Universidad Nacionam Mayor de San Marcos.

Fac. Ciencias Matematicas - EAP. Computacion Cientifica

Ciencia de Computación IV (2021-1)

Rastreo Digital del Covid-19

Noemi Bonilla1,2
1
Universidad Nacional Mayor de San Marcos, Lima, Perú
2
Facultad de Ciencias Matematicas - Escuela Academica Profesional de Computación Cientifica

1. INTRODUCCIÓN 2. PRINCIPIOS DE UNA APLICACIÓN DE

En estos últimos años, la humanidad se vio afectada
por una de las mayores catástrofes de los últimos 100
años: la pandemia de COVID-19, que provocó pérdidas
tanto humanas como económicas. El principal esfuerzo
de las autoridades de todos los países fue limitar la
transmisión del virus, aislando los contactos cercanos de
los pacientes confirmados. Para hacer esto, se presionó
a los epidemiólogos infecciosos de todo el mundo. Pro-
ponemos el “Rastreador de contactos COVID-19”, una
herramienta de apoyo para ellos que rastrea los lugares
a donde fue un paciente confirmado, para que toda per-
sona que haya tenido contacto con él pueda llamar a las
autoridades o autoaislarse. La herramienta se basa en
la responsabilidad social de cada persona y la voluntad
de ayudarse a sí misma y a la comunidad. Además de
ayudar a los epidemiólogos y otros médicos, la aplicación
es extremadamente útil para la autoprotección en el con-
texto de una extensa propagación de virus.
RASTREO DE CONTACTOS
AUTOMATIZADA INALÁMBRICA
La idea clave de una aplicación de rastreo de contactos
inalámbrica se ilustra en la Fig.1 . Suponiendo que
hay varios usuarios móviles en una determinada área
geográfica, denotados desde el usuario A hasta el usuario
F , y cada uno de ellos está equipado con algunos sensores
portátiles y / o dispositivos móviles. Por lo general,
los usuarios sin sensores inalámbricos son "invisibles"
para un receptor inalámbrico básico; estos usuarios no
pueden ser considerados en el rastreo de contactos
inalámbricos basado en infraestructura. Las excepciones
podrían ser los usuarios equipados con etiquetas pasivas
para comunicaciones de retrodispersión ambiental u otras
técnicas sofisticadas descritas.

Por tanto, es fundamental desarrollar sistemas para

entender cómo los ciudadanos se mueven y propagan
la enfermedad en este escenario. Así, varios países han
creado aplicaciones de información digital para ayudar a
controlar, monitorear y gestionar la crisis de COVID-19,
como la creación de aplicaciones de rastreo de contactos.
El gobierno peruano en colaboración con varias universi-
dades y empresas privadas diseñó, implementó y desplegó
la aplicación PerúEnTusManos , una aplicación epi-
demiológica de rastreo digital de contactos. Un proceso Figure 1. Ilustración de los principios básicos de una
importante de PerúEnTusManoses la estimación de la aplicación inalámbrica de rastreo de contactos COVID-19.
probabilidad de contagio de una persona con COVID-19
en función de su contacto con personas infectadas.Sin
embargo, aún no se ha investigado la viabilidad de tales Generalmente, los dispositivos de usuario están equipa-
enfoques en el contexto de una solución de rastreo de dos con tecnología de comunicación inalámbrica de corto
contactos. alcance, por ejemplo, Bluetooth Low Energy (BLE)
o IEEE 802.11 (también conocido como WiFi). Por
lo general, el equipo de usuario transmite las balizas
con marcas de tiempo junto con las ID de usuario

