Incorporating county-level NO2 data into a metapopulation model: a case study of the first COVID-19 wave in Oklahoma

Resumen Técnico: Incorporación de datos de NO2 a nivel de condado en un modelo de metapoblación para la primera ola de COVID-19 en Oklahoma

Planteamiento del problema
Si bien los estudios epidemiológicos han establecido asociaciones entre la exposición al dióxido de nitrógeno (NO2) y una mayor susceptibilidad a las enfermedades infecciosas respiratorias, y la evidencia biológica sugiere que el NO2 aumenta la vulnerabilidad a la infección, existe una escasez de modelos epidémicos mecanísticos que integren explícitamente los datos de contaminantes atmosféricos. Los modelos existentes a menudo no logran considerar cómo los factores ambientales modulan directamente la dinámica de transmisión junto con la movilidad humana.

Metodología
Los autores presentan un novedoso modelo de metapoblación informado por NO2 y movilidad para analizar la primera ola de la pandemia de COVID-19 en Oklahoma. La metodología integra dos flujos de datos primarios:

1. Datos ambientales: Las concentraciones de NO2 a nivel de condado se incorporan directamente a las tasas de infección mediante una parametrización de primer orden.
2. Datos de movilidad: Se utilizan patrones de movilidad de alta resolución para capturar la conectividad interprovincial heterogénea.

El estudio emplea simulaciones numéricas para explorar cómo niveles variables de sensibilidad ambiental afectan las trayectorias de los brotes. Además, el modelo se ajusta a los datos de incidencia de COVID-19 por condado y se compara rigurosamente contra dos líneas de base:

• Un modelo SIR clásico ajustado de forma independiente para cada condado.
• Un modelo basado únicamente en la movilidad donde se elimina el NO2 y se asume que las tasas de infección son homogéneas entre los condados.

El desempeño se evalúa utilizando métricas de error estándar, específicamente el error cuadrático medio normalizado (nRMSE), a través de diferentes etapas epidémicas: aumento (surge), pico, post-pico y declive.

Resultados clave

• Dinámica de simulación: Las simulaciones numéricas indican que una mayor sensibilidad ambiental conduce a brotes más tempranos y sincronizados entre los condados, mientras que una menor sensibilidad resulta en trayectorias retrasadas y asincrónicas.
• Desempeño del modelo frente al SIR: Al ajustarse a los datos históricos, el modelo propuesto superó al modelo SIR independiente en más del 75% de los condados de Oklahoma en todas las métricas de error estándar.
• Precisión de pronóstico: El modelo propuesto demostró capacidades de pronóstico superiores en todas las etapas epidémicas. Las tasas de éxito frente al modelo SIR por nRMSE fueron:
  • Aumento (Surge): 59.74%
  • Pico: 87.01%
  • Post-pico: 80.52%
  • Declive: 88.31%
• Contribución del NO2: El aislamiento del componente de NO2 reveló que este mejoró significativamente los pronósticos durante los períodos de alta incidencia. Específicamente, la inclusión de NO2 mejoró los pronósticos a nivel de condado durante las etapas de aumento (94.81% de los condados), post-pico (88.31%) y pico (62.34%) en comparación con el modelo basado solo en movilidad. Sin embargo, el término de NO2 no produjo mejoras durante las etapas de inicio y declive.

Significancia y afirmaciones
El artículo afirma que la exposición ambiental, específicamente el NO2, puede integrarse directamente en la estructura de transmisión de un modelo epidémico mecanístico. Los autores sostienen que esta integración produce ganancias de pronóstico mensurables, particularmente durante los períodos de alta incidencia, demostrando que la combinación de datos ambientales con patrones de movilidad proporciona un marco más robusto para comprender y predecir la dinámica epidémica que los datos de movilidad o los modelos compartimentales estándar por sí solos.