Nueva herramienta de IA predice con precisión la propagación de enfermedades infecciosas

Las autoridades de salud pública han tenido dificultades durante mucho tiempo para pronosticar con precisión la propagación de enfermedades infecciosas, especialmente en períodos de cambios rápidos, como la aparición de nuevas variantes o cambios en las políticas de salud pública. Ahora, una herramienta de IA recientemente desarrollada está redefiniendo la predicción de brotes, superando significativamente los métodos de pronóstico de vanguardia existentes. Al combinar la IA generativa con datos de salud del mundo real, el modelo permite predicciones más precisas de las tendencias de la enfermedad y las hospitalizaciones, ofreciendo una nueva y poderosa herramienta para la preparación y respuesta ante pandemias.

La herramienta de IA, denominada PandemicLLM, fue desarrollada por un equipo de investigación de la Universidad Johns Hopkins (Baltimore, MD, EUA) aplicando por primera vez el modelado de lenguaje extenso, especialmente conocido en herramientas como ChatGPT, para afrontar el reto del pronóstico de enfermedades. A diferencia de los modelos matemáticos tradicionales, PandemicLLM "razona" a través de la información, utilizando el contexto para interpretar y sintetizar datos vastos y variados. Esta innovación supone un cambio radical respecto a los enfoques puramente estadísticos que predominaron durante la pandemia de COVID-19.

PandemicLLM incorpora cuatro categorías principales de datos: datos espaciales a nivel estatal (incluyendo datos demográficos, infraestructura sanitaria y afiliaciones políticas), series temporales epidemiológicas (como casos notificados, hospitalizaciones y vacunación), datos sobre políticas de salud pública (como el uso obligatorio de mascarillas y los confinamientos) e información de vigilancia genómica (como las características y la prevalencia de las variantes). Con esta información diversa, el modelo construye una visión holística del entorno actual del brote y pronostica los resultados probables para las próximas una a tres semanas.

Para evaluar su rendimiento, los investigadores aplicaron retroactivamente PandemicLLM a 19 meses de datos de COVID-19 en EUA a nivel estatal. El modelo superó consistentemente a todas las herramientas existentes, incluyendo los modelos de mayor rango en CovidHub de los CDC, destacando especialmente durante las fases volátiles de la pandemia. Su éxito se atribuyó a su capacidad para integrar nuevos flujos de datos previamente desaprovechados en sus pronósticos.

La adaptabilidad de PandemicLLM permite adaptarlo para predecir la evolución de diversas enfermedades infecciosas más allá de la COVID-19, como la gripe aviar, el VRS y la viruela del simio, siempre que se disponga de los datos pertinentes. El equipo de investigación está explorando cómo los modelos lingüísticos de gran tamaño podrían simular también la toma de decisiones humanas en torno a comportamientos de salud, un avance que podría refinar aún más las futuras estrategias de salud pública.

“Un desafío apremiante en la predicción de enfermedades es intentar determinar qué impulsa los aumentos repentinos de infecciones y hospitalizaciones, e incorporar estos nuevos flujos de información al modelado”, afirmó la autora del estudio, Lauren Gardner, de Johns Hopkins, experta en modelado que creó el panel de COVID-19 en el que se basó a personas de todo el mundo durante la pandemia. ““Sabemos por la experiencia con el COVID-19 que necesitamos mejores herramientas para poder fundamentar políticas más efectivas. Habrá otra pandemia, y este tipo de marcos serán cruciales para apoyar la respuesta de salud pública”. Los resultados del estudio se publicaron el 6 de junio en Nature Computational Science .