Cómo la IA puede ayudarnos a prepararnos para la segunda ola – Líderes de opinión

Por Eric Paternoster, CEO de Infosys Public Services

Hasta ahora, los modelos de ciencia de datos existentes no han hecho un buen trabajo al predecir la facilidad de transmisión de COVID-19, el alcance de su desarrollo y los brotes en nuevos puntos calientes. Muchos se desarrollaron apresuradamente, con información limitada.

Un modelo de IA, sin embargo, sería adaptable, diseñado para escalar y automatizado, combinando datos sociológicos, económicos y de salud relacionados con COVID para permitir que las economías se reabran con éxito en caso de que ocurra otra ola.

Los datos utilizados en este modelo deben ser precisos y estadísticamente significativos. También deben ser confiables. Hasta ahora, cosas como los valores R, los niveles de inmunidad de rebaño y las tasas de letalidad han sido muy difíciles de estimar en diferentes geografías, especialmente en lugares sin una estrategia coherente de prueba y rastreo de contactos. Otro problema ha sido que, incluso cuando se ha realizado una buena prueba, ha habido diferencias salvajes en las tasas de sensibilidad y especificidad, causadas por la variación en los tipos de pruebas inmunodiagnósticas y las técnicas de recolección de especímenes.

No solo los datos son deficientes, sino que los modelos en sí también han sido defectuosos. El modelo utilizado por la Casa Blanca, desarrollado por el Instituto de Métricas y Evaluación de la Salud, no tuvo en cuenta las diferencias en parámetros regionales clave y asumió que el virus afectaría a la población de la misma manera que en China, España e Italia. Por supuesto, EE. UU. tiene características de población muy diferentes, niveles de cuarentena y disponibilidad de pruebas.

Otros modelos, a menudo desarrollados por universidades líderes en todo el mundo, lo hicieron un poco mejor. Incorporaron estimaciones de contagio, junto con factores que aumentan el riesgo de enfermedad grave o muerte. Pero incluso estos se basaron en suposiciones inexactas, lo que llevó a errores en el modelo de trabajo. Por ejemplo, el modelo inicialmente desarrollado por el Imperial College London no logró inferir el cambio obvio en el comportamiento de la población que aún surgiría en ausencia de intervenciones ordenadas por el gobierno. También carecía de comprensión sobre cómo cambiaría el número de reproducción del virus (R0) debido a este comportamiento.

No es de extrañar, entonces, que haya resultado tanta confusión, especialmente en EE. UU. y el Reino Unido. Aliviar los controles sin preparación para las consecuencias ha sido costoso, incluso cuando es probable que la enfermedad regrese. Deben tomarse medidas ahora para informar la toma de decisiones a un nivel más granular. Las poblaciones deben estratificarse para determinar quién sale de la cuarentena primero. Debe implementarse una estrategia para permitir el rastreo de contactos a gran escala y garantizar que la atención médica sea suficiente en el futuro.

Para ayudar en esto, deben utilizarse redes neuronales artificiales y técnicas de aprendizaje profundo, complementando los modelos epidemiológicos existentes y haciéndolos más dinámicos y receptivos en tiempo real. Este modelo de IA utilizaría aprendizaje semisupervisado o no supervisado y podría funcionar incluso con una entrada limitada de informes de pruebas a gran escala. Sería autosuficiente y requeriría una cantidad reducida de datos para aprender y predecir, en comparación con los modelos actuales. Al ajustar continuamente los parámetros de entrada y aprender continuamente, el modelo generaría predicciones que no sufrirían retrasos de ajuste inevitables.

Con el aprendizaje profundo, la IA podría descubrir patrones complejos, autoaprender y auto sanar automáticamente. Puede autodetectar anomalías y también podría juzgar la precisión de las variables, produciendo resultados mucho más confiables que los modelos de ciencia de datos de COVID existentes.

Los parámetros clave en este modelo de IA se derivarían de informes de pruebas clínicas, datos de rastreo de contactos y conjuntos de datos regionales grandes, e incluirían características de la población regional, estatus socioeconómico y factores de riesgo como el tabaquismo, las dependencias de drogas y la obesidad. El número de individuos infectados que se pusieron en cuarentena y ya no podían propagar la infección se incorporaría al modelo.

Esto daría a los líderes de las fuerzas de tarea las perspectivas necesarias para contener esta enfermedad peligrosa de manera proactiva, permitiéndoles tomar decisiones racionales en tiempo casi real, brindando a las economías mundiales una estrategia de salida robusta y bien informada.