Occupational Risk Profiles for Infectious Disease Transmission in the Philippines: A Data-Driven Clustering Analysis

Este estudio emplea la agrupación basada en datos de indicadores específicos de cada trabajo para identificar perfiles de riesgo ocupacional distintos en la transmisión de enfermedades infecciosas en Filipinas, revelando una gradiente socioeconómica en la que los roles de menores ingresos enfrentan riesgos de exposición más altos y ofreciendo un marco para intervenciones de salud pública dirigidas.

Lo esencial

Imagina a Filipinas como una ciudad gigante y bulliciosa donde todos tienen un trabajo diferente. Algunas personas trabajan en oficinas tranquilas y con aire acondicionado, con sus propias habitaciones privadas, mientras que otras trabajan en mercados abarrotados, hospitales ocupados o en obras de construcción ruidosas.

Este artículo es como una historia de detectives que intenta averiguar qué trabajos son los más peligrosos en cuanto a contraer enfermedades infecciosas (como la gripe o la tuberculosis). En lugar de simplemente adivinar o agrupar los trabajos en categorías amplias (como "salud" o "servicios"), los autores utilizaron una computadora para examinar los detalles reales de 986 trabajos diferentes y clasificarlos en grupos naturales basados en dos cosas principales:

1. Cuánto estás expuesto: Cuántas personas ves, cuánto tiempo permaneces cerca de ellas y qué tan abarrotado es tu lugar de trabajo.
2. Cuánto dinero ganas: Esto actúa como una pista sobre cuánto poder tienes para protegerte (como comprar buenas mascarillas, tomar licencia por enfermedad o trabajar desde casa).

El experimento de la "clasificación inteligente"

Los investigadores probaron cinco formas diferentes de clasificar estos trabajos, algo así como probar diferentes recetas para hornear el pastel perfecto. Utilizaron métodos llamados K-medias, agrupamiento jerárquico y otros.

• Los ganadores: Dos métodos funcionaron mejor. Uno (K-medias) clasificó los trabajos en 4 grandes grupos, y el otro (jerárquico) los clasificó en 6 grupos más detallados.
• Los perdedores: Algunos métodos se confundieron o crearon grupos que no tenían mucho sentido, por lo que los investigadores decidieron centrarse en los dos ganadores.

Los cuatro grupos principales (La "gran imagen")

Utilizando el mejor método, los investigadores encontraron cuatro "barrios" distintos de trabajos:

1. Los "combatientes de primera línea" (Alto riesgo, salario bajo):

   • Quiénes: Médicos, enfermeras, policías, maestros y trabajadores de guardería.
   • La situación: Estas personas están constantemente abrazando, hablando con o ayudando a extraños. Son los primeros en enfermarse porque no pueden evitar fácilmente las multitudes.
   • El problema: A menudo tienen ingresos más bajos, lo que significa que podrían no tener el dinero ni la flexibilidad laboral para quedarse en casa si se sienten enfermos o para comprar la mejor protección.

2. Los "profesionales de oficina" (Riesgo medio, salario alto):

   • Quiénes: Ingenieros, científicos, gerentes y especialistas en tecnología de la información.
   • La situación: Interactúan con personas, pero generalmente en entornos controlados como oficinas o laboratorios. Tienen cierto riesgo, pero es manejable.
   • La ventaja: Tienen ingresos más altos y mayor seguridad laboral, por lo que pueden permitirse mejor equipo de seguridad o trabajar desde casa si es necesario.

3. La "mezcla variada" (Riesgo variable, salario bajo):

   • Quiénes: Trabajadores de la construcción, conductores, personal de ventas minoristas y trabajadores de servicios.
   • La situación: Este es un grupo enorme y desordenado. Algunos días están a salvo; otros días están en lugares muy abarrotados. Su riesgo cambia mucho dependiendo de la tarea específica.
   • El problema: Al igual que los combatientes de primera línea, a menudo tienen ingresos más bajos, lo que dificulta controlar su entorno.

4. Los "VIP" (Bajo riesgo, salario alto):

   • Quiénes: Ejecutivos principales, jueces, oficiales militares de alto rango y pilotos de aerolíneas.
   • La situación: Estos trabajos generalmente se realizan en espacios muy controlados, privados o regulados. Rara vez tienen que hacer fila en medio de una multitud o tocar extraños.
   • La ventaja: Tienen los más recursos y el mayor control sobre su seguridad.

