La nueva herramienta es la primera en utilizar modelos de lenguaje amplios para predecir el riesgo de enfermedades infecciosas.
Una nueva herramienta de IA para predecir la propagación de enfermedades infecciosas supera los métodos de pronóstico de última generación existentes.
La herramienta, creada con apoyo federal por investigadores de las universidades Johns Hopkins y Duke, podría revolucionar la forma en que los funcionarios de salud pública predicen, rastrean y gestionan los brotes de enfermedades infecciosas, incluida la gripe y el COVID-19.
«La COVID-19 ilustró el desafío de predecir la propagación de la enfermedad debido a la interacción de factores complejos en constante cambio», afirmó Lauren Gardner , autora de Johns Hopkins y experta en modelado que creó el panel de control de la COVID-19 , utilizado por personas de todo el mundo durante la pandemia. «Cuando las condiciones eran estables, los modelos funcionaban correctamente. Sin embargo, cuando surgían nuevas variantes o cambiaban las políticas, no podíamos predecir los resultados porque no contábamos con la capacidad de modelado necesaria para incluir información crítica. La nueva herramienta cubre esta deficiencia».
El trabajo se publica hoy en Nature Computational Science .Cuando surgieron nuevas variantes [de COVID-19] o cambiaron las políticas, no pudimos predecir los resultados porque no teníamos la capacidad de modelarlas. La nueva herramienta llena ese vacío.Lauren GardnerEscuela de Ingeniería Whiting
Durante la pandemia de coronavirus, la tecnología que sustenta la nueva herramienta no existía. El equipo utiliza por primera vez el modelado de lenguajes extensos, el tipo de IA generativa más conocido en ChatGPT, para predecir la propagación de la enfermedad.
En lugar de tratar la predicción simplemente como un problema matemático, el modelo, llamado PandemicLLM, razona con ella, considerando datos como picos de infección recientes, nuevas variantes y mandatos de uso de mascarillas.
El equipo alimentó los modelos con flujos de información, incluidos datos nunca antes utilizados en herramientas de predicción de pandemias, y descubrió que PandemicLLM podía predecir con precisión los patrones de enfermedad y las tendencias de hospitalización con una a tres semanas de anticipación, superando sistemáticamente a otros métodos, incluidos los de mayor rendimiento en CovidHub de los CDC .
«Un desafío apremiante en la predicción de enfermedades es tratar de determinar qué impulsa los aumentos repentinos de infecciones y hospitalizaciones», dijo Gardner, «e incorporar estos nuevos flujos de información al modelado».
El modelo se basa en cuatro tipos de datos:
- Datos espaciales a nivel estatal que incluyen información sobre la demografía, el sistema de atención de la salud y las afiliaciones políticas
- Datos de series temporales epidemiológicas, como casos notificados, hospitalizaciones y tasas de vacunación.
- Datos sobre políticas de salud pública, incluidos el rigor y los tipos de políticas gubernamentales
- Datos de vigilancia genómica que incluyen información sobre las características de las variantes de la enfermedad y su prevalencia
Después de consumir esta información, el modelo puede predecir cómo los diversos elementos se combinarán para afectar el comportamiento de la enfermedad.
Para probarlo, el equipo lo aplicó retroactivamente a la pandemia de COVID-19, analizando cada estado de EE. UU. a lo largo de 19 meses. En comparación con otros modelos, la nueva herramienta resultó especialmente eficaz durante la fase de cambio del brote.
«Tradicionalmente, utilizamos el pasado para predecir el futuro», afirmó el autor Hao «Frank» Yang , profesor adjunto de Ingeniería Civil y de Sistemas de Johns Hopkins, especializado en el desarrollo de IA fiable. «Pero esto no proporciona al modelo suficiente información para comprender y predecir lo que está sucediendo. En cambio, este marco utiliza nuevos tipos de información en tiempo real».
Con los datos necesarios, el modelo puede adaptarse a cualquier enfermedad infecciosa, como la gripe aviar, la viruela del simio y el VSR. El equipo está explorando la capacidad de los LLM para replicar cómo las personas toman decisiones sobre su salud, con la esperanza de que este modelo ayude a las autoridades a diseñar políticas más seguras y eficaces.
«Sabemos por la COVID-19 que necesitamos mejores herramientas para poder fundamentar políticas más eficaces», afirmó Gardner. «Habrá otra pandemia, y este tipo de marcos serán cruciales para apoyar la respuesta de salud pública».
Los autores incluyeron: el estudiante de doctorado de Johns Hopkins Hongru Du; el estudiante de posgrado de Johns Hopkins Yang Zhao; Jianan Zhao de la Universidad de Montreal; el estudiante de doctorado de Johns Hopkins Shaochong Xu; Xihong Lin de la Universidad de Harvard; y el profesor Yiran Chen de la Universidad de Duke.
Este trabajo fue financiado por la National Science Foundation 2229996; los Centros para el Control y la Prevención de Enfermedades RFA-FT-23-0069; el Centro de Pronóstico y Análisis de Brotes de los CDC 6 NU38FT000012-01; el Premio Future Insight de Merck KGaA; la NSF 2112562; la Oficina de Investigación del Ejército W911NF-23-2-0224.
Universidad Johns Hopkins News. J. R. Traducido al español
