Estudio publicado en Nature analizó un programa de pruebas de COVID-19 basadas en datos y en aprendizaje automático; fue implementado en una universidad con resultados favorables.
En la Universidad de Notre Dame un grupo de investigadores implementaron un programa de pruebas de COVID-19 basado en dos modelos de aprendizaje automático fáciles de interpretar, que buscaron predecir que estudiantes tenían riesgo elevado de estar contagiados y debían realizarse la prueba.
Los dos modelos utilizaron una representación de red social de la comunidad universitaria en la que los nodos representaban a un estudiante y cada borde representaba una conexión entre dos personas, ya fuera una clase en común, compañeros en equipos deportivos, o compañeros de cuarto.
El primer modelo es un algoritmo que fue creado para predecir directamente el riesgo individual alto o bajo, de cada estudiante de padecer COVID-19. Y el segundo fue entrenado para predecir qué pares de estudiantes tenían más probabilidades de ser contactos cercanos, utilizando el sistema de rastreo de contactos utilizado un semestre antes.
“El éxito de este programa sugiere que las estrategias de aprendizaje automático pueden mejorar la efectividad de las pruebas de vigilancia u otros esfuerzos para distribuir eficientemente los recursos de prueba y reducir la transmisión comunitaria”, explican los autores.
En este sentido ambos modelos fueron una herramienta útil para la reducción de la transmisión comunitaria, pues de más de 115 mil pruebas aplicadas en el tiempo que se realizó el estudio (3 de marzo al 30 de abril de 2021), 18.1% correspondieron a pruebas dictadas por estos modelos de predicción.
Además, las pruebas realizadas a estudiantes a través de las predicciones de este modelo tuvieron un porcentaje de positividad más alto que las pruebas generales 0.53 contra 0.38%.
En este sentido, esta prueba demostró que, apoyándose en los modelos de aprendizaje automático, las universidades y centros de trabajo con gran cantidad de empleados, pueden aprovechar mejor los recursos que destinan a pruebas de COVID-19 y no solo generar un ahorro, sino reducir los contagios masivos.
Check the full study at the following link:
