Nuevos artículos
La inteligencia artificial predice brotes de malaria en el sur de Asia
Último revisado: 02.07.2025
Todo el contenido de iLive se revisa médicamente o se verifica para asegurar la mayor precisión posible.
Tenemos pautas de abastecimiento estrictas y solo estamos vinculados a sitios de medios acreditados, instituciones de investigación académica y, siempre que sea posible, estudios con revisión médica. Tenga en cuenta que los números entre paréntesis ([1], [2], etc.) son enlaces a estos estudios en los que se puede hacer clic.
Si considera que alguno de nuestros contenidos es incorrecto, está desactualizado o es cuestionable, selecciónelo y presione Ctrl + Intro.
Investigadores del NDORMS, en colaboración con instituciones internacionales, han demostrado el potencial del uso de mediciones ambientales y modelos de aprendizaje profundo para predecir brotes de malaria en el sur de Asia. El estudio ofrece perspectivas alentadoras para mejorar los sistemas de alerta temprana de una de las enfermedades más mortales del mundo.
La malaria sigue siendo un importante problema de salud mundial, con aproximadamente la mitad de la población mundial en riesgo de infección, especialmente en África y el sur de Asia. Si bien la malaria es prevenible, la variabilidad de los factores de riesgo climáticos, sociodemográficos y ambientales dificulta la predicción de brotes.
Un equipo de investigadores dirigido por la profesora asociada Sarah Khalid del Grupo de Informática de Salud Planetaria NDORMS de la Universidad de Oxford, en colaboración con la Universidad de Ciencias de la Gestión de Lahore, buscó abordar esta cuestión e investigar si un enfoque de aprendizaje automático basado en el entorno podría ofrecer el potencial de herramientas de alerta temprana para la malaria en lugares específicos.
Desarrollaron un modelo LSTM multivariado (M-LSTM) que analizó simultáneamente métricas ambientales que incluían temperatura, precipitaciones, mediciones de vegetación y datos de luz nocturna para predecir la incidencia de malaria en un cinturón del sur de Asia que abarca Pakistán, India y Bangladesh.
Los datos se compararon con las tasas de incidencia de malaria a nivel de distrito para cada país entre 2000 y 2017, obtenidas de los conjuntos de datos de Encuestas Demográficas y de Salud de la Agencia de los Estados Unidos para el Desarrollo Internacional.
Los resultados, publicados en The Lancet Planetary Health, muestran que el modelo M-LSTM propuesto supera consistentemente al modelo LSTM tradicional con errores 94,5%, 99,7% y 99,8% menores para Pakistán, India y Bangladesh, respectivamente.
En general, se logró una mayor precisión y una reducción de errores a medida que aumentaba la complejidad del modelo, lo que resalta la eficacia del enfoque.
Sarah explicó: «Este enfoque es generalizable, por lo que nuestro modelo tiene implicaciones significativas para las políticas de salud pública. Por ejemplo, podría aplicarse a otras enfermedades infecciosas o ampliarse a otras zonas de alto riesgo con una morbilidad y mortalidad por malaria desproporcionadamente altas en las regiones de la OMS en África. Podría ayudar a los responsables de la toma de decisiones a implementar medidas más proactivas para gestionar los brotes de malaria de forma temprana y precisa».
El verdadero atractivo reside en la capacidad de analizar prácticamente cualquier lugar de la Tierra gracias a los rápidos avances en la observación de la Tierra, el aprendizaje profundo y la IA, así como a la disponibilidad de ordenadores de alto rendimiento. Esto podría conducir a intervenciones más específicas y a una mejor asignación de recursos en el esfuerzo continuo por erradicar la malaria y mejorar los resultados de salud pública a nivel mundial.