.

Getty Images

Biotecnología

Agrupar diagnósticos, un truco de IA para abaratar y masificar los test de coronavirus

1

Agregar las muestras de muchos pacientes de una población en un mismo test permitiría aumentar la capacidad de ejecución y reducir costes. Para que funcione, la inteligencia artificial, alimentada con todos los datos disponibles, excluiría del grupo a aquellos con mayor riesgo de contagio

  • por Ned Augenblick Jonathan Kolstad y Ziad Obermeyer | traducido por Ana Milutinovic
  • 27 Julio, 2020

Es imposible contener el coronavirus (COVID-19) sin saber quién está infectado. Hasta que no tengamos una vacuna segura y efectiva ampliamente disponible, lo más importante sigue siendo detener la transmisión. A pesar de que la capacidad de la realización de pruebas de diagnóstico está aumentando, todavía está muy lejos del nivel necesario para detectar a los contagiados asintomáticos, que representan casi la mitad de la transmisión del virus.

Nuestra investigación describe una oportunidad para que la ciencia de datos multiplique de forma efectiva la capacidad actual de ejecución de test: si combinamos el aprendizaje automático con la recogida de pruebas de diagnóstico, grandes poblaciones podrían ser testadas a nivel semanal o incluso diario, por tan solo entre 2,5 euros y 4,3 euros por persona al día.

En otras palabras, por algo más de lo que que cuesta un café, los gobiernos podrían reabrir sus economías de manera segura y detener la transmisión continua de la COVID-19, sin necesidad que construir nuevos laboratorios y ni disponer de nuevos medicamentos o vacunas.

La mayoría de las personas se someten al test de diagnóstico del coronavirus porque experimentan síntomas o han estado en contacto cercano con alguien que los tuvo. Pero, a medida que las oficinas y las escuelas se ven presionadas para reabrir, las empresas deberán lidiar con algo desagradable: depender de los síntomas para realizar los test dejará los casos asintomáticos y presintomáticos sin ningún tipo de control, lo que pone a todo el mundo en riesgo.

Pero, las alternativas actuales no son tan atractivas. La poca frecuencia de la realización de las pruebas de diagnóstico (el valor predeterminado en muchas propuestas parece ser mensual) o la detección aleatoria permiten que los casos activos propaguen el virus durante semanas antes de ser identificados. Y el precio sigue siendo alto, de entre 86 euros y 172 euros o más por cada test.

Las pruebas agrupadas, guiadas por algoritmos de aprendizaje automático, pueden cambiar fundamentalmente este cálculo al combinar las muestras de muchas personas se combinan en una sola. Si no se detecta ningún virus en la muestra combinada, significa que nadie del grupo está infectado. Todo un grupo se puede comprobar con una sola prueba de diagnóstico. Pero hay una trampa: si alguien del grupo está contagiado, la prueba será positiva y se necesitarán más test para determinar quién tiene el virus.

Entonces, un paso clave para saber cómo agrupar las muestras reside en conocer la probabilidad de que ciertas personas del grupo sean positivas y separarlas del resto. ¿Cómo se determina ese riesgo? Ahí es donde ayuda el aprendizaje automático.

El riesgo de contagio está creciendo rápidamente y difiere bastante entre las personas. Por ejemplo, un profesional sanitario no tiene el mismo riesgo que un trabajador que trabaja de forma remota. Calcular este riesgo para cada persona es una tarea perfecta para el aprendizaje automático.

Utilizando datos disponibles públicamente de empresas y centros educativos, los datos epidemiológicos sobre el contagio local y las tasas de la realización de pruebas de diagnóstico, junto con datos más sofisticados sobre los patrones de viaje, contactos sociales y aguas residuales (pdf), si están disponibles, los algoritmos pueden predecir el riesgo de cualquiera de tener la COVID-19 cada día. Esto permite enfoques de agrupación altamente flexibles que generan un enorme aumento de eficiencia.

Otra ventaja: las pruebas agrupadas se vuelven más eficaces cuando la prevalencia de la enfermedad es baja. Si una población, por ejemplo, todos los estudiantes de una universidad, se somete a test a diario, el riesgo de contagio se reduce drásticamente para todos en el grupo, simplemente porque los evaluadores eliminarán a los positivos del grupo de mañana cuando los diagnostiquen hoy. Eso significa que el grupo de mañana podrá ser aún más grande, lo que reduce la cantidad de pruebas necesarias y, por lo tanto, el coste de diagnosticar a la población. Y con pruebas de diagnóstico más frecuentes, las personas infectadas pero asintomáticas pueden quedarse en casa, lo que disminuye aún más la propagación y hace que las pruebas agrupadas sean todavía más eficientes.

Como resultado, las pruebas agrupadas de alta frecuencia junto con el aprendizaje automático cuestan mucho menos de lo que se piensa. Según nuestro análisis, las pruebas diarias cuestan solo el doble que las mensuales. Y las diarias pueden suprimir activamente el virus, mientras que los test mensuales solo nos permiten ver lo mal que han ido las cosas.

