Un grupo de investigadores de la Universidad Nacional de San Martín (Unsam), encabezado por Ezequiel Álvarez, está creando un modelo de inteligencia artificial bayesiana que ayudará a predecir brotes de dengue en áreas urbanas. Este proyecto es resultado de una colaboración con el gobierno de la provincia de Buenos Aires en el ámbito de la innovación tecnológica.
A principios de este mes, Nicolás Kreplak, el ministro de Salud de la provincia de Buenos Aires, dio a conocer un conjunto de medidas para combatir el dengue, que complementan las campañas de vacunación. Entre estas acciones, se resalta la integración de telemedicina y la aplicación de herramientas de machine learning, diseñadas por la Escuela de Ciencia y Tecnología (ECyT) de la Unsam, con el fin de prevenir la aparición de brotes de la enfermedad.
con-todas-las-variables-interconectadas-gracias-a-2PYYEYQIUNFG5DJAHHHSWP7A6M.avif
“Prevemos que la temporada de dengue durante este año sea muy grande, incluso superior a la del año pasado. Frente a este contexto, creemos que la mejor forma de organizar el sistema de salud es garantizar que a la guardia hospitalaria vayan las personas que necesiten recibir atención de mayor complejidad. Es que los casos leves solo requieren de reposo e hidratación. Por eso utilizaremos la telemedicina para realizar el diagnóstico, el seguimiento de los casos y la observación. Esto es importante porque a veces esperar en una guardia con muchas personas puede provocar que no se llegue a acceder a esas medidas de cuidado necesarias y, además, puede ser difícil que los casos más graves lleguen a atenderse con rapidez por el nivel de saturación de la atención en las guardias”, comentó Kreplak en una entrevista con La Nación.
Además de la telemedicina, la Provincia está implementando un sistema de alarmas tempranas. Los ciudadanos pueden llamar al 148 para informar sobre la aparición de síntomas y recibir asistencia médica a distancia. Esta información también proporcionará a los responsables del área de Salud datos esenciales. Combinada con la información de la vigilancia epidemiológica y de las guardias médicas, entre otras fuentes, esto permitirá desarrollar un modelo de inteligencia artificial que identifique las áreas con mayor riesgo de propagación del dengue. “De esa manera podremos orientar con mayor fuerza las acciones estratégicas para reducir o morigerar la cantidad de contagios”, afirma el ministro de Salud bonaerense.
El proyecto al que se refiere Kreplak es una iniciativa interdisciplinaria que incluye la colaboración de biólogas, zoólogas, epidemiólogas y miembros del equipo del gobierno provincial.
el-dengue-se-contagia-por-la-picadura-del-VYNUJTEDOFEQNNIQ4SPVPFIUCA.avif
La inteligencia artificial bayesiana es un método que se fundamenta en el aprendizaje a partir de la experiencia, combinado con la aplicación del Teorema de Bayes. “En bayesian machine learning se aprovecha la parte sobre la que se tiene conocimiento, las relaciones entre los procesos y, a partir de las magnitudes observadas durante un tiempo, se pueden inferir verdaderas relaciones. Al hacer esto, el modelo aprende cómo se relacionan los procesos, entonces puede comenzar a inferir las magnitudes no observadas con la información que va llegando de las magnitudes observadas”, contó Álvarez.
De acuerdo con lo que menciona el científico, el Teorema de Bayes es una herramienta que se aplica en situaciones donde se desconoce cierta información, pero se cuenta con datos observados y accesibles. Con esta información, se puede calcular la probabilidad del dato desconocido. “Nosotros queremos identificar la distribución probable de la cantidad de mosquitos infectados en cada manzana del Gran Buenos Aires. Esa es nuestra ‘variable latente’ a la que queremos llegar; para conseguirlo utilizaremos datos sobre la cantidad de llamadas al 148, densidad de población, nivel socioeconómico, cantidad de personas en las guardias hospitalarias, descacharreo y el clima de los últimos días, entre otros datos. Con todas las variables interconectadas y, gracias a la IA bayesiana, podremos encontrar la probabilidad de mosquitos en cada manzana”, comentó, a la vez que destacó que, aunque no podrán determinar la cantidad exacta de mosquitos, el sistema de IA les facilitará inferir una distribución de probabilidad.
close-up-of-mosquito-sucking-blood-from-human-arm-1-scaled.jpg
Un modelo de inferencia bayesiana resulta bastante eficaz para estudiar un fenómeno tan intrincado como la epidemia del dengue. Esto se debe a que las personas infectadas se desplazan, al igual que los mosquitos que transmiten la enfermedad. Además, hay factores como el tiempo que demora en manifestarse los síntomas y el período que transcurre antes de que un mosquito comience a contagiar. Existen numerosas variables en juego, todas ellas complicadas, y una serie de procesos que deben ser considerados.
“Tenemos que crear un modelo que aprenda de mirar todas las manzanas a la vez, durante todo el tiempo, y considerar todas las variables interconectadas, que son muchas. Cuando el modelo de inteligencia artificial bayesiano empiece a ver la data que estamos incorporando, empieza a aprender y puede estimar, día a día, la distribución de probabilidad de mosquitos de cada manzana”, mantuvo.
Álvarez informa que desarrollaron una versión inicial del modelo. “Está funcionando muy bien y esperamos que mejore porque va aprendiendo a medida que pasa el tiempo. En este momento estamos haciendo un análisis previo de los datos del año pasado con la IA bayesiana para entender la correlación entre los datos. Todavía no está definido el modelo final”, indica.
El-Dengue-en-Argentina-Desafios-y-Prevencion-web.jpg
El principal objetivo de este grupo de investigadores es crear un mapa que les permita inferir, basándose en dicho mapa y en las observaciones de la epidémica del año pasado, cómo se lleva a cabo el descacharreo en el Gran Buenos Aires. “Esto también nos va a dar el grip y la práctica para empezar a usar el modelo cuando lleguen los datos de esta temporada”, añade el investigador.
Se espera que los datos con el modelo finalizado estén disponibles a principios de diciembre. Álvarez aclara que no tiene sentido finalizarlo en este momento, ya que el programa puede seguir aprendiendo y perfeccionándose hasta entonces. “Para que este modelo mejore, creamos datos sintéticos y verificamos la performance del modelo, por ejemplo. Hacemos discusiones grupales y surgen ideas para incorporar más datos. Por ejemplo, hace unos días se nos ocurrió sumar información geográfica de dónde se hace campaña”, revela.
La inteligencia artificial mejora con cada uso, “Cuando empiecen a llegar los datos de este año, que suponemos será entre noviembre y diciembre, el modelo aprenderá y va a ser cada vez más preciso para poder estimar las variables que hoy no se pueden medir como la probabilidad de la cantidad de mosquitos enfermos en cada manzana”, enfatiza el científico.
infomed-dengue-vacunas-ramiro-heredia.png
“Al correr el modelo, junto con los datos que irán llegando de la epidemia, esperamos hallar que en algunos lugares esta distribución de probabilidad será mayor que en otros y esa información será clave para tomar acciones ágiles y eficientes a través de políticas públicas y, de esta manera, prevenir los brotes de dengue”, finalizó.
El investigador resume que este avance debería permitir a las autoridades pertinentes llevar a cabo diversas acciones para mitigar los brotes de dengue, optimizar los recursos en salud pública y reforzar la prevención continua. Como resultado de estas iniciativas, se espera una reducción significativa en el número de enfermos y en los costos para el sistema de salud.
