El aprendizaje automático puede guiar los esfuerzos de seguridad alimentaria cuando no se dispone de datos primarios. Las predicciones que difieren del valor observado por un máximo de ± 5 puntos de prevalencia se clasifican como correctas. La prevalencia prevista>40 % (<40 %) cuando la prevalencia observada es <40 % (>40 %) se clasifican como sobreestimación alta (subestimación). Las otras regiones se clasifican como subestimación y sobreestimación bajas. La línea negra sólida indica dónde caerían los puntos si todos los valores pronosticados coincidieran perfectamente con los observados, y las líneas diagonales discontinuas grises indican una distancia de ± 5 puntos de prevalencia desde allí. Las líneas discontinuas grises horizontales y verticales indican los umbrales de prevalencia del 40 %. Crédito:Comida natural (2022). DOI:10.1038/s43016-022-00587-8
Investigadores de un artículo reciente publicado por Nature Food sugieren un método que, afirman, permitirá a los tomadores de decisiones tomar decisiones más oportunas e informadas sobre políticas y programas orientados a la lucha contra el hambre.
En 2021, 193 millones de personas en 53 países padecían inseguridad alimentaria aguda. Este número ha ido aumentando constantemente durante los últimos años también como consecuencia de la pandemia de COVID-19. Para abordar este problema global, el seguimiento de la situación y su evolución es clave.
Los gobiernos y las organizaciones humanitarias realizan evaluaciones de la seguridad alimentaria de forma regular a través de encuestas telefónicas móviles presenciales y remotas. Sin embargo, estos enfoques tienen altos costos tanto en dinero como en recursos humanos y, por lo tanto, no siempre se dispone de datos primarios sobre la situación de la seguridad alimentaria para todas las áreas afectadas. Sin embargo, esta información es clave para los gobiernos y las organizaciones humanitarias.
Para abordar este problema, los investigadores de Nature Food El artículo propone un enfoque de aprendizaje automático para predecir el número de personas con un consumo insuficiente de alimentos cuando no se dispone de mediciones directas actualizadas. "También proponemos un método para identificar qué variables están impulsando los cambios observados en las tendencias previstas, lo cual es clave para hacer que las predicciones sean útiles para los tomadores de decisiones", dice la profesora asistente Elisa Omodei (Departamento de Redes y Ciencia de Datos, CEU, Viena).
El método propuesto utiliza un algoritmo de aprendizaje automático para estimar la situación actual de inseguridad alimentaria en un área determinada a partir de datos sobre los principales impulsores de la inseguridad alimentaria:conflicto, climas extremos y crisis económicas. Los resultados muestran que la metodología propuesta puede explicar hasta el 81% de la variación en el consumo insuficiente de alimentos.
Los investigadores afirman que su enfoque abre la puerta a la predicción inmediata casi en tiempo real de la seguridad alimentaria a escala mundial, lo que permite a los responsables de la toma de decisiones tomar decisiones más oportunas e informadas sobre políticas y programas orientados a la lucha contra el hambre, en un esfuerzo por intentar alcanzar los ODS. 2 de la Agenda 2030 para el Desarrollo Sostenible. El hambre está aumentando en todo el mundo, pero las mujeres son las más afectadas por la inseguridad alimentaria
