Inteligencia Artificial en COVID-19

Durante este año, el COVID ha impactado todos los aspectos de nuestras rutinas diarias, desde el trabajo e industrias hasta las interacciones sociales. Han pasado nueve meses desde que iniciamos los confinamientos, y las cifras siguen aumentando. Por eso en este artículo queremos discutir qué podemos hacer con inteligencia artificial ante el COVID-19.

La opinión pública general sostiene que los gobiernos mundiales han gestionado mal la pandemia, con decisiones impulsadas principalmente por fundamentalismos políticos. Por ejemplo, recientemente observamos cómo el gobierno portugués anunció más restricciones en las operaciones comerciales y la movilidad para reducir los encuentros familiares. La decisión se basó en la idea de que la mayoría de las infecciones (67%) ocurrían en este contexto (aquí). Aproximadamente un mes después, resultó que la cifra era mucho menor, representando solo el 10% de los casos conocidos (sin enmienda alguna a las decisiones) (aquí). ¡Parece que alguien olvidó asistir a su clase sobre Survivorship bias!

El impacto a largo plazo de estas decisiones es mucho mayor de lo que pensamos. Una grave crisis económica está surgiendo de esta situación, y miles de muertes aparentemente no relacionadas que nadie quiere explicar, y mucho menos contabilizar. Así es cómo considerar sus creencias sesgadas por encima de evidencia respaldada por datos se volvió catastrófico.

Sin embargo, existe una alternativa: utilizar datos para respaldar la toma de decisiones. Los empresarios, en general, han trabajado en escenarios altamente inciertos durante milenios. Mientras la mayoría de las empresas aprendieron hace décadas a utilizar datos para respaldar sus decisiones, los políticos de cualquier espectro parecen estar enamorados de la toma de decisiones impulsada por populismo. Es hora de que los científicos de datos tomen el control, o al menos estén en la cabina, para poder redirigir el debate al ámbito científico.

¿Dónde podemos ayudar?

Todos sabemos que abordar aplicaciones a nivel de paciente con inteligencia artificial es prometedor. Sin embargo, mi opinión es que deberíamos desviar parte de nuestro enfoque de diagnosticar COVID y respiradores inteligentes hacia reducir la propagación en primer lugar. Como discutimos en nuestro anterior artículo de blog, existe mucho espacio para la inteligencia artificial a nivel hospitalario y a nivel social. Con las vacunas superando las pruebas requeridas para su introducción en el mercado, el tema candente para los próximos meses —¿años? Esperemos que no—. Habrá políticas de vacunación eficientes. Incluso si tenemos una vacuna, los recursos implicados en la vacunación global tardarán tiempo en desplegarse completamente. Por lo tanto, necesitamos estrategias para vacunar a las personas adecuadas. Esa sería una forma mejor de utilizar inteligencia artificial ante el COVID.

Esbocemos una idea de cómo podríamos usar inteligencia artificial para optimizar la vacunación.

Optimizando la vacunación contra el COVID con inteligencia artificial

¿Cuál es nuestro objetivo aquí? Supongo que es lograr un cierto nivel de inmunidad colectiva con un número mínimo de vacunas. Sé que hay otros factores (costos operacionales, logística, muertes), pero el número de vacunas administradas parece una restricción intuitiva para los próximos meses.

Dejando de lado los sentimientos (y la política), vacunar a la población de alto riesgo no es la solución ideal. Por ejemplo, necesitarás vacunar a decenas o cientos de personas mayores para reducir considerablemente el riesgo comunitario en una residencia de ancianos, pero solo a unos pocos para vacunar al personal que interactúa diariamente con estos pacientes de alto riesgo. Esto generalmente ocurre en cualquier comunidad con bajas interacciones entrantes (por ejemplo, cárceles).

