu\u00e9 m\u00e9todo usar depende del problema que tratamos de resolver, la informaci\u00f3n que tenemos y la preferencia del investigador. <\/p>\n
Explore m\u00e1s<\/p>\n
Un estudio sugiere que m\u00e1s personas han tenido coronavirus de lo que se hab\u00eda estimado anteriormente M\u00e1s informaci\u00f3n:<\/strong> ET Jaynes. Teor\u00eda de la Informaci\u00f3n y Mec\u00e1nica Estad\u00edstica, Revisi\u00f3n F\u00edsica (2002). DOI: 10.1103\/PhysRev.106.620 <\/p>\n CE Shannon. Una teor\u00eda matem\u00e1tica de la comunicaci\u00f3n, Bell System Technical Journal (2013). DOI: 10.1002\/j.1538-7305.1948.tb01338.x <\/p>\n Golan, A. (2018). Fundamentos de Info-Metrics: Modelado, Inferencia e Informaci\u00f3n Imperfecta. Prensa de la Universidad de Oxford. info-metrics.org <\/p>\n Golan, A. et al (2020). \u00abEfecto de la vacunaci\u00f3n universal contra la TB y otros factores relevantes para las pol\u00edticas sobre la probabilidad de muerte del paciente por COVID-19\u00bb, documento de trabajo 2020-041, ideas.repec.org\/p\/hka\/wpaper\/2020-041.html<\/p>\n","protected":false},"excerpt":{"rendered":" Figura. La probabilidad de morir condicionada a las pol\u00edticas de vacunaci\u00f3n con BCG (izquierda). La probabilidad de morir condicionada a la Contaminaci\u00f3n (derecha) muestra la tasa de mortalidad en el percentil 10 (puntos) frente a los del percentil 90 (continuo). El eje x es la edad de los pacientes. Cr\u00e9dito: Instituto Santa Fe A medida … Continuar leyendo \u00abInfo-m\u00e9tricas para modelado e inferencia con informaci\u00f3n pand\u00e9mica compleja e incierta\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-32699","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/32699","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=32699"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/32699\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=32699"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=32699"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=32699"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}