Resumen Técnico: Modelado con Privacidad Diferencial de la Transmisión de Enfermedades en Redes de Contacto Humanas

1. Planteamiento del Problema

Los estudios epidemiológicos sobre enfermedades infecciosas dependen cada vez más de modelos de redes de contacto para capturar las interacciones complejas que gobiernan la propagación de patógenos. Sin embargo, estos datos de redes (que incluyen relaciones sexuales, uso de drogas, etc.) contienen información altamente sensible.

• Riesgo de Privacidad: La publicación de estadísticas de red o incluso resultados de simulaciones de epidemias puede permitir la reidentificación de individuos, especialmente si se combinan con información externa. La simple estructura de la red (por ejemplo, ser el único enlace entre dos grupos aislados) puede revelar la identidad de una persona.
• El Dilema: Existe una tensión entre la necesidad de proteger la privacidad individual (evitando daños sociales o legales) y la necesidad de mantener la utilidad científica de los datos para realizar simulaciones precisas de propagación de enfermedades.
• Limitación Actual: Las técnicas de anonimización tradicionales son insuficientes, y la aplicación de la Privacidad Diferencial (DP) en redes es desafiante debido a la alta sensibilidad global de las estadísticas de red (cambiar un nodo puede alterar muchas aristas).

2. Metodología y Pipeline Propuesto

Los autores proponen un pipeline de tres pasos que integra la Privacidad Diferencial a nivel de nodo (Node-DP) con modelos estadísticos de redes para generar redes sintéticas seguras.

Paso 1: Cálculo de Estadísticas con DP

• Protección: Se utiliza Node-DP, donde la garantía de indistinguibilidad aplica a dos redes que difieren en un solo nodo (individuo) y todas sus aristas conectadas. Esto protege la identidad y todas las conexiones de un individuo.
• Desafío de Sensibilidad: La sensibilidad global de estadísticas como las matrices de mezcla es proporcional al tamaño de la red ($n-1$), lo que requeriría añadir un ruido inaceptablemente grande.
• Solución (Recorte de Grado): Antes de calcular las estadísticas, se aplica un preprocesamiento que limita el grado máximo de cualquier nodo a un parámetro $\Delta$ (grado truncado). Esto reduce la sensibilidad global de $O(n)$ a $O(\Delta)$, permitiendo añadir un ruido controlado (mediante el mecanismo de Laplace) sin destruir la utilidad de los datos.

Paso 2: Ajuste de Modelos Estadísticos

• Las estadísticas de red con ruido (privadas) se utilizan para ajustar modelos generativos de redes, específicamente:
  • Modelos de Bloques Estocásticos (SBM): Basados en matrices de mezcla (ej. por edad).
  • Modelos de Grafos Aleatorios Exponenciales (ERGM): Más expresivos, capaces de capturar distribuciones de grado, homofilia y otras estructuras complejas.
• Estos modelos se ajustan a las estadísticas ruidosas para aprender los parámetros que definen la estructura de la red original.

Paso 3: Simulación de Epidemias

• Se generan múltiples redes sintéticas a partir de los modelos ajustados.
• Sobre estas redes sintéticas, se ejecutan simulaciones de propagación de enfermedades utilizando un Modelo Basado en Agentes (ABM) con dinámica Susceptible-Infecioso-Susceptible (SIS).
• Se evalúan métricas como prevalencia, incidencia y la efectividad de intervenciones (ej. pruebas y tratamiento).

3. Contribuciones Clave

1. Pipeline de Privacidad: Diseño e implementación de un flujo de trabajo completo que permite a los epidemiólogos realizar simulaciones de propagación de enfermedades sobre datos sensibles cumpliendo garantías estrictas de Node-DP.
2. Marco de Evaluación Exhaustivo: Desarrollo de un marco experimental que descompone el error total en fuentes distintas:
   • Error de especificación del modelo (cuando el modelo no captura la complejidad de la red).
   • Error de transformación (debido al recorte de grados $\Delta$).
   • Error de ruido (debido a la DP, controlado por el presupuesto $\epsilon$).
   • Variabilidad de muestreo (redes sintéticas) y de simulación (estocasticidad de la epidemia).
3. Hallazgos Empíricos: Demostración mediante datos reales (estudio ARTNet sobre redes sexuales de hombres que tienen sexo con hombres) de que el ruido añadido por la privacidad es pequeño en comparación con otras fuentes de error inherentes a la práctica epidemiológica estándar.

4. Resultados Principales

Los experimentos se basaron en datos del estudio ARTNet (10,000 nodos) y compararon escenarios con y sin DP bajo diferentes presupuestos de privacidad ($\epsilon \in \{0.5, 1, 5, 10, \infty\}$) y grados truncados ($\Delta \in \{2, 3, 4, 5\}$).

• El error de especificación del modelo es dominante: Si el modelo estadístico (ej. SBM simple) no captura la estructura real de la red (como la homofilia racial o las parejas concurrentes), introduce un sesgo mucho mayor que el ruido añadido por la privacidad. La DP no es la fuente principal de error si el modelo está bien especificado.
• Impacto limitado de la DP: Para valores razonables de $\epsilon$ (especialmente $\epsilon \ge 1$) y $\Delta$ adecuado, la DP no introduce un sesgo significativo en el análisis de epidemias (ni en medidas absolutas como prevalencia, ni relativas como ratios de intervención).
• Precisión a nivel de subgrupos: Cuando el modelo está correctamente especificado (usando ERGMs), las estadísticas de epidemia se mantienen precisas incluso a nivel granular (por grupos de edad y raza), a pesar de la privacidad.
• Variance (Varianza): La varianza introducida por la DP es menor que la varianza inherente al muestreo de redes sintéticas y a la simulación estocástica de la epidemia, que ya forman parte de la práctica epidemiológica estándar.
• Conclusión cuantitativa: El ruido de privacidad es "pequeño" comparado con el error de muestreo y la especificación del modelo.

5. Significado e Implicaciones

• Viabilidad Técnica: El estudio demuestra que es técnicamente factible compartir datos de redes de contacto sensibles para investigación epidemiológica sin comprometer significativamente la precisión de los resultados de simulación.
• Cambio de Paradigma: Sugiere que los curadores de datos sensibles pueden proporcionar conocimientos epidemiológicos valiosos utilizando redes sintéticas generadas con DP, protegiendo la privacidad de los participantes.
• Priorización de Esfuerzos: Para mejorar la precisión de las simulaciones, los investigadores deben priorizar la mejora de la especificación de los modelos de red (capturar mejor la estructura real) sobre la reducción del ruido de privacidad, ya que el primero es la fuente de error más grande.
• Aplicación Práctica: Ofrece un camino hacia el intercambio responsable de datos para la prevención de pandemias, alineándose con regulaciones de privacidad y permitiendo la colaboración entre instituciones sin revelar datos crudos.

En resumen, el artículo valida que la Privacidad Diferencial a nivel de nodo es una herramienta viable y efectiva para la epidemiología de redes, siempre que se utilicen modelos estadísticos adecuados y se gestionen correctamente los parámetros de privacidad y truncamiento.