El "zoom" de los seis grupos

Cuando los investigadores utilizaron el método más detallado (la versión de seis grupos), encontraron divisiones aún más interesantes. Por ejemplo, se dieron cuenta de que, aunque todos los "médicos" son de alto riesgo, el tipo de médico importa. Algunos expertos médicos de alto nivel están en un grupo con salarios muy altos pero aún con alto riesgo, mientras que el personal de apoyo está en un grupo con salarios más bajos y alto riesgo. Esto mostró que el dinero no siempre equivale a seguridad, pero sí ayuda a gestionar el riesgo de manera más efectiva.

La gran conclusión

La lección principal de este artículo es que el riesgo no se distribuye uniformemente.

• La injusticia: Las personas que tienen más probabilidades de contraer una enfermedad a menudo son aquellas con menos dinero y menos poder para cambiar su situación.
• La solución: Los autores dicen que no debemos tratar a "todos los trabajadores" por igual. En cambio, necesitamos mirar estos grupos específicos. Si sabemos exactamente qué trabajos son los "combatientes de primera línea", podemos brindarles la mayor protección, las mejores mascarillas y el mayor apoyo, en lugar de intentar arreglar todo con una regla única para todos.

En resumen, el artículo utiliza matemáticas para dibujar un mapa del lugar de trabajo, mostrándonos exactamente dónde están las "zonas de peligro" y quiénes viven en ellas, para que podamos ayudar primero a las personas correctas.

Resumen técnico

Resumen Técnico: Perfiles de Riesgo Ocupacional para la Transmisión de Enfermedades Infecciosas en Filipinas

Declaración del Problema
La transmisión de enfermedades infecciosas en entornos laborales está impulsada por actividades ocupacionales específicas que determinan los patrones de contacto, la duración de la exposición y las condiciones ambientales. Si bien la literatura existente reconoce que las ocupaciones que implican contacto cercano sostenido y condiciones de hacinamiento enfrentan riesgos elevados, las evaluaciones actuales en Filipinas a menudo dependen de clasificaciones amplias basadas en sectores o de enfoques cualitativos descriptivos. Estos métodos no logran capturar la variación granular del riesgo a través de roles laborales específicos y pasan por alto en gran medida la interacción entre las dinámicas de exposición y la vulnerabilidad socioeconómica. En consecuencia, existe una falta de marcos cuantitativos y basados en datos que caractericen el riesgo de transmisión de enfermedades infecciosas en la fuerza laboral filipina para informar intervenciones de salud pública dirigidas.

Metodología
Este estudio emplea un enfoque de aprendizaje automático no supervisado para perfilar el riesgo ocupacional utilizando un conjunto de datos de 986 ocupaciones en Filipinas. El análisis integra dos variables principales:

1. Puntuación de Riesgo de Dispersión de Enfermedades Infecciosas: Derivada del "Calculadora de Riesgo Laboral" (basada en el marco de Dy y Rabajante, 2020), esta puntuación cuantifica la exposición basándose en cuatro determinantes: tasa de encuentro (interacciones por hora), duración del turno de trabajo, densidad de multitudes y nivel de protección (EPP, higiene, controles de ingeniería). La puntuación se calcula como:
   $$Puntuación\ de\ Riesgo = \frac{Puntos\ de\ Encuentro + Puntos\ de\ Duración\ del\ Turno\ de\ Trabajo}{2} \times Densidad\ de\ Multitudes \times (1 - Nivel\ de\ Protección)$$
2. Ingreso Mensual Promedio: Utilizado como indicador de la vulnerabilidad socioeconómica y la capacidad de adoptar medidas de mitigación de riesgos.

El estudio aplica y compara cinco algoritmos de agrupamiento no supervisado para agrupar ocupaciones basándose en estas dos dimensiones:

• Agrupamiento K-means (basado en particiones)
• Agrupamiento Jerárquico (aglomerativo, utilizando el enlace de Ward)
• Agrupamiento Espectral (basado en grafos)
• Modelos de Mezcla Gaussiana (GMM) (basados en modelos)
• DBSCAN (basado en densidad)

La validez y robustez de los grupos se evalúan utilizando métricas internas: la Puntuación Silueta, el Índice Davies–Bouldin (DB) y el Índice Calinski–Harabasz (CH). El estudio prioriza los métodos que demuestran agrupaciones estables, interpretables y bien separadas.

