La intel·ligència artificial canviarà el món d'una manera inimaginable, en tots els sentits, per exemple, a l'hora d'afrontar futures pandèmies com la que ha passat amb la Covid-19.
Així queda de manifest en un nou estudi dut a terme per investigadors de la Universitat de Gotemburgo, que han analitzat com es pot utilitzar l'aprenentatge automàtic per trobar mètodes de prova efectius durant els brots epidèmics, la qual cosa ajuda a controlar millor els brots.
En l'estudi, els investigadors van desenvolupar un mètode per millorar les estratègies de prova durant els brots epidèmics i, amb informació relativament limitada, poder predir quins individus ofereixen el millor potencial a l'hora de realitzar les proves.
Segons Laura Natali, investigadora de la Universitat de Gotemburgo i autora principal de l'estudi publicat, "aquest pot ser un primer pas perquè la societat obtingui un millor control de futurs brots importants i redueixi la necessitat de tornar a haver d'imposar confinaments".
L'aprenentatge automàtic és un tipus d'intel·ligència artificial basat un model matemàtic en el qual els ordinadors estan capacitats per aprendre a veure connexions i resoldre problemes utilitzant diferents conjunts de dades.
Els investigadors van utilitzar l'aprenentatge automàtic en una simulació d'un brot epidèmic, en el qual es va utilitzar informació sobre els primers casos confirmats per estimar les infeccions en la resta de la població. Es van utilitzar dades sobre la xarxa de contactes de la persona infectada i una altra informació: amb qui ha estat en contacte proper, on i durant quant temps.
"En l'estudi, el brot es pot controlar ràpidament quan s'utilitza el mètode, mentre que les proves aleatòries condueixen a una propagació incontrolada del brot amb moltes més persones infectades. En condicions del món real, es pot agregar informació, com a dades demogràfiques, l'edat i les afeccions relacionades amb la salut, que poden millorar encara més l'eficàcia del mètode. El mateix mètode també es pot utilitzar per prevenir reinfeccions en la població si la immunitat després de la malaltia és només temporal", assegura l'autora.
Encara que l'estudi és una simulació i es necessita provar amb dades reals per millorar encara més el mètode, és un gran avenç i pot suposar un primer pas per poder implementar iniciatives més específiques per reduir la propagació d'infeccions, ja que l'estratègia de prova basada en aprenentatge automàtic s'adapta automàticament a les característiques específiques de les malalties. Com a exemple, esmenta el potencial per predir fàcilment si un grup d'edat específic ha de ser avaluat o si una àrea geogràfica limitada és una zona de risc, com una escola, una comunitat o un veïnat específic.
"Quan ha començat un gran brot, és important identificar ràpidament i eficaçment les persones infeccioses. En les proves aleatòries, hi ha un risc significatiu de no aconseguir-ho, però amb una estratègia de prova més orientada a objectius podem trobar més persones infectades i, per tant, també obtenim la informació necessària per disminuir la propagació de la infecció. Demostrem que l'aprenentatge automàtic es pot utilitzar per desenvolupar aquest tipus d'estratègia de prova", assegura Natali.