Inteligencia Artificial y enfermedades infecciosas

Por JARED KALTWASSER

Cuando se trata de enfermedades infecciosas, la prevención, la vigilancia y los esfuerzos de respuesta rápida pueden contribuir en gran medida a frenar o detener los brotes. Pero a medida que la inteligencia artificial y el aprendizaje automático se convierten en partes cada vez más importantes del sistema mundial de atención médica, está surgiendo una nueva estrategia en la lucha contra las enfermedades infecciosas. 

Cada vez más científicos están desarrollando formas de utilizar la inteligencia artificial (IA) para predecir la propagación de enfermedades infecciosas antes de que ocurran. Aunque el proceso es extremadamente complicado, la implementación exitosa del modelado predictivo podría representar un gran avance en la lucha para librar al mundo de algunas de las enfermedades infecciosas más insidiosas.

Y aunque todavía queda un largo camino por recorrer, los funcionarios de salud pública y los epidemiólogos ya están comenzando a ver algunos de los beneficios.

Una de las primeras formas en que se utilizan los algoritmos de IA es ayudar a los funcionarios de salud pública a ajustar sus esfuerzos de prevención y conciencia pública.

«Ya hay muchos modelos existentes que ayudan a responder preguntas sobre quién debe ser examinado en diversos contextos y enfermedades», dijo Sze-Chuan Suen, PhD, profesor asistente de industria y  

Sze-Chuan Suen, PhD

Sze-Chuan Suen, PhDingeniería de sistemas en la Escuela de Ingeniería Viterbi de la Universidad del Sur de California.

Ahora, Suen y otros están trabajando en un objetivo más ambicioso. En lugar de simplemente identificar a las poblaciones en riesgo, están trabajando para calcular la combinación óptima de objetivos para las comunicaciones de salud pública a fin de crear el impacto más amplio posible en la población en general.

Suen formó parte de un equipo de USC que desarrolló un algoritmo para ayudar a las agencias de salud pública a adaptar sus esfuerzos de divulgación para lograr la máxima rentabilidad. Suen y sus colegas probaron su algoritmo utilizando datos del mundo real sobre los esfuerzos de prevención de la tuberculosis en India y la prevención de la gonorrea en los Estados Unidos.

Suen dijo que el modelo fue más capaz de tener en cuenta patrones menos obvios en el comportamiento humano y la transmisión de enfermedades, lo que resultó en que los funcionarios de salud pública recibieran una imagen mucho más refinada de qué grupos particulares de personas se beneficiarían más de las comunicaciones específicas.

«Si bien existen muchos métodos para identificar poblaciones de pacientes para campañas de divulgación de salud, no muchos consideran la interacción entre los patrones cambiantes de la población y la dinámica de la enfermedad a lo largo del tiempo», dijo Suen en un comunicado de prensa que se correlaciona con el lanzamiento del estudio en 2018.
El modelo del equipo sugiere que podría prevenir 8000 casos de TB y 20,000 casos de gonorrea si se usara en lugar de las estrategias actuales.

También se han encontrado resultados similares en otros estados de enfermedad, como el VIH.. En 2014, los investigadores en el Reino Unido buscaron utilizar algoritmos para localizar mejor a las personas que viven con el VIH que no estaban al tanto de su estado de enfermedad. En ese momento, las autoridades de salud pública sospechaban que alrededor de una cuarta parte de los británicos con VIH no sabían que habían contraído el virus.

Utilizando modelos estadísticos, un equipo transatlántico del Reino Unido y los Estados Unidos evaluó las estrategias de prueba y tratamiento y determinó que un enfoque optimizado podría prevenir el 5% de las nuevas infecciones, incluso sin cambios de comportamiento por parte de las personas con VIH.

Del mismo modo, un estudio de 2017 usó modelos y simulaciones para proponer esfuerzos óptimos de prevención del virus de la hepatitis C (VHC) dependiendo del tamaño del presupuesto disponible. Con un presupuesto de $ 1 mil millones, los investigadores encontraron que el mejor uso de los fondos de salud pública es enfocarse completamente en el tratamiento, con énfasis en el tratamiento temprano. Sin embargo, si el presupuesto fuera de $ 5 mil millones, el mejor plan sería gastar inicialmente el 60% del presupuesto en pruebas de detección y el resto en tratamiento, pero en el tercer año reducir la asignación de pruebas de detección a solo el 20%.

En cierto sentido, a medida que más y más información médica se digitaliza y se convierte en datos utilizables, el trabajo de hacer predicciones podría ser más fácil. Sin embargo, Suen señaló que existen limitaciones en términos de qué datos se pueden usar.

