El miércoles 4 de septiembre, el gobernador de la Provincia de Buenos Aires, Axel Kicillof, y el ministro de Salud, Nicolás Kreplak, anunciaron acciones de prevención contra el dengue. Además de las instancias de vacunación y el uso de tecnologías de telemedicina, la estrategia oficial implementará herramientas de machine learning desarrolladas por la Escuela de Ciencia y Tecnología (ECyT) de la Universidad Nacional de San Martín (UNSAM) para la prevención de brotes de la enfermedad.
El desarrollo está liderado por Ezequiel Álvarez, investigador del International Center for Advanced Studies (ICAS) de la ECyT, que utilizará técnicas avanzadas de Inteligencia Artificial Bayesiana para predecir tempranamente brotes de dengue, permitiendo actuar en esos focos y mitigando su propagación. Se trata de 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., son parte de las magnitudes observadas. Por otro lado, la cantidad de mosquitos infectados en una manzana, la cantidad de enfermos verdaderos en una manzana y el nivel de descacharreo de la manzana, son parte de las magnitudes no observadas”, Álvarez.
La colaboración entre el Gobierno provincial y la UNSAM fue gestada desde la Secretaría de Gobierno y relaciones Institucionales de la Universidad. Pablo Palmaz, subsecretario de Relaciones Interinstitucionales, prevé que se espera que en el corto plazo el impacto de la innovación permita intervenciones oportunas y precisas, reduciendo significativamente los brotes y protegiendo a las comunidades más vulnerables.
Asimismo, el funcionario destacó que a mediano plazo el desarrollo podría optimizar los recursos de salud pública y fortalecer la prevención continua, lo que llevaría a una disminución sostenida de casos y menores costos para el sistema sanitario. “La transferencia de conocimiento científico en salud y prevención es esencial para mejorar la calidad de vida y es un aporte para desarrollar políticas efectivas, tratamientos accesibles y campañas que fortalezcan el sistema sanitario y reduzcan enfermedades evitables”, resaltó.
Inteligencia Artificial Bayesiana
¿Cómo se aplica la Inteligencia Artificial Bayesiana? 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 puede inferir verdaderas relaciones. “Al hacer esto, el modelo aprende cómo se relacionan los procesos, entonces puede comenzar a inferir las magnitudes no observadas día a día con la información que va llegando de las magnitudes observadas”, agrega Álvarez.
El investigador confía en que gracias a este desarrollo se podrán observar día a día las guardias en el hospital, el clima, los llamados al 148, y determinar una probabilidad de la cantidad de mosquitos infectados o de la cantidad de descacharreo de cada manzana, entre otras variables. “Uno nunca va a saber la cantidad exacta de mosquitos, sino que infiere una distribución de probabilidad. 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 será clave para tomar acciones ágiles y eficientes con políticas públicas y así prevenir los brotes de dengue”, concluye.
MM con información de UNSAM.