Modeling the amplification of epidemic spread by individuals exposed to misinformation on social media

Resumen Técnico: Modelado de la Amplificación de la Propagación de Epidemias por Individuos Expuestos a la Desinformación

Planteamiento del Problema
Los resultados de salud pública están significativamente influenciados por factores sociales, particularmente la disposición de las poblaciones para adoptar medidas de mitigación. La evidencia reciente sugiere que la exposición a la desinformación en las redes sociales se correlaciona con un aumento en la reticencia a la vacunación y una reducción en el cumplimiento de las directrices de salud pública. Sin embargo, cuantificar el impacto causal de la desinformación en la dinámica de las epidemias sigue siendo un desafío debido a la falta de modelos holísticos e informados por datos que integren tanto la propagación de la información como la propagación de la enfermedad. Los estudios existentes suelen depender de entornos experimentales simplificados o carecen de una integración real de los datos de las redes sociales con las redes de contacto físico. Este artículo aborda esta brecha proponiendo un marco para estimar el daño adicional causado por la desinformación durante una epidemia, centrándose específicamente en la pandemia de COVID-19 en los Estados Unidos.

Metodología
Los autores proponen un modelo Susceptible Desinformado Infectado Recuperado (SMIR), una simulación de agentes multinivel que acopla una red de difusión de información con una red de contacto físico.

1. Construcción de la Red de Información:

   • Fuente de Datos: El modelo utiliza un conjunto de datos de aproximadamente 26 millones de tuits en inglés sobre las vacunas contra el COVID-19 recopilados entre el 4 de enero y el 30 de septiembre de 2021, de más de 2 millones de usuarios estadounidenses de Twitter.
   • Geolocalización y Filtrado: Los usuarios fueron geolocalizados en 341 condados de EE. UU. (cada uno con >200 usuarios). La alineación política se infirió mediante fuentes de noticias anotadas y algoritmos de propagación de etiquetas.
   • Definición de Desinformación: Se identificaron las cuentas que compartían enlaces a fuentes de baja credibilidad (puntuación NewsGuard < 60) como propagadoras de desinformación.
   • Modelo de Difusión: Un proceso de propagación de opiniones de umbral de un solo paso modela cómo la desinformación convierte a los usuarios ordinarios al estado de "desinformado" (M). Un parámetro de umbral, $\phi$, representa el número de amigos desinformados requeridos para convertir a un nodo ordinario.
     • Un $\phi$ bajo (p. ej., $\phi=1$) representa un escenario de "peor caso" donde una sola exposición conduce a la desinformación (contagio simple).
     • Un $\phi$ alto (p. ej., $\phi=20$) representa un escenario de "mejor caso" donde la población es altamente resiliente a la desinformación.

2. Construcción de la Red de Contacto:

   • Fuente de Datos: Se construyó una red de contacto físico de aproximadamente 20 millones de nodos (que representan una muestra del 10% de la población de EE. UU.) utilizando datos de movilidad de teléfonos celulares de SafeGraph y registros de votación de las elecciones presidenciales de EE. UU. de 2020.
   • Estructura: La red captura patrones de movilidad entre y dentro de los condados. Los atributos de los nodos (desinformado vs. ordinario) se asignan según la distribución derivada de la red de información, asegurando que la división ideológica (Republicano vs. Demócrata) coincida con los registros de votación empíricos.

3. Simulación de la Epidemia (Modelo SMIR):

   • El modelo extiende el marco SIR estándar. Se asume que los individuos ordinarios (O) siguen las directrices de salud pública (uso de mascarillas, distanciamiento, vacunación), mientras que los individuos desinformados (M) se asume que rechazan estas medidas.
   • Parámetros: La probabilidad de transmisión ($p$) y la densidad de contacto ($\bar{k}$) se manipulan para delimitar los escenarios.
     • Ordinario ($O$): $p_O = 0.01$ (mitigación alta).
     • Desinformado ($M$): $p_M = 1.0$ (sin mitigación, alta transmisión).
     • La densidad de contacto se fija en $\bar{k} = 25$ (promedio prepandemia).
   • Las simulaciones se ejecutan durante 100 días, con una tasa de recuperación $\gamma = 0.2$ (cuarentena de 5 días).

Contribuciones Clave

• Integración de Datos del Mundo Real: El estudio va más allá de las suposiciones teóricas al integrar datos de redes sociales a gran escala derivados empíricamente (retuits de Twitter) con datos de movilidad física (rastros de teléfonos celulares) y datos demográficos (registros de votación).
• El Marco SMIR: Introduce un modelo de agentes específico que rastrea explícicamente una subpoblación "desinformada" y su comportamiento diferencial respecto a la transmisión de enfermedades.
• Límites Cuantitativos: Al variar el parámetro de resiliencia $\phi$ y las probabilidades de transmisión, el modelo proporciona límites cuantitativos sobre el daño potencial de la desinformación, en lugar de una estimación puntual única.

Resultados
Las simulaciones comparan un escenario de peor caso (baja resiliencia, $\phi=1$) contra un escenario de mejor caso (alta resiliencia, $\phi=20$):

• Pico de Infección: En el escenario de peor caso, el pico de infecciones diarias es aproximadamente seis veces mayor que en el escenario de mejor caso.
• Temporalidad: El pico de infección ocurre aproximadamente dos semanas antes en el escenario de peor caso.
• Impacto Acumulado: A lo largo del curso de la epidemia simulada, el escenario de peor caso resulta en un 14% adicional de la población total infectada en comparación con el escenario resiliente. Esto representa un aumento relativo del 32% en las infecciones totales.
• Escala: Basándose en los datos del Censo de EE. UU., este 14% adicional se traduce en casi 47 millones de estadounidenses adicionales infectados.
• Impacto Económico: Los autores estiman que los costos de atención médica asociados a estas infecciones adicionales superan los $143 mil millones.

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en proporcionar a los responsables de la formulación de políticas y a las autoridades de salud pública información basada en datos sobre los daños potenciales de la desinformación sobre vacunas en línea. Al establecer un "límite alarmante" sobre las consecuencias de la exposición a la desinformación, el trabajo pretende motivar a las plataformas de redes sociales y a los funcionarios de salud a frenar la propagación de contenido de baja credibilidad.

Los autores declaran explícitamente que sus resultados representan escenarios extremos (usando $p_M=1$ y $p_O=0.01$) y reconocen limitaciones, incluyendo la suposición de un vínculo causal entre la desinformación y el comportamiento de riesgo, el uso de Twitter como un proxy para toda la exposición a la información, y la simplificación de la resiliencia individual como uniforme. Sin embargo, argumentan que, incluso dentro de estas restricciones, el modelo demuestra que la desinformación puede amplificar significativamente la propagación de las epidemias y retrasar los esfuerzos de supresión. El trabajo subraya la necesidad de gestionar la compleja relación entre las redes de información en línea y las redes de contacto físico para controlar eficazmente las crisis epidémicas.