Towards Data Driven Networked Epidemic Modeling:

Se analiza el desarrollo de modelos epidémicos basados en redes de contactos reales, destacando la importancia de utilizar datos empíricos para calibrar predicciones precisas sobre la propagación de enfermedades. A través de un enfoque histórico, compara pandemias como la viruela y la peste bubónica con el COVID-19, argumentando que este último, aunque significativo, no fue ni el más letal ni el de mayor impacto en la historia. La investigación se centra en abordar los desafíos inherentes a los datos de movilidad y contacto, que suelen ser incompletos o sesgados, lo que afecta la validez de los modelos. Se hace un uso intensivo de la teoría espectral de grafos para entender cómo se comportan las epidemias dentro de redes complejas, permitiendo hacer estimaciones sobre la propagación aun cuando la información disponible es limitada. Finalmente, el trabajo propone que la publicación y el acceso a redes de contactos mejorarán significativamente la investigación, especialmente si se integran con nuevos datos, como los de GPS o bluetooth, para optimizar intervenciones en salud pública, a la vez que se reconoce la necesidad de desarrollar modelos más sofisticados y ajustados a escenarios reales.