Las campañas de divulgación pública pueden prevenir la propagación de enfermedades devastadoras pero tratables como la tuberculosis (TB), malaria y gonorrea. Pero garantizar que estas campañas lleguen de forma eficaz a los pacientes no diagnosticados, que pueden transmitir la enfermedad a otras personas sin saberlo, es un gran desafío para las agencias de salud pública con problemas de liquidez. Ahora, Un equipo de investigadores de la Facultad de Ingeniería de la USC Viterbi ha creado un algoritmo que puede ayudar a los responsables políticos a reducir la propagación general de enfermedades. El algoritmo también está optimizado para aprovechar al máximo los recursos limitados, como presupuestos publicitarios.

Para crear el algoritmo, los investigadores utilizaron datos, incluido el comportamiento, tendencias demográficas y de enfermedades epidémicas, para crear un modelo de propagación de enfermedades que capture la dinámica de la población subyacente y los patrones de contacto entre las personas.

Usando simulaciones por computadora, los investigadores probaron el algoritmo en dos casos del mundo real:tuberculosis (TB) en India y gonorrea en Estados Unidos. En ambos casos, encontraron que el algoritmo hizo un mejor trabajo para reducir los casos de enfermedades que las políticas actuales de extensión de la salud al compartir información sobre estas enfermedades con las personas que podrían estar en mayor riesgo.

El estudio fue publicado en la Conferencia AAAI sobre Inteligencia Artificial. Los autores son Bryan Wilder, un candidato a un doctorado en ciencias de la computación, Milind Tambe, la profesora de Ingeniería Helen N. y Emmett H. Jones, profesor de informática e ingeniería industrial y de sistemas y cofundador del Centro de Inteligencia Artificial en la Sociedad de la USC y Sze-chuan Suen, profesor asistente de ingeniería industrial y de sistemas.

"Nuestro estudio muestra que un algoritmo sofisticado puede reducir sustancialmente la propagación de enfermedades en general, "dice Wilder, el primer autor del artículo. "Podemos marcar una gran diferencia, e incluso salvar vidas, simplemente siendo un poco más inteligentes acerca de cómo usamos los recursos y compartimos información de salud con el público ".

Revelando la dinámica de la enfermedad

El algoritmo también pareció hacer un uso más estratégico de los recursos. El equipo descubrió que se concentraba en gran medida en grupos particulares y no simplemente asignaba más presupuesto a grupos con una alta prevalencia de la enfermedad. Esto parece indicar que el algoritmo está aprovechando patrones no obvios y aprovechando interacciones a veces sutiles entre variables que los humanos pueden no ser capaces de identificar.

Los modelos matemáticos del equipo también tienen en cuenta que las personas se mueven, la edad, y muere, reflejando una dinámica de población más realista que muchos algoritmos existentes para el control de enfermedades. Por ejemplo, las personas pueden no curarse instantáneamente, por lo que reducir la prevalencia a los 30 años podría significar la creación de comunicaciones de salud pública específicas para las personas a los 27 años.

"Si bien existen muchos métodos para identificar las poblaciones de pacientes para las campañas de extensión de la salud, no muchos consideran la interacción entre los patrones cambiantes de la población y la dinámica de las enfermedades a lo largo del tiempo, "dice Suen, quien también tiene un nombramiento como profesor asistente en el Centro Leonard D. Schaeffer de Política y Economía de la Salud.

"Menos aún consideran cómo utilizar un enfoque algorítmico para optimizar estas políticas dada la incertidumbre de nuestras estimaciones de la dinámica de estas enfermedades. Tomamos en cuenta estos dos efectos en nuestro enfoque".

Dado que los patrones de transmisión de la infección varían con la edad, El equipo de investigación utilizó datos estratificados por edad para determinar el público objetivo óptimo para las comunicaciones de salud pública. Pero el algoritmo también podría segmentar poblaciones utilizando otras variables, incluyendo género y ubicación.

En el futuro, Los conocimientos del estudio también podrían arrojar luz sobre los resultados de salud de otras intervenciones de enfermedades infecciosas, como el VIH o la gripe.