«Obviamente, más datos serían útiles, pero esto debe ser equilibrado por cuestiones de privacidad y costos», dijo.

Si presentar predicciones significativas de enfermedades infecciosas basadas en el comportamiento humano es un desafío, el problema se vuelve aún más complejo cuando los científicos intentan usar la IA y el aprendizaje automático para predecir patrones y brotes potenciales entre los no humanos.

Barbara Han, PhD

Barbara Han, PhDEse es precisamente el trabajo en el que se ha comprometido Barbara Han, PhD, del Instituto Cary para Estudios de Ecosistemas.

Han le dijo a Contagion® que si bien es completamente posible clasificar qué especies son reservorios de enfermedades humanas, determinando qué población animal está vinculada a la enfermedad. propagarse a los humanos es extremadamente difícil porque los detalles que sustentan esos cambios cambian constantemente.

“El comportamiento del huésped a veces puede cambiar una vez que el animal se infecta; Los comportamientos del huésped definitivamente cambian en respuesta al movimiento humano, hábitats alterados debido al desarrollo humano, patrones climáticos ”, dijo. «Hay muchas partes móviles».

Han dijo que la vigilancia de los animales puede ser una parte importante de la ecuación, dependiendo de la enfermedad. Y el conocimiento de cuándo y dónde prevalecen los reservorios de animales a veces puede ser suficiente para predecir los posibles sitios de brotes.

De hecho, aunque el rompecabezas que Han y otros científicos están tratando de resolver puede ser extremadamente complejo, hay un número creciente de signos de que el problema es, de hecho, solucionable.

«Estamos en la cúspide de poder poner en funcionamiento diversas tecnologías que hacen predicciones sobre los reservorios de enfermedades, las señales ambientales de infección por derrames, etc.», dijo.

Por ejemplo, el equipo de Han recientemente utilizó inteligencia artificial y aprendizaje automático para predecir qué tipos de murciélagos podrían transportar filovirus como el ébola El modelo utiliza 57 factores diferentes para calcular las predicciones, desde datos de historia de vida y ecología hasta factores biográficos. Las predicciones del equipo fueron corroboradas por un equipo de investigación independiente que realizaba muestras en la naturaleza.

El hecho de que fuera un equipo independiente que realizara la validación da credibilidad a los hallazgos. Sin embargo, Han dijo que la situación ideal sería que los equipos centrados en datos trabajen en asociación con equipos en el campo, maximizando así la información que podría usarse para fortalecer los modelos.

«En el futuro, coordinar a propósito dichos esfuerzos será un gran paso adelante en nuestra capacidad de predecir el riesgo de derrame y tomar medidas para mitigar este riesgo cuando sea alto», dijo. «En última instancia, las predicciones del modelo se validarían a través de la vigilancia dirigida, y la vigilancia de campo mejoraría el rendimiento del modelo».

Si bien todavía hay mucho trabajo por hacer para predecir los brotes antes de que sucedan, la literatura científica es clara en cuanto a que las advertencias anteriores serían de gran ayuda. hacia la reducción de la propagación y el efecto de enfermedades infecciosas como el ébola.

En un resumen Del brote de ébola que afectó a África occidental en 2014, la Organización Mundial de la Salud señaló que los funcionarios en Guinea no identificaron el ébola hasta que ya había estado presente en humanos en el país durante 3 meses. Más de 11,000 personas en todo el mundo finalmente murieron durante el brote, incluidas más de 2500 en Guinea.

Las oportunidades para aprovechar la IA para predecir brotes no solo están llamando la atención en los sectores académico y de salud pública. Una startup malasia, AIME Healthcare (AIME significa Inteligencia Artificial en Epidemiología Médica), desarrolló un programa de IA para rastrear la posible fiebre del dengue brotes Dicen que su sistema de seguimiento no solo incorpora datos de casos existentes, sino que también ofrece predicciones basadas en datos de cuándo es probable que ocurra el próximo brote. El sistema incluye una herramienta de priorización diseñada para ayudar a las autoridades de salud pública a comprender dónde es mejor implementar sus recursos.

La compañía ya ha trabajado con los gobiernos de 5 países para ayudar a los funcionarios de salud pública a prepararse para posibles brotes de dengue.

Si todo va bien, la compañía planea expandir su oferta a otras enfermedades infecciosas, como la malaria y el VIH https://www.contagionlive.com/news/ai-could-present-a-new-paradigm-in-epidemiology


Dejar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *