Investigadores del Instituto de Tecnología de Massachusetts (MIT) han presentado un nuevo modelo de IA que puede predecir qué variantes del SARS-CoV-2 tienen más probabilidades de dar lugar a nuevos brotes de infecciones. A diferencia de los modelos existentes que calculan la dinámica de transmisión viral, este nuevo modelo predice la propagación específica de las variantes. El equipo, liderado por Retsef Levi de la Escuela de Administración Sloan del MIT, analizó 9 millones de secuencias genéticas del SARS-CoV-2 recopiladas de 30 países por la Iniciativa Global para el Compartimiento de Datos de Influenza Aviar (GISAID), junto con datos sobre tasas de vacunación, tasas de infección y otros factores.
Basándose en su análisis, los investigadores desarrollaron un modelo de evaluación de riesgos con aprendizaje automático, que puede identificar el 72.8% de las variantes en un país determinado que provocarán al menos 1,000 casos por cada millón de personas en un plazo de tres meses. Cabe destacar que la precisión de esta predicción aumenta al 80.1% después de dos semanas de observación. El modelo identifica las trayectorias tempranas de infección, las mutaciones puntuales de la variante y la singularidad de las mutaciones en comparación con la variante dominante durante el periodo de observación como indicadores fuertes de la infectividad de una variante.
Los autores del estudio enfatizaron que este marco analítico, que integra datos de secuencias genéticas y datos epidemiológicos mediante el aprendizaje automático, puede proporcionar señales tempranas valiosas sobre el riesgo de propagación que representan nuevas variantes del SARS-CoV-2. Aunque se necesita más investigación, creen que este enfoque de modelado podría extenderse potencialmente a otros virus respiratorios, incluyendo la influenza, los virus de la gripe aviar y otros coronavirus.
Este avance en el modelo de IA representa un paso significativo en la comprensión del comportamiento de las variantes del COVID-19 y en la predicción de su impacto potencial. Al identificar factores clave que contribuyen a la infectividad de las variantes, se abren posibilidades para medidas más focalizadas para controlar la propagación del virus y mitigar futuros brotes.
The source of the article is from the blog revistatenerife.com