La inteligencia artificial va a cambiar el mundo de un modo inimaginable, en todos los sentidos, por ejemplo, a la hora de afrontar futuras pandemias como la que ha ocurrido con la Covid-19.
Así queda de manifiesto en un nuevo estudio llevado a cabo por investigadores de la Universidad de Gotemburgo, que han analizado cómo se puede utilizar el aprendizaje automático para encontrar métodos de prueba efectivos durante los brotes epidémicos, lo que ayuda a controlar mejor los brotes.
En el estudio, los investigadores desarrollaron un método para mejorar las estrategias de prueba durante los brotes epidémicos y, con información relativamente limitada, poder predecir qué individuos ofrecen el mejor potencial a la hora de realizar las pruebas.
Según Laura Natali, investigadora de la Universidad de Gotemburgo y autora principal del estudio publicado, “este puede ser un primer paso para que la sociedad obtenga un mejor control de futuros brotes importantes y reduzca la necesidad de volver a tener que imponer confinamientos”.
El aprendizaje automático es un tipo de inteligencia artificial basado un modelo matemático en el que los ordenadores están capacitados para aprender a ver conexiones y resolver problemas utilizando diferentes conjuntos de datos.
Los investigadores utilizaron el aprendizaje automático en una simulación de un brote epidémico, en el que se utilizó información sobre los primeros casos confirmados para estimar las infecciones en el resto de la población. Se utilizaron datos sobre la red de contactos de la persona infectada y otra información: con quién ha estado en contacto cercano, dónde y durante cuánto tiempo.
La utilización del aprendizaje automático o machine learning tiene mucho que decir de cara a las futuras posibles pandemias
“En el estudio, el brote se puede controlar rápidamente cuando se usa el método, mientras que las pruebas aleatorias conducen a una propagación incontrolada del brote con muchas más personas infectadas. En condiciones del mundo real, se puede agregar información, como datos demográficos, la edad y las afecciones relacionadas con la salud, que pueden mejorar aún más la eficacia del método. El mismo método también se puede utilizar para prevenir reinfecciones en la población si la inmunidad después de la enfermedad es solo temporal”, asegura la autora.
Aunque el estudio es una simulación y se necesita probar con datos reales para mejorar aún más el método, es un gran avance y puede suponer un primer paso para poder implementar iniciativas más específicas para reducir la propagación de infecciones, ya que la estrategia de prueba basada en aprendizaje automático se adapta automáticamente a las características específicas de las enfermedades. Como ejemplo, menciona el potencial para predecir fácilmente si un grupo de edad específico debe ser evaluado o si un área geográfica limitada es una zona de riesgo, como una escuela, una comunidad o un vecindario específico.
“Cuando ha comenzado un gran brote, es importante identificar rápida y eficazmente a las personas infecciosas. En las pruebas aleatorias, existe un riesgo significativo de no lograrlo, pero con una estrategia de prueba más orientada a objetivos podemos encontrar más personas infectadas y, por lo tanto, también obtenemos la información necesaria para disminuir la propagación de la infección. Demostramos que el aprendizaje automático se puede utilizar para desarrollar este tipo de estrategia de prueba”, asegura Natali.