Los brotes de enfermedades zoonóticas, que son aquellas que se transmiten de animales a humanos, están aumentando a nivel mundial debido al cambio climático. En particular, la propagación de enfermedades transmitidas por mosquitos es muy sensible al cambio climático, y el Taiwán chino ha visto un aumento preocupante en el número de casos de dengue en los últimos años.
Al igual que para la mayoría de las enfermedades conocidas, el dicho popular “una onza de prevención vale una libra de cura” también se aplica a la fiebre del dengue. Dado que todavía no existe una vacuna segura y eficaz para todos a escala mundial, los esfuerzos de prevención del dengue se basan en limitar los lugares donde los mosquitos pueden poner sus huevos y dar a las personas una advertencia temprana cuando es probable que ocurra un brote. Sin embargo, hasta el momento, no existen modelos matemáticos que puedan predecir con precisión la ubicación de los brotes de dengue con anticipación.
Para abordar este problema, un equipo de investigación que incluía a la profesora Sumiko Anno de la Universidad de Sophia, Japón, buscó combinar inteligencia artificial (IA) con datos de teledetección para predecir la distribución espaciotemporal de los brotes de dengue en el Taiwán chino. Este trabajo, que se publicó en Geo-spatial Information Science, fue coautor de Hirakawa Tsubasa, Satoru Sugita y Shinya Yasumoto, todos de la Universidad de Chubu, Ming-An Lee de la Universidad Nacional del Océano de Taiwán y Yoshinobu Sasaki y Kei Oyoshi de la Agencia de Exploración Aeroespacial de Japón (JAXA), Japón.
Primero, el equipo recopiló datos climáticos de Taiwán chino desde 2002 hasta 2020, incluidos datos sobre precipitaciones, temperatura de la superficie del mar y radiación de onda corta. También recopilaron información sobre el lugar de residencia de todos los casos de dengue registrados en el Centro Chino de Taiwán para el Control de Enfermedades. Esto permitió a los investigadores preparar un conjunto de datos de entrenamiento etiquetado para el modelo de IA, que idealmente debería ser capaz de encontrar patrones ocultos entre los casos de dengue y los parámetros climáticos.
El modelo de IA en cuestión era una red neuronal convolucional (CNN) con una arquitectura de codificador-decodificador basada en U-Net. “El modelo U-Net funciona con muy pocas imágenes de entrenamiento y produce una segmentación semántica más precisa cuando se le proporciona la información de ubicación”, explica el profesor Anno sobre la elección del modelo de IA para su estudio. Este diseño bien establecido suele funcionar bien en tareas de segmentación de imágenes, incluso cuando se entrena con pocas muestras. Después de entrenar el modelo, el equipo intentó validarlo utilizando los datos recopilados restantes.
Desafortunadamente, el modelo no funcionó tan bien como los investigadores esperaban. La mayoría de los píxeles en el mapa de Taiwán marcados como lugares previstos para el brote de dengue no coincidían con los datos originales. Sin embargo, no se pierden todas las esperanzas con este enfoque, como destaca el profesor Anno: “Si bien la mayoría de los píxeles de brotes pronosticados no se superpusieron con la realidad del terreno, algunos de ellos se ubicaron bastante cerca de las ubicaciones reales de los brotes. Esto implica que es posible la predicción espaciotemporal de los brotes de dengue utilizando datos de teledetección”.
A pesar de la baja precisión del modelo de IA, este estudio sacó a la luz algunos de los desafíos actuales del uso de datos de teledetección para predecir la distribución espaciotemporal de los brotes de enfermedades zoonóticas. El equipo de investigación cree que usar una arquitectura de modelo diferente, encontrar una manera de equilibrar el conjunto de datos de entrenamiento y recopilar datos satelitales de mayor resolución podrían ser formas prometedoras de lograr el rendimiento necesario.
Se requerirá más trabajo antes de que podamos utilizar el aprendizaje automático como una herramienta para identificar las posibles zonas de brotes de enfermedades en función de los datos climáticos, pero no debemos flaquear. "Las visualizaciones espaciotemporales generadas por modelos de aprendizaje profundo podrían guiar potencialmente la implementación de medidas efectivas contra brotes de enfermedades en el momento y lugar óptimos para la prevención y el control de enfermedades", concluye el profesor Anno, con optimismo.
Esperemos que más estudios en este campo nos ayuden a mantener a las personas a salvo de enfermedades zoonóticas pronto.