Un equipo de investigadores de diversas instituciones ha desarrollado un modelo innovador de predicción de enfermedades infecciosas basado en redes neuronales informadas por la física. Este modelo, conocido como PINN, muestra una notable capacidad para predecir brotes de enfermedades, incluyendo casos, muertes y hospitalizaciones de COVID-19 en California.
El desarrollo de este modelo de análisis epidemiológico es un paso significativo hacia mejorar la capacidad de respuesta de la salud pública ante pandemias futuras. Al incorporar redes neuronales junto con teorías epidemiológicas en su función de pérdida, el modelo evita el sobreajuste y proporciona predicciones precisas y coherentes con los datos observados.
Los resultados indican que el modelo PINN supera a otros enfoques basados en aprendizaje profundo, como las redes neuronales recurrentes y las redes de transformadores, ofreciendo predicciones más fiables y fáciles de implementar. Con el uso de informes de movilidad y datos de vacunación, el modelo ofrece una estructura más simple frente a modelos gaussianos de predicción de estados de infección.
El enfoque de PINNs, que combina datos observacionales con modelos mecánicos subyacentes a través de redes neuronales, no solo mejora la precisión y gestión del brote, sino también permite la estimación de parámetros epidemiológicos cruciales, adaptándose a las dinámicas cambiantes de las enfermedades.
Con entrenamiento continuado a partir de datos acumulados semanalmente, el modelo es capaz de anticipar con precisión la evolución de los casos, hospitalizaciones y muertes causadas por infecciones. Esta capacidad de integrar múltiples fuentes de datos y ajustar predicciones en tiempo real representa un avance significativo en el campo de la predicción de enfermedades infecciosas.
En conclusión, los avances en el modelado de predicciones epidemiológicas con PINNs presentan un nuevo horizonte para la integración de la inteligencia artificial en la salud pública, potenciando su respuesta rápida y eficaz frente a crisis sanitarias globales.