Una nueva estrategia basada en aprendizaje automático podría ayudar a los líderes de salud pública a diseñar una mejor vigilancia durante un brote de enfermedad. Coescrito por el profesor Moritz Kraemer y el profesor Oliver Pybus , quienes trabajan en el Programa Oxford Martin sobre Genómica Pandémica , un nuevo artículo publicado en Proceedings of the American Academy of Sciences puede ayudar a optimizar las estrategias de prueba para la vigilancia de enfermedades infecciosas. El estudio incluyó investigadores de los departamentos de Biología y Ciencias de la Computación de la Universidad de Oxford , así como del Instituto de Ciencias Pandémicas , y colegas del Imperial College de Londres , el Royal Veterinary College y la Universidad de California en Los Ángeles . Cuando ocurren epidemias y pandemias, es esencial examinar a la población para detectar infecciones y entender cómo se propaga la enfermedad. Sin embargo, los recursos para las pruebas son siempre finitos, y las preguntas sobre cómo asignar las pruebas para maximizar la información obtenida sobre las distribuciones de las enfermedades siguen siendo difíciles de responder. El estudio propone una nueva estrategia de aprendizaje automático ("política"), la selección por entropía local (LE), para orientar la selección de los sitios de prueba. Cuando se probó en una variedad de escenarios de brotes simulados, la LE superó en gran medida a otras políticas de prueba consideradas por los autores. El profesor Kraemer afirmó: "Los datos y una comprensión sólida del proceso de transmisión en las primeras etapas de las epidemias son esenciales para la aplicación de políticas de salud pública eficaces. Nuestro estudio supone un paso hacia una aplicación más racional de las políticas de salud pública". El marco creado por este estudio permitirá a los investigadores y a los responsables de las políticas diseñar sistemas de vigilancia de enfermedades infecciosas de forma más adaptativa. Métodos El aprendizaje activo (AL) es una forma iterativa de aprendizaje automático que tiene como objetivo maximizar el rendimiento de un modelo seleccionando estratégicamente los puntos de datos más informativos que necesitan etiquetado. El nuevo estudio probó ocho políticas de AL, incluida LE, y exploró el desempeño de diferentes estrategias de asignación de pruebas en escenarios de brotes simulados. La Dra. Elizaveta Semenova, profesora de la Escuela de Salud Pública del Imperial College de Londres, afirmó: "Al aplicar técnicas de aprendizaje activo a la vigilancia de enfermedades, podemos priorizar las pruebas de una manera que maximice la información obtenida sobre la propagación del brote, incluso en condiciones de escasez de recursos. Este enfoque tiene como objetivo ayudar a los funcionarios de salud pública a comprender mejor dónde se están produciendo las infecciones y a asignar su limitada capacidad de pruebas de manera más eficaz". Se reveló el estado de infección de un nodo inicial en un modelo de brote; luego, se implementaron iterativamente políticas de AL para determinar qué nodos debían etiquetarse (en este caso, analizarse) como infectados o no infectados. El objetivo del ejercicio era maximizar el rendimiento predictivo del modelo utilizando la menor cantidad de datos etiquetados. En escenarios de brotes reales, esto significaría realizar pruebas en los lugares de una manera que minimice los recursos utilizados y al mismo tiempo proporcione una imagen precisa de cómo se está propagando la enfermedad. Adaptación de los enfoques de prueba La nueva política de evaluación de riesgos se basa en la incertidumbre, lo que significa que selecciona nodos para realizar pruebas en función de la incertidumbre de las predicciones del modelo de brote. Cuanto más inciertas sean las predicciones para un nodo determinado, más informativas serán las pruebas. A diferencia de otras políticas de este tipo, LE considera la incertidumbre de los nodos que selecciona para probar, así como de sus nodos conectados. El Dr. Mengyan Zhang, investigador asociado del Departamento de Ciencias Informáticas de la Universidad de Oxford, afirmó: "Nuestra estrategia de aprendizaje activo está diseñada para explorar de manera eficaz las incertidumbres locales dentro de la red de movilidad. Al aprovechar la selección por entropía local, abordamos un equilibrio entre la explotación y la exploración, lo que permite realizar pruebas más eficientes y específicas dados los recursos de prueba limitados". En los brotes de la vida real, la implementación de diferentes políticas de pruebas debería depender de los recursos y el presupuesto, así como de la estructura y la etapa del brote. Cuando los recursos son limitados, sostiene el estudio, las pruebas exploratorias frecuentes arrojan mejores resultados si se realizan en lugares que están en la periferia del brote y para los cuales las predicciones son más inciertas. Joseph Tsui , estudiante de doctorado en el Departamento de Biología y el Programa de Genómica Pandémica de la Oxford Martin School, afirmó: "Nuestro trabajo abre nuevas y emocionantes vías para futuras investigaciones. Al basarnos en el marco que hemos desarrollado, esperamos explorar cómo se pueden adaptar las políticas de vigilancia a patógenos específicos con características de transmisión únicas, como períodos de incubación variables o diferentes modos de transmisión. En última instancia, nuestro objetivo es desarrollar un marco que proporcione información y recomendaciones prácticas en tiempo real, lo que permitirá a los responsables de las políticas responder de manera más eficaz durante los brotes emergentes".