La IA y el futuro de la prevención de la malaria

La malaria sigue siendo uno de los grandes desafíos de salud pública de nuestro tiempo. Según la Organización Mundial de la Salud, la Región de África de la OMS concentra la gran mayoría de los casos y muertes del mundo, y Nigeria soporta la mayor proporción de cualquier país. Los avances logrados a principios de la década de 2000 se han ralentizado, y los programas se enfrentan a amenazas crecientes: la resistencia a los insecticidas y a los medicamentos, las restricciones de financiación y el cambio climático.

En ese contexto, resulta tentador ver la inteligencia artificial como una tecnología revolucionaria. Creemos que un enfoque más útil es más acotado y práctico: la IA puede ayudar a los programas de malaria a decidir dónde y cuándo actuar con mayor precisión. Eso es valioso precisamente porque las herramientas de prevención de la malaria (mosquiteros, fumigación, quimioprevención, manejo de casos y, cada vez más, vacunas) ya funcionan cuando llegan a las personas adecuadas en el momento adecuado.

Dónde puede ayudar la IA

Anticipar el riesgo estacional

En muchos entornos, la transmisión de la malaria es marcadamente estacional y depende de la lluvia, la temperatura y la humedad con rezagos característicos. Los modelos estadísticos y de aprendizaje automático que combinan el historial de vigilancia con datos climáticos pueden estimar cómo es probable que evolucione el riesgo en las próximas semanas. Incluso un pequeño margen adicional de anticipación puede ayudar a los programas a preposicionar insumos y programar campañas.

Ver la variación subnacional

Los promedios nacionales, e incluso los estatales, pueden ocultar grandes diferencias entre distritos y barrios. Los modelos geoespaciales pueden estimar el riesgo con mayor resolución y ayudar a los programas a no repartir los recursos de forma demasiado dispersa o uniforme.

Priorizar con recursos limitados

Los programas rara vez tienen recursos para cubrir todas las zonas a la vez. Combinar el riesgo pronosticado con indicadores como la proporción de niños pequeños, el tiempo de traslado a los centros de salud y la cobertura reciente de mosquiteros puede producir clasificaciones de prioridad transparentes, siempre que las ponderaciones sean visibles y estén acordadas por las partes interesadas.

Reducir la fricción operativa

La microplanificación, la logística y la supervisión consumen mucho tiempo del personal de los programas. Las herramientas que elaboran borradores de planes a partir de prioridades acordadas y hacen seguimiento de las actividades planificadas frente a las completadas pueden liberar al personal con experiencia para que se concentre en los problemas que solo ellos pueden resolver.

Dónde hace falta cautela

La calidad de los datos es desigual

Los datos rutinarios de malaria pueden verse afectados por las tasas de pruebas, los desabastecimientos, la exhaustividad de la notificación y los cambios en la búsqueda de atención. Un modelo entrenado con esos datos puede aprender artefactos en lugar de la transmisión. Es imprescindible una evaluación cuidadosa de los datos y un trabajo estrecho con los epidemiólogos del programa que conocen la notificación local.

Los pronósticos son inciertos

Los pronósticos siempre deben presentarse con intervalos de predicción y evaluarse frente a referencias simples. Un modelo que no mejora a «lo mismo que el año pasado» añade complejidad sin aportar valor.

La equidad puede verse perjudicada

Las zonas con una notificación débil pueden parecer de menor riesgo simplemente porque se registran menos casos. Sin controles explícitos, la focalización basada en datos puede desviar recursos de las comunidades que más los necesitan.

Las personas deciden

Los resultados de la IA son insumos para el juicio experto, no sustitutos de él. Los gerentes de programa, los epidemiólogos y las comunidades deben seguir a cargo de las decisiones.

Qué significa esto para Epinova

El enfoque inicial de Epinova en malaria es Nigeria, donde la escala y la diversidad de la transmisión hacen especialmente valiosa una focalización precisa. Estamos desarrollando capacidades de pronóstico y priorización con estos principios presentes: validación antes del uso, incertidumbre visible, ponderaciones transparentes y decisiones tomadas por personas.

Estamos en una etapa temprana y no afirmaremos resultados que aún no hayamos demostrado. Lo que sí podemos decir es que estamos construyendo junto con quienes dirigen los programas de malaria, que nos medimos frente a referencias simples y que nos comprometemos a informar de lo que encontremos.