Son las 4:45 a.m. en el sur de Afganistán en un caluroso día de septiembre. Un dispositivo explosivo improvisado al borde de la carretera acaba de estallar y fue seguido por la llamada, «¡Médico!» El soldado Chazray Clark pisó la bomba, perdiendo ambos pies y su antebrazo izquierdo. Los compañeros de Clark le proporcionaron inmediatamente atención médica, con la esperanza de que pudiera sobrevivir. Después de todo, la base de operaciones de la unidad estaba a sólo 1,5 millas de distancia, y tenía un equipo de evacuación médica entrenado (medevac) esperando para responder a un evento de esta naturaleza.
Una solicitud de evacuación médica de 9 líneas fue presentada justo momentos después de que la explosión ocurriera, y el oficial al mando de Clark, el teniente coronel Mike Katona, se aseguró de que un helicóptero de evacuación médica estaba en camino hacia el lugar asegurado de recogida. Desafortunadamente, ese no fue el caso; el equipo de evacuación médica seguía esperando órdenes 34 minutos después de que la llamada de ayuda fuera transmitida.
Aunque el punto de recogida de las víctimas era seguro, la política vigente exigía que una nave armada escoltara el helicóptero de evacuación médica, pero no había ninguna disponible. No fue hasta las 5:24 a.m. que el helicóptero de evacuación médica comenzó a volar hacia el lugar de recogida, pero era demasiado tarde. Clark llegó al centro médico del Campo Aéreo de Kandahar a las 5:49 a.m. y fue declarado muerto momentos después.
Nadie sabe si Clark habría sobrevivido a sus heridas si hubiera recibido antes cuidados quirúrgicos avanzados, pero la mayoría de la gente estaría de acuerdo en que sus posibilidades de supervivencia habrían sido mucho mayores. ¿Qué fue mal? ¿Por qué no había una escolta armada disponible en este momento tan difícil? ¿Las políticas de evacuación médica actuales están obsoletas? Si es así, ¿puede la inteligencia artificial mejorar las prácticas actuales?
Con los limitados recursos disponibles, el ejército de los Estados Unidos debería planificar cuidadosamente cómo se utilizarán los medios de evacuación médica antes y durante las operaciones de combate a gran escala. ¿Cómo deberían posicionarse los recursos ahora para maximizar la eficacia y la eficiencia de la evacuación médica? ¿Cómo pueden las ambulancias terrestres y aéreas reposicionado dinámicamente durante el curso de una operación basada en la evolución, las ubicaciones previstas y las intensidades de la demanda de evacuación médica (es decir, las bajas)? Además, ¿cómo deben fundamentar esas decisiones las restricciones operacionales y los riesgos (naturales e inducidos por el enemigo) para el uso de las rutas terrestres y aéreas, así como los procedimientos de evacuación en los puntos de recogida de las víctimas? Por último, siempre que se reciba una solicitud de evacuación médica, ¿cuáles de los medios disponibles deberían enviarse, teniendo en cuenta las demandas futuras previstas de una región determinada?
La empresa militar de evacuación médica es compleja. Como resultado, cualquier automatización de la toma de decisiones de localización y despacho requiere datos precisos, técnicas analíticas válidas y la integración deliberada y el uso ético de ambas. La inteligencia artificial y, más concretamente, las técnicas de aprendizaje automático combinadas con los métodos analíticos tradicionales del campo de la investigación operativa proporcionan herramientas valiosas para automatizar y optimizar los procedimientos de localización y envío de evacuación médica.
El ejército de los EE.UU. utiliza recursos terrestres y aéreos para realizar misiones de evacuación médica. Las ambulancias aéreas de ala giratoria (es decir, los helicópteros HH-60M) suelen reservarse para los enfermos y/o heridos más graves, para los que la rapidez de la evacuación y la flexibilidad para dirigirse directamente a instalaciones de tratamiento médico de gran capacidad son esenciales para maximizar la capacidad de supervivencia. Las ambulancias terrestres no pueden viajar tan lejos ni tan rápido como las aéreas, pero esta limitación se compensa con su mayor proliferación en toda la fuerza.
Aprendizaje automático para predecir la demanda de evacuación médica
Entre 2001 y 2014 se transmitieron más de 4.500 solicitudes de evacuación médica del ejército de los Estados Unidos por las bajas que se produjeron en el Afganistán. La ubicación, el nivel de amenaza y la gravedad de las víctimas que dan lugar a solicitudes de evacuación médica influyen en la demanda de medios de evacuación médica. De hecho, es probable que algunas regiones tengan una demanda mayor que otras, lo que exige más medios de evacuación médica cuando comienzan las operaciones de combate. Un modelo de aprendizaje automático (por ejemplo, redes neuronales, regresión del vector de apoyo y/o bosque aleatorio) puede predecir con exactitud la demanda para cada región de combate teniendo en cuenta la información pertinente, como los planes actuales de la misión, las ubicaciones previstas del enemigo y los datos sobre los sucesos de bajas anteriores.
