Un nuevo modelo de aprendizaje automático podría ayudar a los funcionarios de salud pública a adelantarse a la próxima crisis

Diagnosticar y contener un brote de enfermedad, o los efectos en la salud de un evento disruptivo como un desastre natural, puede ser una tarea enorme. Un estudio publicado el viernes por la Universidad de Nueva York sugiere que un nuevo modelo de aprendizaje automático podría mejorar la capacidad de los funcionarios de salud para responder a futuras pandemias y otras crisis de salud pública.

La investigación se realizó en colaboración con la Universidad Carnegie Mellon y el Departamento de Salud e Higiene Mental de la ciudad de Nueva York.

Kimberly Adams de Marketplace habla con Daniel Neill, profesor de informática en la Universidad de Nueva York y director de Machine Learning for Good Laboratory, que publicó el estudio. Explica cómo funciona este modelo de aprendizaje automático. La siguiente es una transcripción editada de su conversación.

Daniel Neil: Nuestro enfoque utiliza datos textuales de las visitas al departamento de emergencias. Entonces, en particular, lo principal por lo que el paciente ha venido al departamento de emergencias. Y esos datos textuales contienen datos mucho más ricos que simplemente "una persona tiene síntomas parecidos a los de la gripe". Es posible que sepamos exactamente qué tipo de síntomas tienen o a qué han estado expuestos y, por lo tanto, al detectar patrones en estos datos textuales, podemos descubrir nuevos brotes, cosas que la salud pública aún no estaba buscando, así como otros tipos de eventos.

Kimberly Adams:¿Cómo podría implementarse este algoritmo en un departamento de salud para identificar brotes de enfermedades nuevos o no identificados?

Neil: La esperanza es que los departamentos de salud pública realmente ejecuten este tipo de enfoque a diario, donde cada día el algoritmo muestre grupos en el pasado, digamos, 24 horas de datos que la salud pública podría analizar y, si es necesario, responder a. También puede ayudar a la salud pública a lidiar con la miríada de cosas que tienen que abordar a diario, que podría ser un grupo de casos que provienen de la inhalación de humo, o hay algún tipo de exposición química, o estamos viendo un nuevo grupo de sobredosis de drogas debido a alguna nueva droga sintética. Así que, de nuevo, el objetivo es darles a conocer día a día todo lo que sucede en su jurisdicción.

adams:Así que tal vez podría detectar, no sé, un brote de algo como la enfermedad del legionario antes de lo que lo haría de otra manera.

Neil: Sí es cierto. Ese es un buen ejemplo de algo con síntomas raros. Y también puede imaginar si algo viene junto con síntomas nuevos, cosas que nunca habíamos visto antes, como que está causando que las narices de las personas se vuelvan azules y se caigan. Ahora bien, no deberían pasar muchos casos de algo así para que nos demos cuenta de que tenemos algo nuevo y diferente con lo que la salud pública debe lidiar. Pero la ironía es que los sistemas típicos de vigilancia de enfermedades simplemente los asignarán a sus categorías de síndromes existentes y esencialmente perderán el hecho de que en realidad hay algo novedoso allí. Entonces, lo que proporcionamos es una red de seguridad para capturar todo ese tipo de eventos que otros sistemas podrían pasar por alto.

adams:¿Qué sucede si hay un lapso en los datos o simplemente no hay personas que hablen sobre sus síntomas?

Neil: Así es. Eso es absolutamente una limitación del sistema, que depende de la calidad de los datos, la disponibilidad de los datos y la puntualidad de los datos. Entonces, por ejemplo, si una jurisdicción no obtiene los datos del departamento de emergencias de los hospitales locales de manera oportuna, eso afectará toda su capacidad para responder a cualquier patrón en esos datos. De manera similar, si hubo errores importantes en la forma en que se recopilaron los datos, estos tienen el potencial de propagarse a lo que podemos detectar usando esos datos. Además, tiene toda la razón, las cosas que podrían no resultar en visitas al departamento de emergencias no serían necesariamente detectables a través de esta fuente de datos en particular. Sin embargo, existe una amplia variedad de fuentes de datos que la salud pública utiliza para la detección de brotes.

adams: Una de las formas en que todos probaron este algoritmo fue mirar los datos que llegaron a los hospitales después del huracán Sandy. ¿Puede explicarme lo que vio y cómo respondió el algoritmo?

Neil: Seguro. Encontramos una progresión muy interesante de grupos de casos en los departamentos de emergencia de la ciudad de Nueva York. En uno o dos días después del golpe de Sandy, vimos algo de lo que esperábamos, que son muchos casos agudos: personas que llegan con lesiones en las piernas o dificultad para respirar, otras cosas que son resultados directos del impacto del huracán. . Un par de días después de eso, comenzamos a ver grupos de casos relacionados más con problemas de salud mental. Así que la gente viene con cosas como depresión y ansiedad. Y luego, unos días después de eso, vimos otro tipo de caso. Vimos personas que acudían al departamento de emergencias para cosas como diálisis o mantenimiento con metadona. Todas estas son cosas que normalmente no se tratarían en el departamento de emergencias de un hospital. Pero debido a que todas las clínicas ambulatorias estaban cerradas, las personas también tenían que usar el servicio de urgencias esencialmente por esas razones. Entonces, lo que esto realmente nos muestra es la progresión de diferentes tensiones en un departamento de emergencias después de un desastre natural. Y creo que es muy informativo para el personal del servicio de urgencias del hospital saber lo que podrían necesitar para anticipar y estar preparados y tener los recursos adecuados para abordar todos estos diferentes tipos de problemas.

adams:¿Por qué el aprendizaje automático es una mejor herramienta para este conjunto particular de problemas de salud pública que la forma en que lo hemos estado haciendo antes?

Neil: De ninguna manera es esta una tarea en la que [la inteligencia artificial] debería reemplazar a los humanos. Entonces, lo que hace nuestro sistema es que los humanos, los epidemiólogos de la salud, estén al tanto de los eventos que están surgiendo en los datos que de otro modo no verían. Entonces, sacar a la superficie lo que es importante en todos estos datos masivos y complejos que a un ser humano le podrían importar y a los que podría querer responder es realmente la clave.

Todos los días, el equipo de "Marketplace Tech" desmitifica la economía digital con historias que exploran más que solo Big Tech. Estamos comprometidos a cubrir temas que son importantes para usted y el mundo que nos rodea, profundizando en cómo la tecnología se cruza con el cambio climático, la inequidad y la desinformación.

Como parte de una sala de redacción sin fines de lucro, contamos con oyentes como usted para mantener este servicio público gratuito y disponible para todos.

Apoye "Marketplace Tech" en cualquier cantidad hoy y conviértase en un socio de nuestra misión.