La influenza es altamente contagiosa y se propaga fácilmente a medida que las personas se transportan y viajan, lo que hace que el seguimiento y pronóstico de la actividad de la gripe sea un desafío.
[/media-credit] En presencia de amenazas para la salud, los enfoques de precisión de salud pública apuntan a proporcionar intervenciones específicas, oportunas y específicas para la población.
Cuando el enfoque, llamado ARGONet, se aplicó a las temporadas de gripe de septiembre de 2014 a mayo de 2017, hizo predicciones más precisas que el enfoque de pronóstico de alto rendimiento anterior del equipo, ARGO, en más del 75% de los estados estudiados. Esto sugiere que ARGONet produce las estimaciones más precisas de la actividad de influenza disponibles hasta la fecha, una semana antes de los informes tradicionales basados en la atención médica, a nivel estatal en los Estados Unidos.
«Las metodologías oportunas y confiables para rastrear la actividad de la influenza en todos los lugares pueden ayudar a los funcionarios de salud pública a mitigar los brotes epidémicos y pueden mejorar la comunicación con el público para crear conciencia sobre los riesgos potenciales«, dice Mauricio Santillana, PhD, miembro de la facultad de CHIP y autor principal del artículo.
Aprender sobre patrones de gripe localizados
El enfoque de ARGONet utiliza aprendizaje automático y 2 modelos robustos de detección de gripe. El primer modelo, ARGO (por las siglas en inglés de AutoRegression with General Online information; Regresión automática con información general en línea), aprovecha la información de los registros de salud electrónicos, las búsquedas de Google relacionadas con la gripe y la actividad histórica de la gripe en una ubicación determinada. En el estudio, solo ARGO superó a Google Flu Trends, el sistema de pronóstico anterior que operó desde 2008 hasta 2015.
Para mejorar la precisión, ARGONet agrega un segundo modelo, que se basa en patrones espacio-temporales de propagación de la gripe en áreas vecinas. «Explota el hecho de que la presencia de gripe en lugares cercanos puede aumentar el riesgo de sufrir un brote de enfermedad en un lugar determinado«, explica Santillana, quien también es profesor asistente en la Escuela de Medicina de Harvard.
El sistema de aprendizaje automático se «entrenó» al proporcionarle predicciones de la gripe de ambos modelos, así como datos reales de la gripe, lo que ayudó a reducir los errores en las predicciones. «El sistema evalúa continuamente el poder predictivo de cada método independiente y recalibra cómo se debe utilizar esta información para producir estimaciones mejoradas de la gripe«, dice Santillana.
Salud publica de precisión
Los investigadores creen que su enfoque establecerá una base para la «salud pública de precisión» en las enfermedades infecciosas.
«Creemos que nuestros modelos serán más precisos con el tiempo a medida que se recopilen más volúmenes de búsqueda en línea y que cada vez más proveedores de atención médica incorporen registros de salud electrónicos basados en la nube«, afirma Fred Lu, investigador de CHIP y primer autor del artículo[.]
[referencias]
