Desafíos de la IA en el contexto de pandemias como el COVID-19

Hace algunos días dimos a conocer nuestros avances en el uso de modelos de inteligencia artificial (IA) para la predicción de la demanda en urgencias. Estas herramientas tienen gran potencial si se utilizan para apoyar las decisiones de gestión clínica, lo cual puede lograrse mediante la implementación de Centros de Comando Hospitalarios. Y aunque estos modelos han mostrado gran precisión en la predicción de la demanda a partir de datos históricos, su capacidad de predicción se ve seriamente afectada en condiciones como las que enfrentamos actualmente.

La crisis generada por el COVID-19 tienen un carácter global que, sin duda, ha impactado la demanda en las urgencias de nuestro país de una forma nunca antes vista. Por lo tanto, no es posible basar nuestra predicción de demanda en un modelo histórico, porque el comportamiento de la sociedad en este contexto no está documentado, ni para el hospital ni para la población. Esta crisis ha generado en nuestro país, en etapas tempranas, una disminución de la demanda de urgencias en pediatría a menos de un 30% de lo esperado. Y aunque este fenómeno puede atribuirse parcialmente a la suspensión de las clases, seguramente es consecuencia de la decisión de los padres de exponer a sus hijos lo menos posible a un posible contagio. Sin embargo, en base a lo visto en otros países, es de esperar que la demanda de las urgencias aumente significativamente a medida que se propague el contagio o disminuyan las temperaturas [1].

No todo es incertidumbre. Como equipo hemos afrontado el tema de la predicción de la demanda de urgencias en este contexto por medio de la recalibración de nuestros modelos. Esta recalibración se basa en replantear etapas del entrenamiento conocidas como la selección de características y elección del modelo [2]; si bien, el modelo actual tiene capacidades predictivas sobresalientes en contextos normales, no es capaz de capturar los patrones de comportamiento de la demanda durante el periodo de la pandemia COVID-19.

Por esta razón, la recalibración de los modelos debe incorporar más detalle de la demanda reciente para incorporar este efecto en la predicción. Estos nuevos parámetros deben ser utilizados en el entrenamiento de los modelos y luego seleccionar aquéllos que expresen una mejora en la capacidad predictiva. Dadas estas nuevas características incorporadas, un modelo de regresión generalizado (que utiliza la estimación por maximización de la log-likelihood) mostró mejor resultados que los modelos basado en construcción de bosques aleatorios de árboles débiles [3]. Hasta ahora, el proceso de recalibración nos ha permitido mejorar en un 70% el resultado de la predicción horaria, incluso cuando la demanda se ve influenciada por factores exógenos. Este resultado ha sido fundamental para reducir los niveles de incertidumbre en la gestión de los recursos disponibles, a partir de su incoporación a nuestro Centro de Comando Hospitalario.

[1] V. Scapini, C. Carrasco, and C. Vergara, “Efectos de la contaminación del aire en atenciones de urgencia de la Región Metropolitana,” Rev. Ing. Sistemas, vol. XXXII, pp. 55–73, 2018.

[2] P. Chapman, R. Kerber, J. Clinton, T. Khabaza, T. Reinartz, and R. Wirth, “The CRISP-DM process model,” CRIP–DM Consort., vol. 310, no. C, p. 91, 1999.

[3] L. Mason, J. Baxter, P. L. Bartlett, and M. R. Frean, “Boosting algorithms as gradient descent,” in Advances in neural information processing systems, 2000, pp. 512–518.