El 20 de octubre, Facebook Artificial Intelligence (Facebook AI) empezó a publicar predicciones de la propagación de la COVID-19 a los más de 3.000 condados de los Estados Unidos. Estas predicciones utilizan las herramientas de Facebook’s Data for Good, incluyendo Symptom Survey y Movement Range Maps. Están disponibles en la web Humanitarian Data Exchange y se publican en el site Data for Good.

El núcleo del algoritmo es una red neuronal que intenta predecir la evolución de la COVID-19 a partir de datos anteriores. Esta red no solo tiene que aprender sobre la evolución de la epidemia en el pasado, sino también intentar mostrar cómo esta evolución depende de patrones de movilidad, del clima y del comportamiento humano. Ahora mismo, modelar las respuestas humanas es muy difícil con un enfoque mecanicista: es decir, poder saber por adelantado cómo las personas reaccionarán. Ante este obstáculo, la inteligencia artificial (IA) se considera una de las mejores opciones en el modelaje empírico por su capacidad de inferir cambios en el comportamiento futuro a partir del comportamiento del pasado. El detalle del algoritmo y cómo se entrena está publicado en abierto.

Los resultados de la predicción hecha por IA en los Estados Unidos han mostrado un comportamiento robusto en comparación con los modelos de última generación en las predicciones a tres semanas, pero todavía está pendiente de una calibración detallada. Así, el grupo de investigación BIOCOM-SC, vinculado al Departamento de Física de la Universitat Politècnica de Catalunya · BarcelonaTech (UPC) colaborará con Facebook AI para mejorar el modelo de predicción de la evolución de la pandemia en España.

El investigador Enric Álvarez y el estudiante de doctorado David Conesa estarán a cargo de este entrenamiento, junto con Maximilian Nickel, investigador y científico de Facebook. Un entrenamiento adecuado es crucial, puesto que, como afirma Enric Álvarez, "el hecho de que la IA dé buenos resultados en los Estados Unidos no quiere decir que dé inmediatamente buenos resultados en España o en Italia. Hemos estado probando la IA desde hace un par de meses y todavía queda mucho trabajo por hacer, sobre todo en cuanto a la introducción de patrones de movilidad adecuados para entrenarla. Los patrones de movilidad de aquí son muy diferentes si los comparamos con los de los Estados Unidos. La relevancia de los indicadores de movilidad en la calidad de la predicción en el sur de Europa es una de las preguntas abiertas clave".

David Conesa añade: "Ahora estamos trabajando para determinar qué índice o índices de movilidad pueden ser mejores para la IA. No es fácil, ya que diferentes indicadores proporcionan información diferente, intentar combinarlos adecuadamente es nuestro trabajo actual.”

Pero tan importante es entrenar la IA como calibrar su previsión y cuantificar la fiabilidad. Sergio Alonso, investigador del grupo BIOCOM-SC, y Martí Català, del Instituto de Investigación Germans Trias i Pujol (IGTP), serán los encargados de realizar esta calibración de datos europeos. "La forma adecuada de evaluar el comportamiento de la IA es calibrar cuidadosamente los intervalos de error de las predicciones", explica Sergio Alonso. "Uno de los retos de trabajar con la IA es saber establecer márgenes de error en sus predicciones: es decir, determinar la precisión de la IA y qué predicciones se clasifican como errores. Si se es demasiado laxo en la precisión, la IA la mayoría de las veces acertará, pero quizás no proporcionará  ninguna información útil y, si se es demasiado exigente, la IA puede fallar demasiado a menudo."

En este sentido, la evolución actual de la epidemia en España será un banco de pruebas clave para la IA. Martí Català, responsable de monitorizar la calibración de la predicción en Cataluña, indica que “el actual incremento heterogéneo, pero fuerte, de casos en diferentes puntos de España es el escenario perfecto para calibrar la IA y saber hasta qué punto se pueden hacer predicciones en el futuro. Veremos cómo funciona con diferentes protocolos de entrenamiento. En estos momentos no estamos seguros de que pueda proporcionar una evaluación precisa de tres semanas para esta segunda oleada, pero sin duda merece la pena probarlo”.

El análisis preliminar y la investigación elaborada por diferentes grupos ya han demostrado que las previsiones de cualquier tipo más allá de un mes parecen tener poca fiabilidad. Facebook AI tampoco proporciona previsiones más allá de un mes. Así mismo, una IA adecuadamente entrenada que pueda predecir con precisión la evolución de la epidemia a dos o tres semanas, condicionada o no a la implementación de diferentes medidas, será un hito importante para entender las epidemias. Pero mucho antes, las previsiones de la IA pueden proporcionar pruebas complementarias, junto con otros modelos, para conocer la tendencia general de las epidemias. Si la IA se ha desarrollado adecuadamente con conocimiento local, puede ser útil para probar diferentes escenarios futuros.