Cómo los ordenadores aprendieron a predecir el brote de COVID-19

Imagine una época en la que su protección facial antivirus es como un paraguas. La mayoría de los días permanece en el armario o guardado en algún lugar del coche. Pero cuando se prevé un brote de COVID-19, puede utilizarlo.

Más allá de eso, un pronóstico viral inclemente podría inducirle a elegir una mesa al aire libre cuando quede con un amigo para tomar un café. Si es probable que contraer el coronavirus le ponga gravemente enfermo, podría optar por trabajar desde casa o asistir a los servicios religiosos por Internet hasta que haya pasado la amenaza.

Un futuro así presupone que los estadounidenses harán caso de las advertencias de salud pública sobre el virus pandémico, y eso es un gran problema. si. También supone la existencia de un sistema que pueda predecir con fiabilidad brotes inminentes con pocas falsas alarmas, y con la suficiente puntualidad y precisión geográfica como para que el público confíe en sus previsiones.

Un grupo de aspirantes a pronosticadores dice tener los ingredientes de ese sistema. Su propuesta para crear un informe meteorológico viral se ha publicado esta semana en la revista Science Advances.

Al igual que los modelos meteorológicos que impulsan las predicciones del tiempo, el sistema para predecir los brotes de COVID-19 surge de un río de datos alimentados por cientos de flujos de información local y global. Entre ellos se incluyen búsquedas en Internet con fecha y hora de síntomas como opresión en el pecho, pérdida de olfato o agotamiento; tuits geolocalizados que incluyen términos como “corona”, “pandemia” o “compras de pánico”; datos de localización agregados de teléfonos inteligentes que revelan cuánto viaja la gente; y un descenso de las solicitudes de direcciones en línea, lo que indica que sale menos gente.

El volumen de información resultante es excesivo para que lo gestionen los humanos, por no hablar de interpretarlo. Pero con la ayuda de potentes ordenadores y programas informáticos entrenados para filtrar, interpretar y aprender de los datos, empieza a surgir un mapa.

Si se coteja ese mapa con los datos históricos -en este caso, dos años de experiencia pandémica en 93 condados- y se actualiza en consecuencia, se puede tener un sistema de previsión de brotes de enfermedades.

Eso es exactamente lo que ha hecho el equipo dirigido por un informático de la Universidad Northeastern. En su intento de crear un sistema de alerta temprana de brotes de COVID-19, los autores del estudio construyeron un sistema de “aprendizaje automático” capaz de masticar millones de rastros digitales, incorporar nuevos desarrollos locales, perfeccionar su enfoque en señales precisas de enfermedad y generar avisos oportunos de inminentes oleadas locales de COVID-19.

Entre las muchas búsquedas en Internet, una resultó ser una señal de advertencia especialmente buena de un brote inminente: “¿Cuánto dura el COVID?”

Cuando se probó con datos reales, el método de aprendizaje automático de los investigadores anticipó repuntes de la propagación viral local con hasta seis semanas de antelación. Sus señales de alarma sonaban aproximadamente en el momento en que cada persona infectada tenía probabilidades de propagar el virus al menos a una persona más.

Sometido a la prueba de anticipar 367 brotes reales en todo el condado, el programa proporcionó alertas tempranas precisas de 337 de ellos, es decir, el 92%. De los 30 brotes restantes, reconoció 23 justo cuando se habrían hecho evidentes para los funcionarios de salud humana.

Una vez que la variante Omicron empezó a circular ampliamente por Estados Unidos, el sistema de alerta temprana fue capaz de detectar pruebas tempranas del 87% de los brotes a nivel de condado.

Un sistema predictivo con estas capacidades podría resultar útil para los funcionarios de salud pública locales, estatales y nacionales que necesitan planificar los brotes de COVID-19 y advertir a los ciudadanos vulnerables de que el coronavirus amenaza con un resurgimiento local inminente.

Pero “miramos más allá” del COVID, afirma Mauricio Santillana, que dirige el Grupo de Inteligencia Artificial para la Mejora de la Salud y el Medio Ambiente de Northeastern.

“Nuestro trabajo está dirigido a documentar qué técnicas y enfoques podrían ser útiles no sólo para esto, sino para la próxima pandemia”, dijo. “Nos estamos ganando la confianza de los responsables de salud pública para que no necesiten más convencimiento” cuando otra enfermedad empiece a propagarse por el país.