Los modelos eficaces de aprendizaje automático requieren datos históricos que sean representativos de los acontecimientos futuros. Los datos históricos de las operaciones de evacuación médica recientes pueden obtenerse de los informes de actividades significativas de conflictos anteriores y de la División de Propuestas de Evacuación Médica. Por ejemplo, en un estudio se utilizan los registros de vuelo de la Operación Libertad Iraquí obtenidos de la División de Propuestas de Evacuación Médica para aproximar el número de víctimas en un lugar determinado a fin de ayudar a identificar la mejor o las mejores asignaciones de activos médicos durante las operaciones de combate en estado permanente. También existen datos de fuente abierta y no clasificados (por ejemplo, el Consejo Internacional de Seguridad y Desarrollo, el Sistema de análisis de las bajas de defensa y los datos sobre conflictos armados). Aunque puede que no existan datos históricos para cada posible entorno operativo futuro, pueden utilizarse para generalizar las características de los sucesos con víctimas. Por ejemplo, un estudio modela la distribución espacial de los centros de agrupación de víctimas basándose en su proximidad a las principales rutas de suministro y/o ríos, donde hay grandes poblaciones. Utiliza la simulación de Monte Carlo para generar sintéticamente datos realistas que, a su vez, pueden ser aprovechados por los profesionales del aprendizaje automático para predecir la demanda futura.
La predicción de la demanda a través de un modelo de aprendizaje automático es esencial, pero no es suficiente para optimizar los procedimientos de evacuación médica. Por ejemplo, consideremos un escenario en el que se proyecta que la mayor parte de la demanda se produzca en dos regiones de combate situadas en lados opuestos de la zona de operaciones. Si no hay suficientes recursos de evacuación médica para responder oportunamente a todas las demandas de evacuación médica previstas en esas dos regiones, ¿dónde deberían situarse los recursos de evacuación médica? Otra posibilidad es considerar un escenario en el que una región necesite la mayor parte del apoyo de evacuación médica al comienzo de una operación, pero la demanda prevista se traslade a otra región (o a varias regiones) más adelante. ¿Deberían colocarse los activos para responder a la demanda de la primera región, incluso si ello hace imposible reposicionar los activos para responder a la demanda futura de las otras regiones de manera oportuna? ¿Cómo repercuten esas decisiones en las operaciones de combate a largo plazo?
Métodos de optimización para localizar, reubicar dinámicamente y despachar los activos de Medevac
¿Cómo influyen las decisiones actuales en las decisiones futuras? Las decisiones que se aplican a lo largo de una operación de combate son interdependientes y deben tomarse conjuntamente. Más concretamente, para crear un plan factible y realista, es necesario tomar las decisiones iniciales de posicionamiento de los activos de evacuación médica, considerando al mismo tiempo las decisiones probables de reposicionar dinámicamente los activos a lo largo de la duración de una operación. Además, en cada decisión se debe tener en cuenta la demanda total prevista en todas las regiones de combate para garantizar que los recursos limitados se gestionen adecuadamente.
¿Cuántas opciones de localización de activos posibles hay para que un responsable de la toma de decisiones las considere? Como ejemplo, supongamos que hay 20 activos dedicados a la evacuación médica terrestre y aérea que deben posicionarse a través de seis bases operativas delanteras diferentes. Además, supongamos que las decisiones relativas al reposicionamiento de esos activos se producen todos los días para una operación de combate de 14 días. Para cualquier día de la operación de combate de dos semanas, cualquiera de los 20 activos puede ser reposicionado en una de las seis bases operativas. Sin tener en cuenta las distancias, la disponibilidad, las limitaciones de la demanda o los múltiples tipos de activos, el número aproximado de opciones a considerar es de más de 10.000! Es prácticamente imposible para un individuo (o incluso para un equipo de personas) identificar la política de posicionamiento óptimo sin el beneficio de la información proporcionada por los análisis cuantitativos.
