La nueva IA que reinventa la forma de predecir la llegada de futuras pandemias

El pronóstico de pandemias es esencial para proporcionar conocimiento de la situación y respaldar la toma de decisiones de los responsables políticos durante emergencias de salud pública. La capacidad de pronosticar los resultados de las enfermedades a corto plazo es crucial para fundamentar la asignación de recursos y las estrategias de mitigación de riesgos a corto plazo, con el objetivo final de minimizar la carga de enfermedades.

Predominantemente, los modelos de pronóstico existentes utilizados en la investigación y la práctica se pueden clasificar en dos tipos: modelos mecanicistas, que simulan la dinámica de transmisión en la población mediante modelos compartimentados como el  SIR y sus derivados, como detalla un estudio de 'Nature Medicina', y modelos estadísticos, que adoptan enfoques basados ​​en datos para pronosticar las tendencias de las enfermedades utilizando patrones de datos históricos, como refleja otro ensayo de 'Nature Comunications'. 

Diferentes modelos son adecuados para distintas necesidades de pronóstico: los modelos mecanicistas son beneficiosos para las proyecciones a largo plazo debido a su capacidad para integrar supuestos escenarios, mientras que los modelos estadísticos son útiles para el pronóstico a corto plazo porque pueden adaptarse eficazmente a las tendencias inmediatas, como se documenta en 'American Journal of Public Health'. 

Deficiencias reveladas por Cobid-19

A pesar del papel fundamental de los modelos estadísticos en el pronóstico a corto plazo, su capacidad para adaptarse a datos multimodales en tiempo real, responder a políticas que cambian rápidamente, tener en cuenta la aparición de nuevas variantes y traducir los resultados previstos en una guía útil y fiable para la toma de decisiones, no siempre aciertan. 

En consecuencia, los modelos actuales de pronóstico de pandemias a menudo han tenido dificultades para identificar y predecir puntos de inflexión críticos en la trayectoria de la pandemia. Además, la ausencia de una interpretación transparente de estos resultados puede disminuir la confianza pública en estos modelos e incluso potencialmente socavar la eficacia de las respuestas de salud pública.

La pandemia de Covid-19 puso de relieve cada una de estas deficiencias en el conjunto existente de herramientas de pronóstico de enfermedades, que, como resultado, tuvieron dificultades para pronosticar con precisión los patrones de propagación de la enfermedad

Una nueva herramienta más eficaz 

Ahora, sin embargo, se ha desarrollado una nueva herramienta de IA para predecir la propagación de enfermedades infecciosas que supera los métodos de pronóstico de última generación existentes.

La herramienta, creada con apoyo federal de EE.UU por investigadores de las universidades Johns Hopkins y Duke, podría revolucionar la forma en que los funcionarios de salud pública predicen, rastrean y gestionan los brotes de enfermedades infecciosas, incluida la gripe y la Covid-19.

"La pandemia ilustró el desafío de predecir la propagación de la enfermedad debido a la interacción de factores complejos en constante cambio, utilizado por personas de todo el mundo durante la misma. Cuando las condiciones eran estables, los modelos funcionaban correctamente. Sin embargo, cuando surgían nuevas variantes o cambiaban las políticas, no podíamos predecir los resultados porque no contábamos con las capacidades de modelado necesarias para incluir información crítica. La nueva herramienta cubre esta deficiencia", ha afirmado la autora Lauren Gardner, del Johns Hopkins, experta en modelado que creó el panel de control de la Covid-19. El trabajo se ha publicado recientemente en 'Nature Computational Science' .

Durante la pandemia de coronavirus, la tecnología que sustenta la nueva herramienta no existía. El equipo ha utilizado por primera vez el modelado de lenguajes extensos, el tipo de IA generativa más conocido en ChatGPT, para predecir la propagación de la enfermedad. En lugar de tratar la predicción simplemente como un problema matemático, el modelo, llamado PandemicLLM, razona con ella, considerando datos como picos de infección recientes, nuevas variantes y mandatos de uso de mascarillas.

PandemicLLM

El equipo alimentó los modelos con flujos de información, incluidos datos nunca antes utilizados en herramientas de predicción de pandemias, y descubrió que PandemicLLM podía predecir con precisión los patrones de enfermedad y las tendencias de hospitalización con una a tres semanas de anticipación, superando sistemáticamente a otros métodos, incluidos los de mayor rendimiento en CovidHub de los Centros de Control para las Enfermedades (CDC), de Atlanta, EE.UU. 

"Un desafío urgente en la predicción de enfermedades es tratar de descubrir qué impulsa los aumentos repentinos de infecciones y hospitalizaciones, e incorporar estos nuevos flujos de información al modelado", ha insistido Gardner.

El modelo se basa en cuatro tipos de datos:

• Datos espaciales a nivel estatal que incluyen información sobre demografía, el sistema de atención de la salud y afiliaciones políticas.
• Datos de series temporales epidemiológicas, como casos notificados, hospitalizaciones y tasas de vacunación.
• Datos sobre políticas de salud pública, incluidos el rigor y los tipos de políticas gubernamentales.
• Datos de vigilancia genómica que incluyen información sobre las características de las variantes de la enfermedad y su prevalencia.

Después de usar esta información, el modelo puede predecir cómo los distintos elementos se combinarán para afectar al comportamiento de la enfermedad. Para probarlo, el equipo lo aplicó retroactivamente a la pandemia de Covid-19, analizando cada estado de EE. UU. a lo largo de 19 meses. En comparación con otros modelos, la nueva herramienta resultó especialmente eficaz durante la fase de cambio del brote.

"Tradicionalmente, usamos el pasado para predecir el futuro. Pero esto no proporciona al modelo suficiente información para comprender y predecir lo que está sucediendo. En cambio, este marco utiliza nuevos tipos de información en tiempo real", ha declarado el coautor Hao “Frank” Yang, profesor adjunto de Ingeniería Civil y de Sistemas de Johns Hopkins, especializado en el desarrollo de IA fiable.

Adaptarse a cualquier enfermedad

Con los datos necesarios, el modelo se puede adaptar a cualquier enfermedad infecciosa, incluida la gripe aviar, la viruela del mono y el virus respiratorio sincitial. El equipo ahora está explorando la capacidad de los LLM para replicar cómo las personas toman decisiones sobre su salud, con la esperanza de que dicho modelo ayude a los funcionarios a diseñar políticas más seguras y efectivas.

"Sabemos por la COVID-19 que necesitamos mejores herramientas para poder fundamentar políticas más eficaces, Habrá otra pandemia, y este tipo de marcos serán cruciales para apoyar la respuesta de salud pública", ha anunciado Garner.