Un nuevo estudio utiliza inteligencia artificial para predecir brotes de malaria en el sur de Asia

Los investigadores de NDORMS, en colaboración con instituciones internacionales, han demostrado el potencial del uso de mediciones ambientales y modelos de aprendizaje profundo para predecir brotes de malaria en el sur de Asia. El estudio proporciona información prometedora sobre cómo mejorar los sistemas de alerta temprana para una de las enfermedades más mortales del mundo.

La malaria sigue siendo un importante desafío para la salud mundial, con casi la mitad de la población mundial en riesgo de infección, especialmente en países de África y el sur de Asia. Aunque se pueden prevenir, la naturaleza cambiante de los factores de riesgo climáticos, sociales, demográficos y ambientales ha dificultado la previsión de los brotes.

Dirigido por la profesora asociada Sarah Khalid del Grupo de Informática de Salud Planetaria de NDORMS, Universidad de Oxford, en colaboración con la Universidad de Ciencias de la Gestión de Lahore, el equipo de investigación quería abordar este desafío y explorar si un enfoque de aprendizaje automático basado en el entorno podría ofrecer el potencial para herramientas de alerta temprana de malaria específicas para cada lugar.

Desarrollaron un modelo LSTM multidimensional (M-LSTM) que analizó simultáneamente indicadores ambientales, incluida la temperatura, las precipitaciones, las mediciones de la vegetación y los datos de luz nocturna para predecir la incidencia de la malaria en el cinturón del sur de Asia que abarca Pakistán, India y Bangladesh.

Los datos se compararon con las tasas de incidencia de malaria a nivel regional en cada país entre 2000 y 2017, y se obtuvieron de los conjuntos de datos de la Encuesta Demográfica y de Salud de USAID.

Los resultados fueron publicado en Lanceta Salud Planetariamuestra que el modelo M-LSTM propuesto supera consistentemente al modelo LSTM convencional de última generación con tasas de error más bajas del 94,5%, 99,7% y 99,8% en Pakistán, India y Bangladesh, respectivamente.

En general, se logró una mayor precisión y menores tasas de error a medida que aumentaba la complejidad del modelo, lo que destaca la eficacia del enfoque.

«Este enfoque es generalizable y, por lo tanto, nuestro modelo tiene importantes implicaciones para las políticas de salud pública. Por ejemplo, podría aplicarse a otras enfermedades infecciosas o extenderse a otras áreas de alto riesgo con una carga desproporcionadamente alta de malaria», explicó Sarah. Los casos y muertes en las regiones de la OMS en África tienen el potencial de ayudar a los tomadores de decisiones a implementar medidas más proactivas para gestionar los brotes de malaria de manera temprana y precisa.

“El verdadero atractivo es la capacidad de analizar prácticamente en cualquier lugar de la Tierra, gracias a los rápidos avances en la observación de la Tierra, el aprendizaje profundo, la inteligencia artificial y la disponibilidad de computadoras de alto rendimiento. Esto podría conducir a intervenciones más específicas y mejor personalizadas. Recursos en los esfuerzos continuos para eliminar la malaria y mejorar los resultados de salud pública en todo el mundo”.