, 2021
2
anónimas, por lo que otros usuarios en el rango del
emisor pueden ’escuchar’ y almacenar estas ID y marcas
de tiempo anónimas de los nodos vecinos en su dispositivo.
Por ejemplo, cuando un usuario etiquetado A emite
una señal inalámbrica, los usuarios receptores cercanos
podrían estimar primero la distancia basándose en una
serie de características disponibles como se presenta. En
caso de que la distancia sea menor que un umbral pre-
definido, por ejemplo, el valor es menor que 2 m, como
el umbral de seguridad adoptado por muchos trabajos de
investigación , entonces el usuario receptor almacenará
el anonimato ID del usuario etiquetado por el usuario y
las marcas de tiempo correspondientes. Por lo tanto, se
podría crear un libro mayor de usuarios vecinos por nodo.
3. METODOS
3.1. Métodos para contener la propagación de
enfermedades
Los epidemiólogos infecciosos son los llamados “detectives
de enfermedades” que estudian la “incidencia, distribu-
ción y control de las enfermedades y otros problemas
relacionados con la salud” y tienen que abordar la propa-
gación de enfermedades. Por supuesto que se aplican
métodos cuantitativos, pero inicialmente se requieren
datos. Para obtener enfermedades, datos relacionados con
la propagación, se aplican dos estrategias: implementación
de un método de contención y rastreo de contactos .
La tecnología puede respaldar en gran medida, Google
Trends es un buen ejemplo en este sentido. Debido a la
aparición de COVID-19, se han desarrollado muchas her-
ramientas de TI, muchos de código abierto, por ejemplo,
rastreadores de contratos, herramientas de visualización
de datos, incluso sistemas de recomendación para ayu-
dar a las personas a descubrir proyectos útiles en su
comunidad. Algunos demostraron ser eficientes, por eso
proponemos una aplicación ligera para rastrear a las per-
sonas infectadas con COVID-19 que puede ser utilizada
fácilmente por cualquier persona y alivia la carga de los
epidemiólogos.
La Figura 1 muestra el panorama general del pro-
ceso de PerúEnTusManos para detectar posibles nuevas
infecciones por contactos con personas ya infectadas con
COVID-19. El proceso consta de tres pasos principales.
• Paso 1 - Recopilación de datos: Utilizando datos
de teléfonos celulares, recopilamos identificadores
seudónimos, latitudes, longitudes y marcas de tiempo
de los usuarios de PerúEnTusManos.
, 2021
• Paso 2 - Cálculo de la probabilidad de infección:
En función de los datos recopilados, calculamos la
probabilidad de infección por COVID-19. El paso 2
se sumerge en tres etapas.
La etapa (a) registra los encuentros con personas
infectadas en función del tiempo y la distancia. Tenga
en cuenta que se prueban diferentes parámetros de
distancia y tiempo, la distancia varía de 10 m a 300
m y el tiempo de 5 a 15 minutos.
La etapa (b) calcula las probabilidades de infección
utilizando la Fórmula 1, que se basa en un modelo
de probabilidad de contagio existente. Donde τ es
el tiempo de exposición, r es inactividad, s es
susceptibilidad y ρ es transmisibilidad.
pi,j = 1 − eτ ln(1−rsρi ) (1)
Además, la probabilidad a lo largo del tiempo cuando
una persona tiene diferentes encuentros con COVID-
19 infectada se calcula utilizando la Fórmula 2.
pi,j (t) = pij (t) (1 − pij (t.1)) + pij (n − 1) (2)
la etapa (c) que construye y proporciona una lista
geolocalizada que contiene personas asociadas con
una probabilidad de infección.
• Paso 3 - Identificación de puntos de interés: construye
una cadena de Markov de movilidad individual
(MMC) por usuario para identificar puntos de interés
(POI) como el hogar o el trabajo. El uso de modelos
MMC proporciona varias ventajas asociadas con las
propiedades de movilidad, como la previsibilidad, la
entropía y la distancia media recorrida por día, que
se utiliza para estimar la probabilidad de infección.
Figure 2. Flujo de trabajo para detectar una lista de personas
posiblemente infectadas con COVID-19 según tres pasos: (1)
Recopilación de datos, (2) Cálculo de probabilidad de infección
e (3) Identificación de puntos de interés.
 Rastreo Digital del Covid-19 3

4. APLICACIÓN DE SEGUIMIENTO DE Por supuesto, el éxito de la aplicación se basa en la

CONTACTOS COVID-19 responsabilidad social de cada persona, permitiendo que
un médico envíe su archivo JSON con las ubicaciones
4.1. Tecnologías
visitadas una vez diagnosticado. El flujo de trabajo de la
A medida que las aplicaciones multiplataforma se hicieron aplicación es visible en la Fig.2 . La aplicación tiene dos
cada vez más populares, se implemento una arquitectura
híbrida de la aplicación: una interfaz receptiva común
para usuarios móviles y de escritorio / portátiles. Se creó
la aplicación utilizando la pila web clásica: HTML, CSS,
JS, PHP MySQL. Las bibliotecas y API externas que se
utilizaron son:

• la API de Google Maps JS para representar las ubi-

caciones marcadas en el mapa;

• Abra la API de codificación geográfica de jaulas para

convertir una dirección o el nombre de un lugar en
coordenadas;
Figure 3. Flujo de trabajo de datos en la aplicación de
• ChartJS para representar el número diario de casos seguimiento de contactos COVID-19.
nuevos y el número total de casos.
formas de rastrear los lugares visitados de un paciente
confirmado:
4.2. Principal funcionamiento
• automáticamente: si el paciente usa la aplicación, el
Las principales características de la aplicación son: médico puede tomar el archivo JSON que contiene las
últimas ubicaciones donde el usuario ha estado desde
• Seguimiento de la ubicación de los casos.
el teléfono y cargarlo en el servidor para extraer los
datos requeridos;
• Codificación geográfica para encontrar la ubicación
• manualmente: suponiendo que el paciente confirmado
según la dirección, si el paciente no tiene la apli-
no use la aplicación, el epidemiólogo aún puede
cación instalada.
agregar las ubicaciones al servidor, manualmente, a
través de la sección "Informar caso" de la aplicación;
• Estadísticas sobre el número de casos nuevos y
introducirá las coordenadas, o simplemente la
totales; seguridad y privacidad de los datos del
dirección o el nombre del lugar visitado (ejemplo:
usuario: todos los usuarios, ’los datos se almacenan
“Universidad Politécnica”, “Estación de metro Unirii”,
localmente, en el almacenamiento interno del telé-
etc.) y el servicio de geo codificación recuperará
fono.
automáticamente las coordenadas.
• Distancia del caso a la calculadora del usuario. La aplicación mostrará todas las ubicaciones visitadas
por los pacientes confirmados en el mapa (marcador rojo).
• Alertas de casos cercanos. La ubicación del usuario se detecta automáticamente
(marcador azul) y se calcula la distancia a cada lugar.
La aplicación se ejecuta en segundo plano, guardando
En el lado izquierdo de la aplicación, el usuario puede
todas las ubicaciones donde un usuario ha estado en
ver cuántos lugares están cerca de él (menos de 1 km),
los últimos 14 días localmente en el teléfono, en un
cuántos están entre 1 y 3 km y cuántos están más lejos
archivo JSON. El archivo no se enviará al servidor a
de 3 km. Cuando el usuario hace clic en un marcador, se
menos que el usuario esté confirmado con COVID-19.
muestran la distancia hacia él y la hora en que el paciente
Cada vez que un usuario abre la aplicación, verá un
confirmado estuvo presente.
mapa en el que se encuentran las ubicaciones donde han
estado los pacientes confirmados en los últimos 14 días,
según los datos del servidor. El dispositivo del usuario
5. EXPERIMENTOS Y RESULTADOS
comparará los resultados del servidor con los locales, y
si el usuario estaba en el mismo lugar, al mismo tiempo En esta sección describimos los experimentos del modelo
que un paciente confirmado, recibirá una notificación. y la inferencia de probabilidad de contagio. Como se

