Resumen Técnico: Modelado de Datos Adversarios en Epidemiología

Planteamiento del Problema

El modelado epidemiológico depende cada vez más de datos de comportamiento reportados por la propia población y de origen colaborativo (por ejemplo, estado de vacunación, uso de mascarillas, distanciamiento social) para pronosticar la transmisión de enfermedades y guiar las intervenciones no farmacológicas (INF). Sin embargo, estos datos no son muestreos pasivos; son reportes estratégicos. Los individuos suelen falsear sus comportamientos para evitar sanciones, acceder a beneficios o debido a la desconfianza en las autoridades de salud pública (ASP). Este reporte erróneo estratégico introduce sesgos sistemáticos que los modelos tradicionales no logran contabilizar, al tratar los datos reportados como observaciones veraces en lugar de entradas adversarias. En consecuencia, las ASP pueden subestimar parámetros clave, lo que conduce a políticas ineficaces y a una transmisión epidémica sostenida. Los enfoques existentes tratan mayoritariamente la incertidumbre de los parámetros como un problema de estimación estática en lugar de un proceso de comportamiento dinámico impulsado por incentivos.

Metodología

Los autores proponen un marco de teoría de juegos que modela la interacción entre una población y una ASP como un juego de señalización. Este enfoque integra modelos de habla racional (RSA, por sus siglas en inglés) con la dinámica epidemiológica compartimental estocástica.

Marco Central

1. Formulación del Juego de Señalización:

   • Emisores (Individuos): Una población de individuos elige si reporta su tipo de comportamiento real (estado de vacunación y uso de mascarilla) o si engaña. Actúan bajo una racionalidad limitada, sopesando los incentivos individuales (por ejemplo, evitar sanciones) frente a la "pérdida semántica" (el costo de ser malinterpretado o la degradación de la señal colectiva).
   • Receptor (ASP): La ASP observa los mensajes reportados y los datos agregados de hospitalización (el único proxy de verdad absoluta disponible). Actualiza sus creencias sobre el comportamiento de la población mediante la inferencia bayesiana y ajusta los parámetros epidemiológicos (tasa de vacunación $\psi$, tasa de mascarilla $\eta$) para mantener el número de reproducción controlado ($R_c$) por debajo de 1.
   • Funciones de Utilidad:
     • Utilidad del Emisor: Maximiza los incentivos individuales del engaño mientras minimiza la pérdida semántica (inexactitud en la interpretación del receptor) y contabiliza el impacto económico de un $R_c$ elevado (por ejemplo, cierres de negocios).
     • Utilidad del Receptor: Minimiza la distorsión entre las trayectorias de hospitalización predichas y observadas mientras maximiza la ganancia de información de los mensajes reportados.

2. Modelo Epidemiológico:

   • El marco utiliza un modelo compartimental SVEAIR (Susceptibles, Vacunados, Expuestos, Asintomáticos, Sintomáticos, Recuperados).
   • El modelo incorpora las tasas de vacunación y de mascarilla como parámetros que reducen las tasas de contacto.
   • La ASP utiliza una versión estimada de estas ecuaciones diferenciales ordinarias (ODE) para predecir los recuentos de hospitalización ($H(t)$) basándose en los parámetros de comportamiento inferidos.

3. Análisis de Equilibrio:
   El artículo caracteriza analíticamente tres regímenes de equilibrio distintos basados en el grado de engaño:

   • Equilibrio de Separación: Todos los individuos reportan con veracidad. La ASP recupera parámetros sin sesgos, permitiendo un control epidémico efectivo ($R_c < 1$).
   • Equilibrio de Agrupación (Pooling): Todos los individuos no conformes mienten y reportan un cumplimiento total. La ASP no puede distinguir los tipos, dependiendo únicamente de los priors y de los datos de hospitalización, lo que a menudo conduce a una transmisión sostenida.
   • Equilibrio de Agrupación Parcial: Un estado mixto donde algunos individuos mienten mientras otros dicen la verdad. El documento deriva las condiciones para la existencia de este equilibrio y caracteriza la "frontera de tolerancia": el nivel máximo de engaño que el sistema puede soportar manteniendo el control de la epidemia.

4. Política Adaptativa:
   La ASP emplea una política de retroalimentación adaptativa. Actualiza las recomendaciones de intervención ($\psi_r, \eta_r$) minimizando la distorsión entre las hospitalizaciones observadas y las predicciones del modelo, ponderando efectivamente los datos reportados según su credibilidad inferida.

