Con el aprendizaje automático podemos identificar brotes y predecir su desplazamiento.
Recopilar datos pertinentes y estandarizarlos a escala mundial es complicado.
Vincular los datos clínicos y de viaje con los antecedentes familiares y el estilo de vida permitiría realizar predicciones detalladas.
A lo largo de la historia, el desplazamiento de personas ha contribuido a que las enfermedades se propaguen rápidamente por todo el mundo. Desde la pandemia de gripe de 1918, que infectó a 500 millones de personas debido al movimiento masivo de tropas desmovilizadas al final de la Primera Guerra Mundial, hasta virus actuales como la COVID-19, que se ha propagado rápidamente debido a la accesibilidad de los viajes internacionales.
La buena noticia es que, en la era actual de la información, nuestra conectividad global nos otorga una gran ventaja en la lucha contra las enfermedades infecciosas. Podemos analizar grandes volúmenes de datos de distintas partes del mundo para identificar brotes y utilizar modelos avanzados de aprendizaje automático para predecir el desplazamiento futuro entre regiones geográficas. El reto es que recopilar datos pertinentes y estandarizarlos a escala mundial es una tarea compleja.
Una de las claves para recopilar datos sanitarios de buena calidad es el diagnóstico rápido. El sector privado sigue desarrollando innovaciones que permiten recopilar y compartir los resultados de los diagnósticos casi de inmediato, lo que ayuda a vigilar la propagación del virus con mayor rapidez y a mayor escala.
Las empresas de todo el mundo están invirtiendo en el desarrollo de nuevos kits de prueba que permiten detectar la COVID-19 en tan solo 15 minutos, mucho más rápido que los hisopados nasales habituales, cuyo procesamiento puede tardar 24 horas. Las nuevas pruebas permitirán analizar a los pasajeros con síntomas en cuanto lleguen a un aeropuerto, y los resultados se compartirán en tiempo real con las autoridades sanitarias locales a través de una conectividad basada en la nube.
En los controles de inmigración de los aeropuertos, la autenticación biométrica permite el seguimiento en tiempo real de las poblaciones mediante la integración del reconocimiento facial con la imagen térmica. Los sistemas biométricos sin contacto tienen la ventaja adicional de reducir el contacto con superficies compartidas o con escáneres de huellas dactilares.
Un diagnóstico más rápido significa una cuarentena más ágil, lo que ayuda a evitar que un virus se propague a través de un aeropuerto o llegue a un nuevo país. Los diagnósticos rápidos también facilitan un acceso más veloz a datos valiosos que podrían contribuir a que las medidas de contención preventivas sean aún más eficaces.
Pero, en lo que respecta a la estandarización de datos sanitarios de buena calidad a escala mundial y a la oportuna extracción de conclusiones pertinentes para los responsables políticos, nos enfrentamos a dos retos fundamentales.
En primer lugar, recopilar el tipo de datos más útil para el seguimiento de la enfermedad. Hemos visto una avalancha de informes publicados sobre el impacto de la COVID-19, pero gran parte de los datos disponibles carece de granularidad.
Además de las tasas de mortalidad, necesitamos comprender mejor las características demográficas de quienes se han visto afectados. Cuanta más información tengamos sobre qué grupos de edad y qué afecciones preexistentes presentan mayor riesgo, con mayor precisión podremos decidir dónde centrar los esfuerzos de contención o dónde desplegar suministros médicos.
También necesitamos identificar el tipo de conjuntos de datos más amplios que podrían ayudar a indicar cuándo podría propagarse otro virus. Esto podría implicar vigilar la salud de las comunidades que interactúan habitualmente con animales, por si otro tipo de coronavirus saltara de los animales a los humanos, o rastrear otros indicadores, como patrones de salud inusuales, para detener en seco cualquier otra enfermedad nueva.
En segundo lugar, debemos encontrar formas de estandarizar las distintas fuentes de datos. Coordinar las capacidades de diagnóstico y los formatos de intercambio de información entre los hospitales y el sector público no es fácil, a menos que el país en cuestión cuente con un sistema centralizado de historiales de pacientes.
El enfoque de Taiwán basado en el big data aplicado a la sanidad le ha resultado muy útil en este contexto. El Estado ha podido vincular los historiales médicos de la base de datos nacional del seguro de salud con los registros de aduanas e inmigración para identificar y realizar pruebas a personas que habían viajado recientemente desde China, que habían buscado atención médica o que presentaban signos de enfermedad respiratoria grave.
Sin embargo, en muchas partes del mundo, los datos no fluyen con facilidad desde los hospitales hacia el ámbito público ni a través de las fronteras. Todavía no se han desarrollado normas globales de datos, lo que genera lagunas en los conjuntos de datos y retrasos en el uso de los datos para orientar los esfuerzos sanitarios mundiales.
Una forma de acelerar la estandarización de los datos podría ser fomentar una mayor interconectividad entre los sistemas de datos nacionales mediante normas de datos más homogéneas.
Esto requeriría una gran colaboración entre las distintas partes interesadas y podría resultar difícil de promover más allá de las fronteras. ¿Qué país decide qué normas de recopilación de datos de buenas prácticas deben utilizarse? Y ¿qué tan realista es que los países de bajos ingresos, con presupuestos limitados, mejoren sus procesos para alinearlos con los de los países desarrollados?
Otra solución es utilizar la inteligencia artificial para procesar la enorme cantidad de datos ya disponibles en línea procedentes de organizaciones de salud pública, bases de datos poblacionales y registros de transporte. Las plataformas automatizadas de vigilancia epidemiológica ya nos permiten rastrear e identificar la propagación de enfermedades a escala mundial mediante una combinación de aprendizaje automático y procesamiento del lenguaje natural, y fueron capaces de informar sobre la propagación de la COVID-19 más rápido que la Organización Mundial de la Salud y los Centros para el Control y la Prevención de Enfermedades de Estados Unidos (CDC). Otros modelos de IA aspiran a prever cómo el cambio climático y la actividad humana pueden afectar nuestro riesgo de contraer nuevas enfermedades zoonóticas procedentes de animales.
Vincular los datos clínicos y de viaje con datos personales recopilados de las redes sociales, como los antecedentes familiares y los hábitos de vida, permitiría realizar predicciones aún más detalladas relacionadas con los perfiles de riesgo individuales y los resultados sanitarios.
Los críticos de la tecnología de vigilancia podrían señalar rápidamente las amenazas que estos sistemas representan para las libertades civiles. El seguimiento de los movimientos globales de personas y del historial de salud personal es una nueva frontera para el aprendizaje automático y estará sujeto a los mismos controles regulatorios a los que se han enfrentado otras plataformas de inteligencia artificial.
La COVID-19 ha demostrado claramente el coste económico de mantenerse a la defensiva durante un brote de enfermedad infecciosa, y ha puesto de relieve la importancia de invertir en identificar la próxima pandemia antes de que surja. En última instancia, esto dependerá de la colaboración intersectorial y de la capacidad de canalizar la innovación del sector privado hacia la política mediante la cooperación y un flujo constante de información.