Si bien un modelo de aprendizaje automático puede predecir cuándo y dónde es probable que se produzca la demanda, no informa a los encargados de adoptar decisiones sobre dónde colocar los recursos limitados. Para superarlo, las técnicas de investigación de operaciones -más concretamente, la elaboración y el análisis de modelos de optimización- pueden identificar eficazmente una política óptima de estrategias de localización dinámica de activos para la zona de operaciones a lo largo de todo el horizonte de planificación. Los objetivos de un modelo de optimización definen la meta cuantitativamente medida que los responsables de la toma de decisiones tratan de maximizar y/o minimizar. Por ejemplo, los encargados de adoptar decisiones pueden tratar de maximizar la cobertura de la demanda, reducir al mínimo el tiempo de respuesta, reducir al mínimo el costo del reposicionamiento de los activos y/o maximizar la seguridad del personal de evacuación médica. Las decisiones corresponden al momento, el lugar y la cantidad de cada tipo de bienes que se colocarán en las bases de operaciones de avanzada para la operación de combate prevista, así como a la forma en que se despachan los bienes en respuesta a las solicitudes de evacuación médica. Es necesario disponer de información sobre las capacidades y disposiciones de las unidades para informar con precisión un modelo de optimización. Esta información incluye el número, el tipo y la posición inicial de los activos de evacuación médica, así como los lugares de demanda proyectados, los niveles de amenaza y los niveles de gravedad de las lesiones. Un modelo de optimización también tiene en cuenta las limitaciones operacionales para garantizar que se genere una solución viable. Estas limitaciones incluyen las distancias y el tiempo de viaje, la capacidad de combustible, la capacidad de la base de operaciones de avanzada y consideraciones políticas.
Es posible que sea necesario reubicar dinámicamente los activos de la Medevac (es decir, trasladarlos) a través de diferentes instalaciones de montaje, especialmente a medida que cambie la disposición y la intensidad de la demanda, a pesar de la naturaleza estratégica y a largo plazo de las operaciones de combate. Por ejemplo, puede ser necesario reubicar los activos de las bases de operaciones avanzadas cercanas a las regiones de combate con menor demanda proyectada a bases cercanas a las regiones con mayor demanda proyectada. Además, es importante tener en cuenta los niveles de amenaza y gravedad proyectados al determinar qué tipo de activos colocar. Por ejemplo, puede ser beneficioso situar escoltas armadas más cerca de las regiones de combate con mayores niveles de amenaza proyectados. De manera análoga, las ambulancias aéreas deberían colocarse más cerca de las regiones de combate con niveles de gravedad proyectados más elevados (es decir, acontecimientos que pongan en peligro la vida). El posicionamiento inadecuado de los medios puede dar lugar a un retraso en los tiempos de respuesta, a un aumento de los riesgos y a una disminución de las tasas de supervivencia de las víctimas. Una forma de determinar la ubicación de los activos de evacuación médica es elaborar un modelo de optimización que tenga en cuenta simultáneamente los siguientes objetivos: maximizar la cobertura de la demanda, minimizar el tiempo de respuesta y reducir al mínimo el número de reubicaciones sujetas a la proyección de fuerzas y a limitaciones logísticas y de recursos. Se puede realizar un análisis de compensación asignando diferentes pesos (es decir, niveles de importancia) a cada objetivo considerado. Dada la óptima disposición de los medios de evacuación médica, otra decisión importante que debe considerarse es la forma en que se despacharán las ambulancias aéreas en respuesta a las solicitudes de servicio.
El ejército de los Estados Unidos utiliza actualmente una política de envío de personal más cercano para responder a las solicitudes de servicio que llegan, que, como su nombre indica, encarga a la unidad de evacuación médica más cercana que evacúe rápidamente a los heridos del campo de batalla del punto de lesión a un centro de trauma cercano. En conflictos de pequeña escala y/o baja intensidad, esta política puede ser óptima. Desafortunadamente, no siempre es así, especialmente en conflictos de gran escala y alta intensidad. Por ejemplo, supongamos que se presenta una solicitud de evacuación médica que no pone en peligro la vida y sólo hay una ambulancia aérea disponible. Además, supongamos que se están realizando operaciones de alta intensidad y que se espera que se presenten solicitudes de evacuación médica que pongan en peligro la vida en un futuro próximo. ¿Es mejor encargar a la ambulancia aérea que atienda la solicitud actual, que no pone en peligro la vida, o debe reservarse la ambulancia aérea para una solicitud que ponga en peligro la vida y que se espera y es probable que se produzca en un futuro próximo?
Muchos investigadores han explorado escenarios en los que la política de despacho más cercana a la realidad puede mejorarse en gran medida aprovechando técnicas de investigación de operaciones como los procesos de decisión de Markov y la programación dinámica aproximada. Los encargados de la toma de decisiones de despacho (es decir, las autoridades de despacho) deben tener en cuenta un gran número de incertidumbres al decidir qué medios de evacuación médica utilizar en respuesta a las solicitudes de servicio. Utilizando una programación dinámica aproximada, los analistas militares pueden modelar escenarios realistas a gran escala y elaborar políticas de despacho de alta calidad que tengan en cuenta las incertidumbres inherentes y las características importantes del sistema. Por ejemplo, un estudio muestra que las políticas de despacho basadas en la programación dinámica aproximada pueden mejorar la política de despacho más cercana a la realidad en más de un 30% en lo que respecta a una medida de rendimiento para salvar vidas basada en el tiempo de respuesta para un escenario hipotético en Siria.
