Google Research Utiliza IA para Ayudar a Expertos en Salud Pública a Rastrear Enfermedades y Riesgos de Salud
Google Research desarrolló un modelo de inteligencia artificial que combina tendencias de búsqueda, movilidad humana y datos ambientales en perfiles de ubicación digitales. Las pruebas muestran que estos perfiles ayudan a los expertos en salud pública a rastrear y predecir tendencias de salud más rápido y a través de fronteras.
En resumen: Google Research desarrolló un modelo de inteligencia artificial que combina tendencias de búsqueda, movilidad humana y datos ambientales en perfiles de ubicación digitales. Las pruebas muestran que estos perfiles ayudan a los expertos en salud pública a rastrear y predecir tendencias de salud más rápido y a través de fronteras.
Descubrir dónde golpeará el próximo brote de una enfermedad a menudo se siente como tratar de leer un mapa escrito con tinta invisible, pero las nuevas herramientas de inteligencia artificial están ayudando a los científicos a aclarar esos patrones ocultos.
Qué ocurrió, en palabras sencillas
Los ingenieros de software de Google Research Arbaaz Muslim y Gautam Prasad presentaron el Population Dynamics Foundation Model (PDFM), parte de Google Earth AI. Esta herramienta crea "huellas dactilares" digitales para diferentes ubicaciones al resumir tendencias de búsqueda anónimas, movilidad humana, factores ambientales y densidad de construcción. En asociación con varios grupos de investigación, Google probó cómo la integración de estas huellas dactilares de ubicación en los modelos de salud existentes podría mejorar el trabajo de salud pública. Cinco estudios de caso diferentes demostraron que el modelo ayudó a los investigadores a rastrear tasas de vacunación transfronterizas, estimar muertes actuales por enfermedades cardíacas sin esperar datos antiguos de censos, pronosticar brotes de dengue en México, predecir riesgos de depresión posparto entre madres y anticipar focos de cólera en la República Democrática del Congo.
Puntos clave
- Rastreo de necesidades de salud transfronterizas: Investigadores del Mount Sinai Health System y del Boston Children's Hospital utilizaron datos de ubicación de Canadá y EE. UU. para predecir mejor la cobertura de vacunación contra el sarampión cerca de la frontera, aumentando la variación explicada del 16% al 22%.
- Estimaciones más rápidas de enfermedades cardíacas: Socios de la NYU Grossman School of Medicine descubrieron que el modelo de IA podía estimar las muertes por enfermedades cardiovasculares del año en curso en los condados de EE. UU. sin los habituales retrasos de informes de varios años de los datos censales tradicionales.
- Alertas tempranas para el dengue: Trabajando con la Universidad de Oxford y el Tecnológico de Monterrey, los investigadores combinaron la herramienta de IA con un modelo de series temporales para pronosticar casos de dengue en municipios mexicanos con un mes de anticipación, mejorando la precisión en hasta un 72% de las áreas de transmisión activa.
- Apoyo a la salud mental materna: Investigadores de la Universidad de Washington descubrieron que la herramienta de IA ayudó a identificar riesgos de depresión posparto en madres y podría ayudar a los sistemas de salud a llegar a miles de madres rurales más o reducir falsas alarmas.
- Anticipación de brotes de cólera: Una versión ligera del modelo probada con socios regionales de la Organización Mundial de la Salud ayudó a pronosticar puntos críticos de cólera con cuatro a ocho semanas de anticipación en la República Democrática del Congo.
Términos explicados
- Modelo Base — Un sistema de inteligencia artificial a gran escala entrenado en cantidades masivas de datos diversos que se puede adaptar para realizar muchas tareas diferentes. Ejemplo: Párese a pensar en ello como una navaja suiza maestra que ya sabe hacer muchos trabajos, por lo que no tiene que construir una herramienta nueva desde cero para cada tarea individual.
- Embeddings (Incrustaciones) — Resúmenes digitales compactos o "huellas dactilares" que representan información compleja del mundo real en un formato que las computadoras pueden procesar fácilmente. Ejemplo: Es como convertir una descripción detallada de las carreteras, tiendas y clima de un vecindario en un código numérico simple.
- Vigilancia Epidemiológica — La recolección y análisis continuos de datos de salud para rastrear y monitorear la propagación de enfermedades en las poblaciones. Ejemplo: Es similar a un sistema de radar meteorológico, pero en lugar de rastrear tormentas de lluvia, los trabajadores de la salud vigilan los signos de próximas enfermedades.
Por qué importa
El rastreo tradicional de la salud pública a menudo sufre de retrasos de varios años y falta de información, lo que dificulta el envío de suministros médicos o vacunas a donde más se necesitan. Al llenar estas brechas de datos, los departamentos de salud pueden usar las condiciones actuales para guiar los recursos de prevención, detectar brotes con semanas de anticipación y dirigir la atención a las comunidades vulnerables de manera más eficiente.
Lo que aún no sabemos
La investigación se basa en instantáneas de datos actuales, y los científicos todavía están trabajando para hacer que los embeddings sean temporalmente dinámicos y más adecuados para regiones con poca conectividad. Además, estas pruebas forman parte de evaluaciones académicas y de socios en lugar de un estándar global establecido para la práctica médica.
Basado en información de Google Research. Este es un texto explicativo independiente, escrito con palabras propias y ayuda de IA; Google Research no lo ha revisado ni respaldado. Lee el original para ver todos los detalles.