Un equipo de investigadores de la Universidad Nacional de San Martín (Unsam), liderado por Ezequiel Álvarez, está desarrollando un modelo de inteligencia artificial bayesiana que permitirá anticipar focos de dengue en centros urbanos. La iniciativa parte de una colaboración con la gobernación de la provincia de Buenos Aires en líneas de innovación tecnológica.

A comienzos de este mes, Nicolás Kreplak, ministro de Salud bonaerense, anunció una serie de acciones contra el dengue, además de las instancias de vacunación. Entre ellas se destaca el uso de telemedicina y la implementación de herramientas de machine learning desarrolladas por la Escuela de Ciencia y Tecnología (ECyT) de la Unsam para la prevención de brotes de la enfermedad.

“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”, explica Kreplak a LA NACION.

Además de la telemedicina, la Provincia está implementando un sistema de alarmas tempranas. Los ciudadanos pueden llamar al 148 para avisar que tiene síntomas y acceder a la asistencia médica a distancia. Al mismo tiempo, esa información les permitirá a los responsables del área de Salud contar con datos claves. Sumada a la información proveniente de la vigilancia epidemiológica y de la atención de las guardias, entre otras fuentes, permitirán construir un modelo de inteligencia artificial con el objetivo de saber qué manzanas tienen más riesgo de contagiarse de dengue. “De esa manera podremos orientar con mayor fuerza las acciones estratégicas para reducir o morigerar la cantidad de contagios”, agrega el ministro de Salud bonaerense.

El desarrollo que menciona Kreplak es un proyecto interdisciplinario integrado por biólogas, zoólogas, epidemiólogas y funcionarios del equipo del gobierno provincial.

“En la dinámica de la epidemia del dengue, como en cualquier sistema, ocurren muchos procesos que se relacionan entre sí y dependen de ciertas magnitudes. Por ejemplo, el clima, los casos reportados en los últimos 20 días, la densidad de habitantes de una manzana, los llamados al número telefónico 148, la gente que va a la guardia, etc. Todos ellos son parte de las magnitudes observadas. Por otro lado, la cantidad de mosquitos infectados en una manzana, la cantidad de enfermos en una manzana y el nivel de descacharreo de la manzana son parte de las magnitudes no observadas”, describe Ezequiel Álvarez, investigador del Conicet en el Centro Internacional de Estudios Avanzados de la Unsam y líder de este desarrollo.

Sobre la tecnología

¿Qué es la inteligencia artificial bayesiana? Se trata de un enfoque que se basa en el aprendizaje a partir de la experiencia, en combinación 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”, detalla Álvarez a LA NACION.

Según expresa el científico, el Teorema de Bayes es una técnica que se utiliza cuando hay algún dato que se ignora y se utilizan otros que sí se tienen y observan. Con esa información se obtiene una probabilidad del dato que se desconoce. “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”, afirma. Álvarez aclara que, aunque no sabrán la cantidad exacta de mosquitos, el programa de IA les permitirá inferir una distribución de probabilidad.

Un modelo de inferencia bayesiana es muy útil para analizar un sistema tan complejo como la epidemia del dengue porque la gente infectada se mueve, los mosquitos que transportan al igual que la enfermedad, y a eso se suman a los tiempos que tardan en aparecer los síntomas y los días en que el mosquito comienza a contagiar. Hay muchas variables que son muy complejas y ocurren muchos procesos que deben tenerse en cuenta.

“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”, sostiene el investigador.

Etapa de prueba

Álvarez adelanta que ya hicieron una primera versión 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”, señala.

El primer objetivo que tiene este grupo de investigadores es obtener un mapa para poder inferir, a partir de este mapa y de las observaciones de la epidemia del año pasado, cómo es 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”, agrega el investigador.

La fecha estimada para recibir datos con el modelo terminado será a comienzos de diciembre. Según aclara Álvarez, no tiene sentido cerrarlo hoy si este programa puede continuar aprendiendo y mejorando hasta esa fecha. “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 IA va aprendiendo cuanto más se utiliza. “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”, destaca el científico.

“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”, concluye Álvarez.

Según sintetiza el investigador, se espera que este desarrollo permita que las autoridades competentes puedan realizar diferentes acciones para reducir los brotes de dengue, optimizar los recursos de salud pública y fortalecer la prevención continua; y, como consecuencia de todas estas acciones, se reduzca drásticamente la cantidad de enfermos y los costos para el sistema sanitario.