Inteligencia artificial y coronavirus: más ‘hype’ que realidad (por ahora)

Las alertas tempranas de brotes de enfermedades epidémicas pueden ayudar a salvar vidas. A finales de 2019, el sistema automatizado, basado en IA, BlueDot generó una alerta sobre casos de neumonía no identificada en la ciudad china de Wuhan. El sistema, que analiza las noticias y los informes de las redes sociales, calificó la gravedad de la alerta en el nivel 3, sobre un máximo de 5, es decir no detectó la extrema importancia del brote. La inteligencia humana fue fundamental para evaluar la gravedad del brote y provocar así la respuesta de la comunidad internacional algunos días más tarde.

Otros sistemas, como por ejemplo Metabiota, también detectaron el brote. Estos sistemas usan algoritmos que se basan en detectar palabras clave en textos on-line pero no llevan a cabo un análisis semántico profundo del contenido de los textos y por este motivo son poco robustos. Es decir que pueden confundirse fácilmente, por este motivo siempre es necesario involucrar personas el proceso de análisis y toma de decisiones. De hecho, tanto en BlueDot como en Metabiota los análisis de los datos se llevan a cabo por equipos formados por personas y máquinas. La IA es sin duda útil como herramientas de ayuda para encontrar patrones ocultos en los datos, pero son los expertos humanos los que pueden relacionar y contextualizar estos patrones con otras fuentes de información y, obviamente, con sus conocimientos sobre el tema.

Por otra parte, unas horas antes del aviso de BlueDot, Marjorie Pollack, epidemióloga y editora de ProMed (Programa de Monitoreo de Enfermedades Emergentes) ya había detectado, sin la ayuda de la IA, la posibilidad del brote y movilizó a un equipo de expertos para investigarlo. ProMed emitió un informe, mucho más detallado que el de BlueDot, aproximadamente 30 minutos después de la alerta de éste. Es decir que algunas informaciones en el sentido de que fue una IA quien primero detectó este brote no son del todo correctas. Una vez más, el hype alrededor de la IA esconde la realidad.

Además de la predicción, otras actuaciones en las que la IA puede jugar un rol, siempre formando equipo con personas, son el diagnóstico y su tratamiento, en particular los esfuerzos para encontrar una vacuna. Por ejemplo, DeepMind ha desarrollado el sistema AlphaFold, capaz de predecir la estructura 3D de proteínas con una precisión superior a otras técnicas computacionales existentes. El objetivo es resolver el problema del plegamiento de proteínas (protein folding problem). Es un problema muy complejo ya que la combinatoria, es decir las posibles maneras que una proteína se puede plegar en el espacio 3D, es astronómica. Conocer la estructura de una proteína es importante ya que su función depende de su estructura y eso, aplicado al coronavirus, podría contribuir a encontrar una vacuna eficaz. En cualquier caso llevará tiempo disponer de sistemas de diagnóstico y vacunas realmente eficaces.

Lamentablemente, ya es tarde para que la IA nos salve del actual coronavirus. Pero hay muchas posibilidades de que juegue un papel muy importante en la predicción, diagnóstico, tratamiento y seguimiento de futuras epidemias. Pero la IA actual tiene el problema de necesitar enormes cantidades de datos para funcionar y estos datos deben proceder de fuentes confiables por lo que será necesario que los centros sanitarios compartan sus datos, siempre respetando al máximo la privacidad de los pacientes. Además estos datos también deberán compartirse entre los países ya que los virus no operan dentro de los límites de las fronteras geopolíticas.

Si realmente queremos responder mejor ante futuras pandemias, los países deberán llegar a acuerdos internacionales para compartir datos en tiempo real sobre diagnósticos y admisiones hospitalarias, que luego podrían incorporarse a modelos de pandemias basados en IA a escala global. También será necesario disponer de mejores sistemas de IA basados en técnicas más sofisticadas.

Por ejemplo técnicas de análisis del lenguaje que incorporen el análisis semántico y otras técnicas de aprendizaje automático, como el aprendizaje no supervisado, que permite que un sistema de IA identifique sus propios patrones en lugar de entrenarlo con ejemplos preseleccionados, o el aprendizaje por transferencia y analogía que permiten aprovechar conocimientos adquiridos resolviendo problemas anteriores para resolver más rápidamente un problema nuevo que sea similar. Por ejemplo, aprovechar lo aprendido sobre el actual coronavirus para predecir, diagnosticar, monitorizar y tratar mejor y más rápidamente el siguiente, evitando que la IA deba partir prácticamente de cero.

Aprovechar al máximo la IA requerirá datos confiables, nuevas técnicas, tiempos de reacción rápidos y coordinación inteligente entre muchas personas y países diferentes. Desafortunadamente, son requerimientos extraordinariamente difíciles de cumplir pero, sin duda, merece la pena intentarlo.

Ramon López de Mántaras Badia es director del Instituto de Investigación en Inteligencia Artificial del CSIC