Puede que eso no sea fácil de vender a las agencias estatales de salud pública y a los Centros para el Control y la Prevención de Enfermedades, todos los cuales lucharon por mantenerse al día con los datos de la pandemia e incorporar nuevos métodos de seguimiento de la propagación del virus. La incapacidad de los CDC para adaptarse y comunicarse eficazmente durante la pandemia condujo a algunos “errores bastante dramáticos y públicos”, según ha reconocido la Dra. Rochelle Walensky, directora de la agencia. Sólo un “cambio de cultura” preparará a la agencia federal para la próxima pandemia, advirtió.

Los CDCLos mediocres esfuerzos por desarrollar herramientas de predicción tampoco han allanado el camino hacia una aceptación fácil. Una evaluación de 2022 de los esfuerzos de previsión utilizados por los CDC concluyó que la mayoría “no han logrado predecir de forma fiable los cambios rápidos” en los casos y hospitalizaciones por COVID-19. Los autores de esa evaluación advirtieron de que los sistemas desarrollados hasta la fecha “no deben ser utilizados para tomar decisiones sobre la posibilidad o el momento de cambios rápidos en las tendencias.”

Anasse Bari, experto en aprendizaje automático de la Universidad de Nueva York, calificó el nuevo sistema de alerta temprana de “muy prometedor”, aunque “todavía experimental.”

“Los métodos de aprendizaje automático presentados en el artículo son buenos, maduros y están muy bien estudiados”, dijo Bari, que no participó en la investigación. Pero advirtió de que, en una emergencia única en la vida como la pandemia, sería arriesgado confiar demasiado en un nuevo modelo para predecir acontecimientos.

Para empezar, señaló Bari, el primer encuentro de este coronavirus con la humanidad no ha producido el largo registro histórico necesario para probar plenamente la precisión del modelo. Y los tres años que ha durado la pandemia han dado poco tiempo a los investigadores para reconocer el “ruido” que se produce cuando se arrojan tantos datos a un recipiente.

Los CDC y los departamentos de salud estatales apenas han empezado a utilizar técnicas epidemiológicas como la secuenciación genética filodinámica y la vigilancia de las aguas residuales para controlar la propagación del coronavirus. Utilizar el aprendizaje automático para predecir la ubicación de las próximas oleadas virales puede suponer otro salto de imaginación para estos organismos, según Santillana.

De hecho, aceptar herramientas de alerta temprana como la desarrollada por el grupo de Santillana podría requerir también algunos saltos de fe. A medida que los programas informáticos digieren grandes cantidades de datos y empiezan a discernir patrones que podrían ser reveladores, a menudo generan “características” sorprendentes: variables o términos de búsqueda que ayudan a predecir un acontecimiento importante, como una oleada viral.

Incluso si estas señales aparentes resultan predecir con exactitud un acontecimiento de este tipo, su relevancia para una emergencia de salud pública puede no estar clara de inmediato. Una señal sorprendente puede ser el primer signo de una nueva tendencia, por ejemplo, un síntoma inédito causado por una nueva variante. Pero también puede parecer tan aleatoria a los responsables de salud pública que ponga en duda la capacidad de un programa para predecir un brote inminente.

Santillana, que también enseña en la Escuela de Salud Pública de Harvard, dijo que los revisores de los primeros trabajos de su grupo respondieron con cierto escepticismo a algunas de las señales que surgieron como signos de advertencia de un brote inminente. Una de ellas -tweets que hacían referencia a “compras de pánico”- parecía una señal errante de máquinas que habían captado un acontecimiento aleatorio y le habían infundido significado, dijo Santillana.

Defendió la inclusión de la señal de “compras de pánico” como un signo revelador de un inminente brote local. (Después de todo, los días iniciales de la pandemia estuvieron marcados por la escasez de artículos de primera necesidad, como arroz y papel higiénico). Sin embargo, reconoció que un sistema de alerta precoz demasiado “burocrático” podría toparse con la resistencia de los funcionarios de salud pública que necesitan confiar en sus predicciones.

“Creo que los temores de los responsables de la toma de decisiones son una preocupación legítima”, afirmó Santillana. “Cuando encontremos una señal, tiene que ser fiable”.