Un equipo de investigadores de la USC Viterbi School of Engineering ha creado un algoritmo que puede ayudar a los legisladores a reducir la propagación general de la enfermedad. El algoritmo también está optimizado para aprovechar al máximo los recursos limitados, como los presupuestos para campañas de difusión.
Científicos y autoridades de salud son conscientes de que, a pesar de que las campañas de divulgación pública pueden prevenir la propagación de enfermedades devastadoras pero tratables como la tuberculosis (TB), la malaria y la gonorrea; garantizar que estas campañas lleguen efectivamente a pacientes no diagnosticados, que sin saberlo pueden diseminar la enfermedad a otros, es un gran desafío, sobre todos para entidades de salud pública con problemas de liquidez.
Ahora, los investigadores crearon el algoritmo utilizando datos que incluían las tendencias conductuales, demográficas y de enfermedades epidémicas. Con esta información crearon un modelo de propagación de la enfermedad que capturó la dinámica de la población subyacente y los patrones de contacto entre las personas.
Luego, con simulaciones computarizadas, probaron el algoritmo en dos casos del mundo real: tuberculosis (TB) en la India y la gonorrea en los Estados Unidos. En ambos casos, los investigadores observaron que el algoritmo hizo un mejor trabajo para reducir los casos de enfermedades que las políticas actuales de divulgación de salud, al compartir información sobre estas enfermedades con las personas que podrían estar en mayor riesgo.
Se observó, además, que el algoritmo es capaz de hacer un uso más estratégico de los recursos. El equipo descubrió que se concentraba principalmente en grupos particulares y no asignaba simplemente más presupuesto a grupos con una alta prevalencia de la enfermedad. Esto parece indicar que el algoritmo está aprovechando patrones no obvios e identificando interacciones a veces sutiles entre variables que los humanos no son capaces de notar.
El modelo matemático también tiene en cuenta que las personas se mueven, envejecen y mueren, lo que refleja una dinámica poblacional más realista que muchos algoritmos existentes para el control de enfermedades. Por ejemplo, es posible que las personas no se curen instantáneamente, por lo que reducir la prevalencia a los 30 años podría significar la creación de comunicaciones específicas de salud pública para las personas a los 27 años.
Los científicos saben que si bien hay muchos métodos para identificar poblaciones de pacientes para campañas de salud, no muchos consideran la interacción entre patrones de población cambiantes y la dinámica de la enfermedad en el tiempo. Tampoco consideran cómo utilizar un enfoque algorítmico para optimizar estas políticas, dada la incertidumbre de las estimaciones de la dinámica de estas enfermedades. Este modelo considera estos dos aspectos.
Por otro lado, dado que los patrones de transmisión de la infección varían con la edad, el equipo de investigación utilizó datos estratificados por edad para determinar el público objetivo óptimo para las comunicaciones de salud pública. Sin embargo, se señaló además que el algoritmo también podría segmentar poblaciones utilizando otras variables, incluido el género y la ubicación.
En el futuro, las ideas del estudio también podrían arrojar luz sobre los resultados de salud para otras intervenciones de enfermedades infecciosas, como el VIH o la gripe.
El estudio ha sido publicado en la Conferencia AAAI sobre Inteligencia Artificial.