Datos climáticos tomados de satélites en órbita terrestre, combinado con técnicas de aprendizaje automático, están ayudando a predecir mejor los brotes de cólera y potencialmente salvar vidas.

El cólera es una enfermedad transmitida por el agua causada por la ingestión de agua o alimentos contaminados con la bacteria Vibrio cholerae, que se puede encontrar en muchas regiones costeras de todo el mundo, especialmente en áreas tropicales densamente pobladas. El patógeno responsable generalmente vive bajo temperaturas cálidas, salinidad y turbidez moderadas, y puede ser albergado por plancton y detritos en el agua.

El calentamiento global y el aumento de los fenómenos meteorológicos extremos están provocando brotes de cólera, una enfermedad que afecta de 1,3 a 4 millones de personas cada año en todo el mundo y causa hasta 143 000 muertes. Un nuevo estudio muestra cómo se pueden predecir los brotes de cólera en las regiones costeras de la India con una tasa de éxito del 89%. en la primera demostración del uso de la salinidad de la superficie del mar para pronosticar el cólera.

La investigación publicada ayer en el Revista Internacional de Investigación Ambiental y Salud Pública se centra en predecir los brotes de cólera en el norte del Océano Índico, donde más de la mitad de los casos mundiales de la enfermedad se notificaron en el período 2010-16.

La relación entre los impulsores ambientales de la incidencia del cólera es compleja, y varían estacionalmente, con diferentes efectos retardados, por ejemplo, de la temporada de los monzones. Los algoritmos de aprendizaje automático pueden ayudar a superar estos problemas al aprender a reconocer patrones en grandes conjuntos de datos para hacer predicciones comprobables.

El estudio fue dirigido por Amy Campbell durante un período de prácticas de un año en la Oficina de Clima de la ESA. Amy, junto con sus coautores en el Laboratorio Marino de Plymouth (PML), utilizó un algoritmo de aprendizaje automático popular en aplicaciones de ciencias ambientales, el clasificador de bosque aleatorio, que puede reconocer patrones en conjuntos de datos extensos y realizar predicciones comprobables.

El algoritmo se entrenó sobre los brotes de enfermedades notificados en los distritos costeros de la India entre 2010 y 2018, y aprendió las relaciones con seis registros climáticos basados ​​en satélites generados por la Iniciativa de Cambio Climático (CCI) de la ESA.

Incluyendo o eliminando variables ambientales y subconjuntos para diferentes estaciones, el algoritmo identificó variables clave para predecir los brotes de cólera como la temperatura de la superficie terrestre, salinidad de la superficie del mar, concentración de clorofila-a y diferencia del nivel del mar con respecto al promedio (anomalía del nivel del mar).

Amy Campbell dijo:"El modelo mostró resultados prometedores, y hay mucho margen para desarrollar este trabajo utilizando diferentes conjuntos de datos de vigilancia del cólera o en diferentes ubicaciones. En nuestro estudio, probamos diferentes técnicas de aprendizaje automático y descubrimos que el clasificador de bosque aleatorio es el mejor, pero hay muchas más técnicas que podrían investigarse.

"Sería interesante probar el impacto de incluir conjuntos de datos socioeconómicos; los datos de teledetección podrían usarse para desarrollar registros que tengan en cuenta los factores humanos que son importantes para la incidencia del cólera, como el acceso a los recursos hídricos ".

El estudio y sus nuevos conocimientos han contribuido al proyecto UKRI-NERC Pathways of Dispersal for Cholera and Solution Tools (PODCAST) dirigido por la coautora Marie-Fanny Racault en PML, que está evaluando el impacto del calentamiento climático y los extremos climáticos en los hábitats adecuados para Vibrio cholerae.

Los resultados del estudio se demostrarán en la reunión COP26 de la CMNUCC en 2021 a través de una herramienta de pronóstico basada en la web como parte del proyecto PODCAST-DEMO.