Predicción de pandemias con aprendizaje automático

Investigación en el Revista Internacional de Seguridad Electrónica y Análisis Forense Digital, investiga el potencial de los modelos de aprendizaje automático para predecir la aparición de pandemias de enfermedades con mayor precisión que otros enfoques. La capacidad de identificar rápidamente la propagación de un patógeno emergente y determinar si conducirá o no a una pandemia global podría permitir a los legisladores y profesionales de la salud desarrollar estrategias de contención, respuesta y planificación más efectivas durante una crisis de salud global.

Soni Singh, KR Ramkumar y Ashima Kukkar de la Universidad de Chitkara en Punjab, India, adoptaron un enfoque novedoso para mejorar los parámetros de los modelos de aprendizaje automático existentes utilizando el algoritmo Ant Colony Optimization (ACO), que dicen les ayudó a superar la precisión de modelos de predicción anteriores.

Las enfermedades pandémicas ejercen un impacto significativo en las sociedades de todo el mundo, causando inevitablemente morbilidades agudas y crónicas entre aquellos a quienes la enfermedad no mata. Existe una necesidad apremiante de encontrar formas de pronosticar la propagación, las tasas de mortalidad y los casos de recuperación de nuevas pandemias a medida que surgen.

El equipo probó el rendimiento de su nuevo modelo utilizando datos de la pandemia de COVID-19 y conjuntos de datos de Ébola. Pudieron replicar los datos en predicciones simuladas, particularmente en términos de proyecciones diarias para la propagación de COVID-19 en EE. UU. y brotes de ébola en Guinea y Liberia. De los diversos enfoques de aprendizaje automático probados, el equipo descubrió que el algoritmo MLP-ACO era el más efectivo y superaba a los demás probados.

El equipo explica que la optimización de los parámetros del modelo de aprendizaje automático, como se demuestra en su artículo, ofrece un camino prometedor en la predicción de pandemias. Fundamentalmente, el enfoque mejora significativamente las predicciones utilizando conjuntos de datos pandémicos basados ​​en series temporales. Sin embargo, el equipo también recomienda que ahora se necesitan estudios adicionales para ayudar a mejorar aún más la precisión.