La aplicación ética requiere una persona que tome decisiones en el circuito
Los modelos de optimización pueden ofrecer valiosos conocimientos y políticas aplicables, pero ¿qué deben hacer los encargados de adoptar decisiones cuando se producen acontecimientos inesperados (por ejemplo, cuando las ambulancias aéreas dejan de tener capacidad para misiones) o cuando se obtiene nueva información (por ejemplo, cuando un vehículo aéreo no tripulado captura la actividad del enemigo en un nuevo lugar)? No basta con crear e implementar modelos de optimización. Más bien, es necesario crear y entregar un tablero de control de fácil comprensión que presente información y decisiones recomendadas, estas últimas informadas tanto por el aprendizaje de la máquina como por las técnicas de investigación de operaciones. Para obtener un mayor valor, ese tablero debería permitir a sus usuarios (es decir, a los responsables de la adopción de decisiones) realizar análisis de simulación para probar, visualizar y comprender los resultados y las consecuencias de las diferentes políticas para los distintos escenarios. Ese tablero no es un instrumento de «todo y nada». Es más bien un medio para que los seres humanos aprovechen eficazmente la información y los análisis para tomar mejores decisiones.
El futuro de la toma de decisiones implica tanto la inteligencia artificial como el juicio humano. Mientras que los humanos carecen del poder y la velocidad que la inteligencia artificial puede proporcionar para las tareas de procesamiento de datos, la inteligencia artificial carece de la inteligencia emocional necesaria para tomar decisiones duras y éticas. Por ejemplo, un modelo de aprendizaje por máquina puede ser capaz de diagnosticar complejas operaciones de combate y recomendar decisiones para mejorar el rendimiento del sistema de evacuación médica, pero el juicio de un ser humano es necesario para abordar criterios intangibles que pueden eludir la cuantificación y la introducción de datos.
Mientras que la eficacia y la eficiencia del sistema de evacuación médica del ejército de los Estados Unidos ha tenido mucho éxito en las recientes operaciones en el Afganistán, el Iraq y Siria, los futuros entornos operativos pueden ser muy diferentes de los que los Estados Unidos han estado combatiendo en los últimos 20 años. La inteligencia artificial y las técnicas de investigación de operaciones pueden combinarse para crear herramientas eficaces de toma de decisiones que, junto con el juicio humano, mejoren la empresa de evacuación médica para operaciones de combate a gran escala, lo que en última instancia salvará más vidas.
El camino a seguir
El Instituto de Tecnología de la Fuerza Aérea está examinando actualmente una variedad de escenarios de evacuación médica con diferentes características problemáticas para determinar tanto la viabilidad como los beneficios de incorporar las mencionadas técnicas de inteligencia artificial e investigación operativa en las operaciones activas de evacuación médica. Una vez que se desarrolle un enfoque viable, el siguiente paso es obtener la aceptación de los altos mandos militares. Con un enfoque paralelo a nivel macroscópico, el Centro Conjunto de Inteligencia Artificial, el Centro de Excelencia de Inteligencia Artificial del Departamento de Defensa, busca actualmente nuevas iniciativas de inteligencia artificial para demostrar su valor y estimular el impulso para acelerar la adopción de la inteligencia artificial y crear una fuerza adecuada para esta era.
Capitán Phillip R. Jenkins, PhD, es profesor asistente de investigación de operaciones en el Instituto de Tecnología de la Fuerza Aérea. Sus investigaciones académicas se refieren a problemas relacionados con la defensa militar, como la localización, asignación y envío de activos de evacuación médica en un entorno desplegado. Es un oficial de la Fuerza Aérea en servicio activo con casi ocho años de experiencia como analista de investigación de operaciones.
Brian J. Lunday…doctorado, es profesor de investigación de operaciones en el Instituto de Tecnología de la Fuerza Aérea que investiga la localización óptima de recursos y el modelo de asignación. Sirvió durante 24 años como oficial del ejército en servicio activo, como analista de investigación de operaciones e ingeniero de combate.
Matthew J. Robbins…doctorado, es profesor asociado de investigación de operaciones en el Instituto de Tecnología de la Fuerza Aérea. Su investigación académica implica el desarrollo y aplicación de métodos de optimización computacional estocástica para problemas orientados a la defensa. Robbins sirvió durante 20 años como oficial en servicio activo de la Fuerza Aérea, ocupando diversos puestos de analista de inteligencia e investigación de operaciones.
Las opiniones expresadas en este artículo son las de los autores y no reflejan la política o posición oficial de la Fuerza Aérea de los Estados Unidos, el Departamento de Defensa o el gobierno de los Estados Unidos.
Imagen: Sargento de primera clase Thomas Wheeler