Resultados Clave
El análisis revela que el riesgo ocupacional no está distribuido uniformemente, sino que sigue un gradiente distintivo vinculado a la posición socioeconómica.

• Desempeño Metodológico: K-means ($k=4$) y el Agrupamiento Jerárquico ($k=6$) produjeron las estructuras más estables e interpretables, evidenciado por puntuaciones Silueta y CH más altas e índices DB más bajos. El agrupamiento espectral, GMM y DBSCAN produjeron agrupaciones menos coherentes o fueron excesivamente sensibles a la selección de parámetros.
• Agrupamiento K-means ($k=4$): Identificó cuatro perfiles distintos:
  • Grupo 1: Alto riesgo, ingresos bajos a moderados. Dominado por atención médica (médicos, enfermeras), respuesta de emergencia, cuidado y roles de servicios de alto contacto (docentes, transporte).
  • Grupo 2: Riesgo moderado, ingresos más altos. Compuesto por roles profesionales, técnicos y gerenciales (ingenieros, científicos, especialistas en TI) con entornos estructurados.
  • Grupo 3: Riesgo variable, ingresos bajos a moderados. Una mezcla heterogénea de oficios calificados, logística y roles de servicios.
  • Grupo 4: Bajo riesgo, altos ingresos. Liderazgo senior, ejecutivos y roles especializados (jueces, pilotos) que operan en entornos controlados.
• Agrupamiento Jerárquico ($k=6$): Proporcionó una segmentación más granular, distinguiendo aún más dentro de las categorías de alto riesgo y riesgo moderado. Notablemente, separó los roles ejecutivos de alto rango (bajo riesgo, altos ingresos) de los roles profesionales/técnicos (riesgo moderado, ingresos más altos) e identificó un grupo específico de "alta exposición central" (Grupo 6) dominado por personal clínico y de emergencia con un amplio espectro de ingresos, distinto de los grupos de alto riesgo más amplios orientados a servicios.

Contribuciones Clave

• Estratificación Basada en Datos: El estudio va más allá de las clasificaciones amplias por sectores para proporcionar un marco de estratificación de riesgos a nivel de puesto de trabajo específico del contexto filipino.
• Integración de Socioeconomía: Demuestra explícitamente cómo el riesgo de exposición a enfermedades infecciosas se correlaciona con los niveles de ingresos, destacando que los roles de alto riesgo a menudo se concentran entre trabajadores con menor capacidad económica para mitigar riesgos.
• Comparación Metodológica: Evalúa la eficacia de múltiples algoritmos de agrupamiento para datos de salud ocupacional, estableciendo que los métodos basados en particiones y jerárquicos son superiores para esta estructura de conjunto de datos específica.

Significado y Afirmaciones
Los autores afirman que este estudio proporciona un marco práctico para intervenciones laborales dirigidas y asignación equitativa de recursos de salud pública. Al identificar agrupaciones latentes que capturan características compartidas de exposición y contexto socioeconómico, los hallazgos apoyan:

1. Vigilancia Informada por Riesgo: Priorizar ocupaciones de alto riesgo (por ejemplo, atención médica, servicios de emergencia y servicios de alto contacto) para el monitoreo y la distribución de recursos.
2. Planificación de Políticas: Alejarse de políticas sectoriales de talla única hacia estrategias específicas por ocupación que aborden tanto los riesgos de exposición como las vulnerabilidades estructurales.
3. Equidad: Destacar la desigualdad estructural donde los trabajadores de alta exposición a menudo carecen de los recursos económicos para la mitigación de riesgos, sugiriendo la necesidad de compensación por peligros y estándares de seguridad reforzados.

El documento concluye que, si bien las puntuaciones de riesgo se basan en modelización generalizada y datos transversales, la integración del aprendizaje automático con los principios de salud pública ofrece un enfoque robusto y basado en evidencia para abordar los complejos desafíos de salud ocupacional en Filipinas.