Este efecto puede ser tan poderoso que, en ciertas condiciones, como en las fábricas de carne y en los centros de mayores, una frecuencia más alta puede reducir el número de pruebas necesarias y, por lo tanto, el coste de someter a test a una población, en un período de tiempo determinado. Lo ha leído bien: las pruebas más frecuentes pueden ser menos costosas para el sistema de salud.

El último pilar de la prevención a través de las pruebas de diagnóstico requiere tener en cuenta la propagación del virus entre las personas y, por lo tanto, el riesgo asociado. El uso del aprendizaje automático para modelar las redes sociales ha sido un foco creciente para los investigadores de informática, economía y otros campos. Dichos algoritmos, combinados con los datos sobre los trabajos, aulas, residencias universitarias y muchos otros entornos, permiten que las herramientas de aprendizaje automático estimen el potencial de interacción de diferentes personas. Saber esta probabilidad haría que las pruebas grupales sean aún más potentes.

Ahora, ¿son realmente factibles en el mundo real las pruebas agrupadas de alta frecuencia? Aunque no queremos minimizar los desafíos logísticos, no son más que eso, desafíos, no factores decisivos. La Administración de Medicamentos y Alimentos de Estados Unidos (FDA) acaba de aprobar el primer uso de pruebas agrupadas, y la investigación muestra cada vez más que esta técnica es lo suficientemente sensible para detectar los casos positivos. Así que, si los laboratorios están dispuestos, podemos empezar a agrupar las pruebas hoy mismo.

Aunque hay quien cuestiona la viabilidad de la agrupación de pruebas dada la escala del brote actual, es solo un desafío porque tradicionalmente confiamos en las estimaciones aproximadas y, como mostramos en nuestro artículo, potencialmente inexactas de la prevalencia del virus en grandes poblaciones. En cambio, el aprendizaje automático puede darnos las estimaciones precisas a nivel individual que necesitamos para que la agrupación funcione incluso en las prevalencias altas, identificando a aquellos con alta probabilidad de dar positivo y manteniéndolos fuera de las grandes agrupaciones.

La frecuencia también genera buenos resultados cuando la prevalencia del virus es alta. Antes de implementar pruebas agrupadas, por ejemplo, en una fábrica o escuela, toda la población se podría someter a una única prueba. Las personas infectadas se quedarían en casa hasta que se recuperen, y las pruebas agrupadas de gran frecuencia mantendrían baja la prevalencia al detectar la enfermedad temprano. 

También se debe abordar la logística de la recogida y agrupación de muestras en diferentes entornos. Resulta alentadora la creciente evidencia de productos, algunos aprobados por la FDA, que permiten a las personas recolectar y enviar sus propias muestras de prueba. Una se basa en la saliva, lo que significa que los costes de la recogida pueden mantenerse bajos incluso a gran escala.

Ya es hora de que la realización de pruebas de diagnóstico con alta frecuencia se convierta en una parte central de la estrategia para combatir la COVID-19 y reactivar la economía. Las pruebas agrupadas que aprovechan el poder del aprendizaje automático hacen que pagar los costes asociados no solo sea viable sino que, cuando se compara con la alternativa de los cierres prolongados, resulta una opción estupenda.

Ned Augenblick, Jonathan Kolstad y Ziad Obermeyer son profesores en la Universidad de California en Berkeley (EE. UU.) y cofundadores de Berkeley Data Ventures, una consultoría que aplica aprendizaje automático a problemas de salud.

Biotecnología

Nuevas tecnologías y conocimientos biológicos empiezan a ofrecer opciones sin precedentes para mejorar nuestra salud.

  1. Los buenos resultados de la vacuna Novavax también son preliminares

    Los datos de su ensayo en fase I revelan que todos los 131 voluntarios que recibieron la vacuna produjeron un alto nivel de anticuerpos contra la COVID-19. Sin embargo, la investigación aún no ha sido revisada por pares y el objetivo de la prueba fue el análisis de seguridad, no el de eficacia

  2. Inmunidad pasiva, la nueva estrategia para prevenir la COVID-19

    Lilly va a analizar la capacidad de un nuevo fármaco basado en anticuerpos para evitar la infección por coronavirus en 2.400 personas. Hasta que aparezca una vacuna, el enfoque consiste en inyectar anticuerpos capaces de luchar contra la enfermedad durante las semanas o meses que permanecen activos en el organismo

  3. Un grupo científico autoexperimenta con su propia vacuna contra la COVID-19

    El famoso genetista George Church y al menos otras 20 personas han creado y probado en sí mismos un prototipo sencillo que se administra por la nariz y que podría generar inmunidad en la mucosa contra el coronavirus. Pero no tienen ni idea de si funciona ni de si lo que están haciendo es legal