Modelo predictivo para llenar los vacíos

Primero necesitamos darnos cuenta de que no estamos buscando vacunar a más personas sino a más contactos inmunizados (por ejemplo, un apretón de manos es seguro si al menos una de las manos es inmune a la enfermedad). Entonces, necesitamos entender el riesgo "entrante" para una persona al diseñar estas políticas y el riesgo "saliente". Es decir, ¿quién contribuirá más a la propagación de la enfermedad?

Los gobiernos y autoridades de salud han recopilado algunos datos sobre infecciones. Hasta ahora, estos datos se han enfocado en entender el impacto de la enfermedad en el paciente y no tanto en la transmisión social. ¡Necesitamos abordar esto cuanto antes! Entonces, digamos que estamos construyendo un modelo predictivo que, dada una persona, predice cuántos pacientes serán infectados por ella (considere transitividad, es decir, infecciones de orden K). El modelo puede analizar atributos como edad, sexo, domicilio, dirección laboral, uso de transporte público, patrones de movilidad, profesión, estadísticas del lugar de trabajo, estadísticas sobre familiares, etc. Siempre con enfoque en el potencial de propagación y no solo en el riesgo personal. La mayoría de esta información se puede extraer de la seguridad social, recaudación de impuestos y registros públicos. Otros datos pueden ser más complicados de obtener, superando los límites de protección de datos (en caso de duda, la privacidad es lo primero). Echa un vistazo a la carta abierta de DSSG PT a DGS para obtener buenas directrices sobre recopilación de datos.

Hay un problema al construir tales modelos: no tenemos datos confiables sobre transmisiones. La mayoría de las infecciones son de origen desconocido. Por lo tanto, los modelos que construimos deben considerar que no observaremos la mayoría de los puntos de datos y que lo que se observa está sesgado hacia personas infectadas con fuentes de infección conocidas (por ejemplo, el hijo que infectó a su madre).

Construyendo políticas óptimas con inteligencia artificial ante el COVID: de predicciones a decisiones

Digamos que hemos construido un modelo que, dada una persona, predice el grado esperado de contagiosidad saliente. ¿A quién deberíamos vacunar ahora? ¿Solo a los que tienen una tasa de infecciosidad más alta? Probablemente no. Si conociéramos enlaces entre personas, podríamos estimar los cortes mínimos del gráfico o una cobertura de vértices para asegurar que el COVID no se mueva de una comunidad a otra. En algunos casos locales, tendremos acceso a tales gráficos (por ejemplo, dentro de un hospital, en una escuela, etc.), y podríamos apuntar a la mejor solución. En la mayoría de los casos, considerando el mundo altamente dinámico en el que vivimos, no lo haremos. Entonces, necesitamos considerar alternativas heurísticas que aborden gráficos de conocimiento parcial mirando relaciones conocidas (por ejemplo, agregados familiares y lugar de trabajo) y la tasa de transmisión predicha por persona.

Nota sobre equidad: El modelo puede dañar a ciertos grupos de personas. Esto es especialmente cierto si consideramos que algunas personas pueden trabajar en economías informales, lo que limitaría la visibilidad de sus redes de contacto. Por lo tanto, un método ingenuo las excluiría del acceso justo y necesario a la vacuna. Echa un vistazo a nuestro anterior artículo de blog sobre Fairness in AI para más detalles.

Entendemos que la solución descrita aquí puede no ser escalable ni siquiera viable. Sin embargo, el objetivo de este artículo no es resolver el problema sino abrir el debate, creando una conversación en la comunidad de datos para proponer soluciones que han sido pasadas por alto y que sin duda aumentarían el alcance de tales programas.

¿Tienes más ideas sobre cómo aplicar data science para optimizar este problema logístico masivo? ¡Cuéntanoslas!

¿Quieres discutir más esta idea?

Reserva una reunión con Kelwin Fernandes

Conoce a Kelwin Más información

Disclaimer: Las opiniones, puntos de vista y argumentos expresados en el texto corresponden únicamente al autor y no representan necesariamente a su empleador, organización, comité u otro grupo o individuo.