Los algoritmos de machine learning están ayudando a los investigadores a comprender el virus, a identificar las regiones del mundo con las tasas de contagio más altas y a pronosticar las necesidades de capacidad de los sistemas nacionales de salud para, entre otros objetivos, minimizar las muertes en la pandemia del COVID-19. Se trata de una capacidad que hoy aporta la tecnología para la toma de decisiones.
Identificación de síntomas basada en datos
Estos algoritmos de machine learning pueden servir para identificar patrones de síntomas que pueden indicar la presencia del virus en sus primeras etapas, evitando así complicaciones graves en las etapas posteriores. En el caso de las enfermedades desconocidas, la identificación de los síntomas exactos es un desafío complejo, lo que lleva a tasas de mortalidad más altas en las primeras etapas de la pandemia.
Esta falta de conocimiento, en combinación con una posible escasez de equipos de prueba, puede presentar grandes deficiencias en la eliminación efectiva de una pandemia. Avanzando en esta lógica, Linda Wang y Alexander Wong diseñaron un algoritmo de aprendizaje profundo para identificar casos de COVID-19 a partir de imágenes de radiografía de tórax, lo que permite a los profesionales médicos ganar un tiempo precioso en el tratamiento de pacientes en lugar de esperar a tener los resultados de las pruebas.
Análisis basados en la ubicación
Los algoritmos como el análisis basado en la ubicación pueden servir para sintetizar datos de varias fuentes (por ejemplo, datos de casos confirmados registrados por gobiernos nacionales, puntos de interés como hospitales e instalaciones de atención a personas mayores, etc.) para identificar áreas con una alta concentración de contagio.
Estos algoritmos pueden identificar patrones de concentración, tasas de contagio y similitudes ocultas entre casos y, en general, permiten la agregación de conocimiento valioso que proporciona una imagen global más precisa de la pandemia. Más importante aún, estos algoritmos pueden usarse para proteger comunidades que podrían ser más vulnerables. Por ejemplo, si un centro de atención de ancianos se encuentra en un área con una alta concentración de contagio, debe recibir atención especial para evitar muertes innecesarias.
Con el uso de simulaciones calibradas a partir de datos confiables, la toma de decisiones políticas cuenta con la posibilidad de proyectar escenarios sobre la evolución de la crisis y preparar acciones.
Planificación de la capacidad y proyecciones futuras
Uno de los principales problemas en la lucha contra cualquier pandemia es la asignación de la capacidad de atención médica disponible (cuidados intensivos, ventiladores, etc.) para que todos los pacientes puedan ser tratados sin que el sistema de salud se vea colapsado. Precisamente, este ha sido uno de los temas más discutidos entre científicos y responsables políticos. Para abordarlo, se han implementado medidas tales como el bloqueo de las fronteras a nivel territorial para prevenir el colapso del sistema de salud y garantizar el acceso equitativo a todos los pacientes que lo puedan necesitar.
Para que estas medidas sean efectivas, se requiere un pronóstico muy cuidadoso y preciso a través de algoritmos que pueden anticipar la demanda y la capacidad disponible y evitar la escasez de equipos. Los investigadores emplean para ello algoritmos de predicción que representan múltiples parámetros, entre los que se incluyen la capacidad disponible, las tasas de transmisión, la concentración de contagio y la disponibilidad de profesionales médicos.
Los algoritmos de predicción, junto con simulaciones detalladas (como esta del Institute for Health Metrics and Evaluation de la Universidad de Washington), pueden usarse para pronosticar la evolución de la crisis. Se trata de una información valiosa, ya que uno de los pasos más importantes para combatir una pandemia es allanar el camino hacia la recuperación sin permitir que se reproduzca.
Con el uso de simulaciones calibradas a partir de datos confiables, la toma de decisiones políticas cuenta con la posibilidad de proyectar escenarios sobre la evolución de la crisis y preparar acciones, minimizando así las consecuencias inesperadas. Las simulaciones son herramientas de formulación de políticas particularmente adecuadas en entornos en los que la incertidumbre y la complejidad están presentes. Permiten, por ejemplo, simular escenarios posibles ante la reducción gradual de las medidas de bloqueo. De esta manera, pueden anticipar resultados y diseñar estrategias proactivas, en lugar de medidas reactivas de alto riesgo.
Una condición previa para que todos estos resultados sean confiables es la confiabilidad de los datos utilizados con los algoritmos, por lo que es necesario garantizar el registro y la gestión confiable de los datos, de modo que su aplicación conduzca a resultados confiables y conocimiento valioso.
El uso de los datos correctos, en combinación con avances tecnológicos como los algoritmos de ‘machine learning’ y la simulación, puede ser muy útil en el diseño de estrategias que permitan establecer respuestas específicas y medidas de reacción.
Lecciones aprendidas
La tecnología puede actuar como un asesor clave en la estrategia de respuesta ante cualquier crisis. El uso de los datos correctos, en combinación con avances tecnológicos como los algoritmos de machine learning y la simulación, puede ser muy útil en el diseño de estrategias que permitan establecer respuestas específicas y medidas de reacción. Más importante aún, la tecnología, utilizando todo el potencial de los algoritmos y los datos confiables, puede ayudar a las sociedades a acelerar su progreso hacia la recuperación total.
© IE Insights.