Contribuciones Clave

1. Modelo Epidemiológico de Teoría de Juegos: Los autores vinculan un modelo compartimental estocástico con un juego de señalización de dos jugadores. Esto permite a la ASP inferir la credibilidad y dar cuenta del reporte estratégico erróneo en lugar de asumir la veracidad, diseñando políticas robustas ante datos adversarios.
2. Caracterización del Equilibrio y Diseño de Políticas: El artículo identifica analíticamente cuándo surge el reporte veraz y cómo se pueden ajustar las palancas de política para disuadir el engaño. Propone una política de retroalimentación adaptativa que pondera los datos por su credibilidad inferida para mantener $R_c \leq 1$.
3. Pipeline de Simulación Generalizable: Se desarrolla un marco que integra los equilibrios de los juegos de señalización con la dinámica epidemiológica para estudiar la interacción entre el engaño conductual, la adaptación de políticas y el control de epidemias. Esto permite la evaluación sistemática de intervenciones bajo diversas asunciones conductuales.

Resultados Experimentales

El marco fue evaluado mediante simulaciones de Monte Carlo de una población de 10,000 personas durante 26 semanas, junto con la validación en conjuntos de datos del mundo real (CHECKED, CoAID, datos de CDC/HHS).

• Eficacia de la Retroalimentación Interactiva: La retroalimentación adaptativa e informada por la señal entre la población y la ASP es esencial para el control de la epidemia. En las simulaciones, los equilibrios de separación y de agrupación parcial lograron reducir el $R_c$ por debajo de 1, mientras que los equilibrios de agrupación y las líneas base no interactivas fallaron en controlar la transmisión bajo tasas de comportamiento base bajas.
• Valor de la Información de Datos Imperfectos: Incluso en equilibrios de agrupación parcial con un engaño significativo, la ASP pudo extraer señales accionables. Las creencias posteriores del receptor se mantuvieron no triviales, permitiendo ajustes de política efectivos en comparación con las políticas aleatorias.
• Patrones de Engaño: La estructura del equilibrio domina el nivel de deshonestidad. Los equilibrios de agrupación exhibieron los niveles más altos de engaño (empezando en >0.8), mientras que los equilibrios de separación mantuvieron los más bajos (~0.3).
• Fronteras de Tolerancia: El estudio cuantificó la "frontera de tolerancia", mostrando que a medida que se acumula la cobertura de vacunación y de mascarillas, el sistema se vuelve más robusto al engaño activo. Existe una complementariedad entre las intervenciones; la adopción de una puede compensar parcialmente la baja adopción de la otra respecto a la robustez ante el reporte erróneo.
• Validación con el Mundo Real: El análisis de datos de desinformación del mundo real reveló que las distorsiones conductuales exhiben patrones estructurados (coeficientes de Gini altos) en lugar de ruido arbitrario. El marco propuesto superó a enfoques más simples en escenarios con distorsiones estructuradas dependientes del riesgo, reduciendo los errores de estado de vacunación hasta en un 72%.
• Robustez: Las pruebas de estrés indicaron que, si bien aumentar la eficacia de la vacuna mejoró significativamente el control, las variaciones moderadas en los incentivos conductuales tuvieron efectos limitados en la dinámica a largo plazo. Sin embargo, una alta proporción de no respuesta (NRS) impactó negativamente los puntajes de control de la enfermedad, resaltando la necesidad de una participación suficiente.

Significado y Reivindicaciones

El artículo afirma avanzar en la comprensión de los datos adversarios en epidemiología al cambiar la perspectiva de errores de estimación estáticos a procesos conductuales estratégicos y dinámicos. Argumenta que:

• El Reporte Erróneo Estratégico es una Entrada Adversaria Canónica: Los datos reportados por la población deben modelarse como señales estratégicas en lugar de observaciones pasivas.
• La Estructura del Equilibrio Determina la Calidad del Control: El contenido informativo de los comportamientos reportados y la calidad alcanzable del control epidémico están determinados directamente por el régimen de equilibrio (Separación > Agrupación Parcial > Agrupación).
• La Robustez es Posible: Incluso bajo un engaño generalizado en los equilibrios de agrupación parcial, las estrategias bien diseñadas tanto para el emisor como para el receptor pueden mantener un control epidémico efectivo. (Nota: El artículo indica que los equilibrios de agrupación fallan en alcanzar el umbral epidémico dentro del horizonte de simulación debido a la severa degradación de la calidad de la información).
• Los Patrones Estructurados Importan: Las distorsiones conductuales del mundo real son estructuradas, y los marcos que dan cuenta de esta estructura ofrecen ventajas condicionales sobre los métodos que asumen ruido arbitrario.

Los autores concluyen que su marco ofrece herramientas para diseñar modelos de salud pública más robustos en presencia de un comportamiento estratégico de los usuarios, aunque reconocen limitaciones respecto a la heterogeneidad individual y la complejidad de los entornos de múltiples agentes.