Según expertos, una de las estrategias más efectivas para contener la pandemia es realizar testeos masivos. Smart Pooling promete ser una valiosa herramienta en esta lucha contra la enfermedad, pues busca optimizar las pruebas de Covid-19 mediante la implementación de un modelo de Inteligencia Artificial. Este proyecto, liderado por Pablo Arbeláez, profesor asociado del Departamento de Ingeniería Biomédica, es la investigación bandera del nuevo Centro de Investigación y Formación en Inteligencia Artificial - CinfonIA.
“Si sabemos qué persona está infectada y dónde está ubicada todo el tiempo, se puede contener mucho más fácil la pandemia”, señala María Camila Escobar, estudiante de la maestría en Ingeniería Biomédica y líder del equipo de expertos en Inteligencia Artificial que, bajo la dirección de Pablo Arbeláez, profesor asociado del Departamento de Ingeniería Biomédica, creó Smart Pooling, un sistema que aplica la Inteligencia Artificial para hacer más eficiente el testeo de Covid-19. Con esta poderosa herramienta se podría hacer frente a la inexistencia de una vacuna, a la necesidad de hacer pruebas masivas y a la escasez, en muchas regiones del mundo, de los productos químicos y del personal especializado, necesarios para realizar estos diagnósticos.
“Hasta ahora nadie había propuesto utilizar Inteligencia Artificial para mejorar las pruebas de Covid-19”, destaca Arbeláez sobre este innovador proyecto, pionero a nivel mundial, que por primera vez aplica esta tecnología al pooling, para resolver un problema de salud pública.
El pooling nació durante la Segunda Guerra Mundial, cuando comenzaron a evaluar grupos de muestras de soldados, a quienes examinaron para saber si tenían sífilis, con el fin de ahorrar tiempo, reactivos químicos y dinero.
El método básico aplicado a un grupo de baja prevalencia, es decir, donde hay muy pocos contagiados, consiste en agrupar las muestras de varias personas y realizar una prueba molecular por cada grupo, en lugar de analizarlas de forma individual. De esta manera, si el resultado del análisis de un grupo es negativo, quiere decir que todas las muestras que lo componen también lo son. En caso contrario, si es positivo, las muestras que conforman el grupo deben someterse a un segundo análisis, pero esta vez de manera individual (Figura 1).
Aunque el pooling hace más eficiente el uso de cada prueba molecular, no es igual de efectivo en grupos de media o alta prevalencia: cuando incrementa el número de contagiados, como ha ocurrido durante la pandemia. Esto sucede debido a que, a pesar de agruparse las muestras, hay tantos casos de contagio que todos los grupos podrían salir positivos y esto obligaría a hacer de nuevo todos los análisis de manera individual (Figura 2).
La propuesta de Smart Pooling es aplicar Inteligencia Artificial a este modelo, para lograr que los grupos sean seleccionados de la forma más acertada posible y, de esta manera, hacer aún más eficiente el uso de las pruebas moleculares, ya que con una sola se podrían analizar varias muestras (Figura 3).
Este sistema funciona gracias a la implementación de modelos automáticos de machine learning (Auto ML), los cuales evalúan otros modelos tradicionales de aprendizaje estadístico de machine learning, para determinar cuáles son los más efectivos a la hora de analizar la información.
En este caso en particular, los datos provienen de las entidades de salud que los recolectan al momento de tomarle la muestra al paciente: le preguntan, por ejemplo, si ha estado en contacto con algún contagiado, si tiene síntomas, si su trabajo le ha impedido estar en cuarentena o lo obliga a estar expuesto. Con esta información, Smart Pooling entrena el modelo, capaz de definir qué muestras tienen más probabilidades de ser positivas y, gracias a esto, determinar cómo se deberían agrupar.
“Este modelo nos ayudará a ordenarlas en grupos de mayor o menor riesgo. Así, aunque haya muchas personas infectadas en la población, seguiremos teniendo grupos negativos y, por consiguiente, no gastaremos más pruebas de las necesarias”, resalta Escobar. Así mismo, luego de que los laboratorios realicen las pruebas moleculares de los grupos, según las recomendaciones de Smart Pooling, estos resultados servirán para alimentar de nuevo el modelo. “Entre más datos tengamos, será más eficaz. Lo ideal sería crear uno para cada ciudad, puesto que el virus no se comporta igual en Bogotá como lo hace en otras ciudades”, añade.
Durante una primera fase, Smart Pooling se empezó a desarrollar con muestras de Bogotá, de las cuales solo se sabía si eran positivas o no, y a qué EPS pertenecían. Sin embargo, en la actualidad el equipo trabaja con un volumen mayor de información, pues emplea los datos del proyecto Covida, liderado por la profesora Silvia Restrepo, Vicerrectora de Investigación y Creación, que hace una vigilancia epidemiológica activa —realizan pruebas de Covid-19 en segmentos de la población con mayor riesgo de contagio, como domiciliarios o taxistas—. Esto redunda en que pueden entregar a los laboratorios datos mucho más detallados sobre las muestras.