, 2021
4
Figure 4. Mapa de pacientes confirmados.
mencionó anteriormente, parametrizamos el modelo de
Fórmula 1 con los valores de los parámetros sugeridos,
donde el tiempo de exposición τ tiene un valor aleatorio
de una distribución gamma, la infectividad r = 0.025
transmisibilidad ρ = 2.2
Para la susceptibilidad s, probamos tres propiedades
diferentes del modelo MMC: predictibilidad, entropía y
distancia promedio recorrida por día como valores de sus-
ceptibilidad. Por lo tanto, probamos con 238 465 usuarios
para verificar la distribución de probabilidad de contagio.
Observamos en la Figura 4 que la probabilidad de
contagio tiene una distribución normal centrada en 0.1
cuando se usa la predictibilidad como valor de suscepti-
bilidad. El principio de la previsibilidad es que cuantos
más puntos de interés visita alguien, menos previsible es.
La Figura 5 muestra la probabilidad de contagio cuando
Figure 5. Probabilidad de contagio usando la Fórmula 1 con
r = 0.025, ρ = 2.2 y s como predictibilidad.
se usa la entropía como susceptibilidad. Observamos una
distribución normal centrada en 0.2, donde la entropía
mide la diversidad de puntos de interés. Por lo tanto,
un individuo que se mueva mucho tendrá un valor de
entropía alto.
, 2021
Figure 6. Probabilidad de contagio usando la Fórmula 1 con
r = 0.025, ρ = 2.2 y s como la entropía.
La Figura 6 ilustra la probabilidad de contagio usando
la distancia promedio recorrida por día. Observamos una
distribución uniforme con dos picos: el primero entre 0 y
0,1 y el segundo entre 0,9 y 1.
Figure 7. Probabilidad de contagio usando la Fórmula 1 con
r = 0.025, ρ = 2.2 y s como la distancia promedio recorrida
por día.
Una vez parametrizado empíricamente el modelo de
Fórmula 1, utilizamos ventanas espacio-temporales de 10
metros y 5 minutos para calcular la probabilidad de con-
tagio para cada encuentro. Luego, generamos una lista
ordenada de probabilidad de contagio que se proporciona
a las autoridades de salud pública para que tomen una
decisión sobre el envío de mensajes SMS de alerta.
Para la inferencia de la probabilidad de contagio, la
Tabla I presenta los diez distritos principales con el
mayor número de casos positivos de COVID-19 recuper-
ados por nuestra propuesta de marzo a octubre de 2020.
Estos distritos se muestran gráficamente en la Figura 7.
En general, la aplicación podría identificar la mayoría de
los distritos más infectados del Perú. También observa-
mos que el modelo podía identificar con mayor precisión
los distritos más altos cuando la aplicación tenía más
 Rastreo Digital del Covid-19 5

usuarios. Además, tenga en cuenta que la Tabla I mues- proceso posibilita entender cómo los individuos con
tra una diferencia entre los valores y el número de casos alta posibilidad de tener coronavirus positivo viajan
registrados por nuestra aplicación y los detectados por diariamente al trabajo en la Perú.
fuentes oficiales. Esta diferencia se debe a que utilizamos • Como resultado, llegamos a la conclusión de que
las geos posiciones de los ciudadanos, mientras que en las aplicaciones de rastreo de contactos digitales
los datos oficiales se utilizan las direcciones legales de los más avanzadas pueden ser eficaces en la prevención
ciudadanos. de enfermedades cuando se utilizan adecuadamente
con otros métodos de prevención, como parte
de un enfoque sistemático que corresponde a la
N° de casos N° de casos implementación de otras precauciones.
Distrito
Ntra. Aplicación Fuente Of.
Santiago de Surco 568 4,223
San Martín de Porres 522 10,851 REFERENCES
San Juan de Lurigancho 467 14,466 • M. Serafino, H. S. Monteiro, S. Luo, S. D. Reis, C.
Los Olivos 350 4,885 Igual, A. S. L. Neto, et al., "Superspreading k-cores at
Ate 328 7,900 the center of covid-19 pandemic persistence", medRxiv,
Lima 325 4,563 2020.
San Miguel 293 2,629 • E. Frias-Martinez, G. Williamson and V. Frias-
Martinez, "An agentbased model of epidemic spread
Chorrillos 266 175
using human mobility and social network information",
Comas 256 8,687 2011 IEEE third international conference on privacy
San Borjas 253 1,992 security risk and trust and 2011 IEEE third interna-
Table 1. Los 10 distritos principales de Lima con el mayor tional conference on social computing, pp. 57-64, 2011
número de casos positivos de Covid-19 • Y. J. Park, Y. J. Choe, O. Park, S. Y. Park, Y.-M. Kim,
J. Kim, S. Kweon, Y. Woo, J. Gwack, S. S. Kim et al.,
"Contact tracing during coronavirus disease outbreak
south korea 2020", Emerging infectious diseases, vol.
26, no. 10, pp. 2465-2468, 2020.
• C. Whitne, Los epidemiólogos son los ’detectives de
enfermedades’ que protegen la salud pública , 2020,

Figure 8. Mapa de infecciones de Lima.

6. CONCLUSIONES
• Proponemos la aplicación COVID-19 Contacts
Tracker, que se fundamenta en una pila web típica,
que se puede usar de forma fácil en móviles, el dispos-
itivo de electrónica de consumo más exitoso de esta
época.
• En este trabajo, presentamos un proceso de
PerúEnTusManos , la aplicación peruana de rastreo
de contactos, para identificar una lista de individuos
probablemente infectadas con coronavirus. Este

, 2021