Aplicación para la detección de patrones epidemiológicos de COVID19

Download

5 Stars (1)

DescriptionPreview

Autor: Guillermo Gabriel Fernandez Amado NEO4J PROV-conector db / convertidor CSV. Aplicación para la detección de patrones epidemiológicos de COVID19 y la implementación de un modelo PROVn para el seguimiento de contagios, deteccion proactiva de vulnerabilidades,  gestion del confinamiento y  evolución clínica de casos, para asistir a la reducción progresiva y selectiva de la cuarentena. Phd Candidato, Guillermo Gabriel Fernández Amado. Ing. Sistemas & Lic. Sociología (Argentina), Master Historia (España), Certified neo4j developer, Desarrollador de Sistema de Prevención de Lavado de Capitales para el Banco Sabadell (Cataluña). Una pandemia prolifera a través de una red de conexiones. La lucha contra una pandemia en expansión es un problema masivo e integral que afecta la salud, la cadena de suministro de servicios y los sistemas sociales de asistencia, así como muchas otras estructuras económicas. Los gráficos son perfectamente adecuados para manejar datos conectados, desde el rastreo de conexiones a través de redes complejas hasta la comprensión de dependencias entre entidades. El seguimiento de las conexiones entre las personas cuando pasan tiempo juntas es un aspecto clave de cómo los gráficos son útiles para responder a la propagación de COVID-19, así como para identificar grupos de actividad. Otro aspecto es la investigación y reutilización de mediamentos y drogas, al comprender cómo funcionan los compuestos existentes, a qué genes afectan y cómo están conectados y relacionados entre sí. Abrimos así oportunidades para identificar y reutilizar los medicamentos existentes. En este momento falta una solución que utilice el framewotk Provenance (W3C) para manejar emergencias epidemiológicas. Proponemos la creación de un modelo COVID19 PROVn, que se utilizará como base de conocimientos georreferenciado de cada caso clínico y de pacientes infectados, seregistre su evolución en forma de series de tiempo, permita el rastreo y administración del historial clínico utilizando el framework de uso cientifico PROV (W3C) y gestione los ingresos de información utilizando Python, archivos CSV y visualización y exploración por medio de Linkurious. En este modelo, los agentes son personas infectadas, vulnerables y potencialmente en riesgo, con o sin síntomas, etc. Las actividades son acciones previas que realizó esa persona, como una retrospectiva de lo que hizo en los últimos días (viajes aéreos, tren, trabajo, visitas a personas, reuniones, asistencia, instalaciones de salud, alimentos, etc.) Las entidades serán elementos potencialmente peligrosos de infección (avión, tren, instalación, oficina, hospital, residencia, apartamento, ruta, edificio, supermercado, reunión, escuela, empresa, etc.). Solo así podremos conocer de forma retrospectiva los pasos previos de esa persona, recolectados por medio de encuestas realizadas oportunamente por la policía, médicos, gobierno, llamadas, etc., de cada uno de los afectados, para así, por ejemplo, anticipar la cuarentena y confinar a los agentes, actividades y / o entidades en riesgo, procediendo a informar a las autoridades competentes de cada caso. Este modelo tiene tres capas, una para el manejo de incidentes usando actividades (incidente, confinamiento), una segunda para monitoreo (evaluación, rastreo) y la capa médica y genética (para expandir con los subsistemas cientificos adcuados). El modelo se instancia a partir de un programa realizado en python (covid19_example.py) y utiliza la aplicacion provconvert para leer un archivo CSV, generar un caso de uso de cada fila y cargar el csv a neo4j usando la notación PROVn. Proporciona un triple nivel de análisis, comenzando con una capa de prevención de contagio y acción de emergencia que detecta comunidades y lugares de riesgo epidemiológico. Una segunda capa que proporciona información y análisis para una gestión correcta y eficiente de los órdenes de confinamiento, evolución y seguimiento de cada caso. Finalmente, una tercera capa que se utilizaría como base de conocimiento para la investigación médica y genética. El framework PROVn es compatible también con los principios POLE . Con Neo4j podemos identificar y notificar de manera rápida y eficiente a personas, objetos, ubicaciones y entidades para que se compartan con funcionarios de salud y recursos sanitarios / policiales para identificar y mapear áreas de preocupación y patrones de anillo / riesgo. El modelo de datos POLE (Persona, Objeto, Ubicación, Evento) se aplica comúnmente a casos de seguridad y uso de investigación como la policía, la lucha contra el terrorismo, el control de fronteras y los servicios sociales. También es una gran opción para el gráfico y los algoritmos gráficos. El modelo de datos POLE puede apoyar investigaciones policiales y de servicios sociales y generar información en tiempo real utilizando el navegador Neo4j, así como algunas visualizaciones de muestra. Algunos de los casos se encuentran en las fuerzas policiales, agencias gubernamentales (de servicios sociales / fiscales), autoridades de inmigración, etc. Todos tienen el mismo requisito de poder analizar y vincular diferentes entidades.


Deja un comentario