La meta de los investigadores es que este modelo se use en todos los laboratorios nacionales y en otros lugares del mundo. En la actualidad, trabajan en su implementación en Bogotá, Cundinamarca y Tolima, en Colombia; y en Gambia, país africano; además, colaboran con AI For Good, grupo de investigación de Microsoft. “Les compartimos nuestra tecnología y estamos seguros de que, si ellos logran mejorarla, la compartirán con nosotros para que lo hagamos mucho mejor. Si otras personas desean utilizar estos métodos, queremos que lo hagan. La idea es darle respuesta a esta pandemia de la mejor manera posible”, subraya Arbeláez.
Además, como todos los proyectos de CinfonIA, Smart Pooling cumple con el precepto de hacer investigación responsable. Es por esto que el objetivo de esta herramienta es reforzar la prueba molecular —para lograr que sea mejor y más eficiente— en lugar de reemplazarla. “Si la usáramos para este fin, tendríamos un riesgo altísimo, porque si le digo a una persona que está sana y no lo está, puede salir a la calle e infectar a miles de personas. Hay una responsabilidad ética de quién diseña el algoritmo”, concluye Arbeláez.
Noticias relacionadas:
Smart Pooling: inteligencia artificial contra la pandemia
Smart Pooling: la multiplicación de las pruebas con inteligencia artificial
Inteligencia Artificial con una visión social
El Centro de Investigación y Formación en Inteligencia Artificial (CinfonIA) nació en agosto de 2020 y ya cuenta con una veintena de proyectos sobre salud pública, visión por computador y sustentabilidad.
“Nuestra misión es utilizar la Inteligencia Artificial para el beneficio de la humanidad”, resalta Arbeláez, director del nuevo centro, cuyas investigaciones se sostienen en tres pilares: la excelencia académica, los principios éticos y una investigación socialmente responsable.
CinfonIA agrupa los esfuerzos de una gran cantidad de profesores de los distintos departamentos de la Facultad de Ingeniería y de otras facultades de Uniandes, que se interesaban por esta área. Ejemplo de ello es la Facultad de Derecho, involucrada desde la concepción del Centro. “Somos nuevos, pero ya somos un referente en el país”, resalta Arbeláez.
Noticias relacionadas:
CinfonIA, nuevo Centro para la Investigación y Formación en Inteligencia Artificial de Los Andes
Pablo Arbeláez dirigirá CinfonIA, el nuevo Centro de Inteligencia Artificial uniandino
Un gran equipo
En Smart Pooling intervienen dos equipos de trabajo: el de Inteligencia Artificial, conformado por integrantes del grupo de investigación Biological Computer Vision, liderado por María Camila Escobar. Otro es el equipo del laboratorio GenCore que, a su vez, está conformado por varios grupos: uno experto en biología molecular, otro encargado del modelamiento y de la implementación del pooling; y uno de expertos epidemiológicos, que sirven de puente entre GenCore, el trabajo que se hace en la universidad y las distintas instancias de salud pública del país.
Además, el proyecto cuenta con socios internacionales: el Instituto de Salud Pública de Suiza y la Escuela Londinense de Higiene y Medicina Tropical.
Plataforma Egida
Predecir cómo evolucionará una pandemia es uno de los temas centrales de toda la epidemiología y existen una inmensa cantidad de modelos, refinados a lo largo de los años, para este estudio preciso. Aunque la Plataforma Égida, otro de los proyectos de CinfonIA, nació con el objetivo de utilizar la Inteligencia Artificial para realizar esta misma tarea, en la actualidad el proyecto está congelado. “No sabemos si habrá otro día sin IVA, un cambio político o de otro tipo. Estos factores cambiarían de inmediato la pandemia y Egida nunca podría predecir su evolución. Estos modelos son útiles, pues ayudan a tener un estimado, pero difícilmente llegarán al nivel de granularidad que nos gustaría”, concluye Arbeláez.
Además, el proyecto cuenta con socios internacionales: el Instituto de Salud Pública de Suiza y la Escuela Londinense de Higiene y Medicina Tropical.
Noticia relacionada:
Egida, la plataforma de analítica de Inteligencia Artificial para predecir casos de Covid-19
Conoce los proyectos en los que trabajaron en conjunto los profesores y estudiantes de la Facultad de Ingeniería para hacerle frente a uno de los desafíos más complejos de la humanidad en la nueva edición de Revista CONTACTO. Léela la versión digital en el siguiente enlace.
Noticia relacionada:
