Rethinking respiratory disease forecasting: temporal heterogeneity between surveillance predictors and outcomes drives forecast instability
Este estudio demuestra que las relaciones inestables y estacionalmente variables entre diversos predictores de vigilancia y los resultados de enfermedades respiratorias socavan la efectividad de los modelos de pronóstico estáticos y del entrenamiento histórico a largo plazo, lo que requiere estrategias adaptativas y una evaluación continua para mejorar la precisión de los pronósticos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Cada invierno, un ritmo familiar regresa: los virus que causan resfriados, la gripe y otras enfermedades respiratorias comienzan a circular, llevando a los hospitales hacia sus límites y obligando a las comunidades a tomar decisiones difíciles sobre seguridad y atención. Para los funcionarios de salud pública, el objetivo es prever estas oleadas antes de que lleguen, permitiendo preparar los hospitales, ajustar el personal y asesorar al público. Para lograr esto, los científicos han construido sistemas de pronóstico que actúan como reportes meteorológicos para las enfermedades. En lugar de rastrear nubes de lluvia, estos sistemas rastrean signos de infección en la comunidad, como cuántas personas visitan las salas de emergencias con tos, cuántas pruebas de virus dan positivo o incluso cuánto virus está pasando a través de los sistemas de alcantarillado de la ciudad. La idea subyacente ha sido durante mucho tiempo que, si se observa suficiente historia, se puede encontrar un patrón constante: que la relación entre estos signos de alerta temprana y el número de personas que eventualmente terminan en el hospital permanece constante en el tiempo. Si esto fuera cierto, un modelo entrenado con años de datos pasados simplemente mejoraría y sería más preciso a medida que aprendiera más.
Sin embargo, un nuevo estudio de Utah desafía esta reconfortante suposición. Investigadores de allí se propusieron probar si estas relaciones entre los signos de alerta temprana y los ingresos hospitalarios realmente permanecen iguales, o si cambian y se transforman a medida que los propios virus cambian. Analizaron datos de dos grandes amenazas respiratorias: el SARS-CoV-2, el virus que causa el COVID-19, y la influenza. Recopilaron una amplia gama de información, incluyendo recuentos diarios de ingresos hospitalarios desglosados por edad, visitas a salas de emergencias donde los pacientes presentaban síntomas de estas enfermedades, el porcentaje de pruebas de virus que resultaron positivas y mediciones de la concentración viral en las aguas residuales. Al comparar estos diferentes flujos de datos con los números reales de hospitalización a lo largo de varios años, el equipo descubrió que las conexiones entre los signos de alerta y los resultados están lejos de ser estables. Los patrones que fueron válidos durante una temporada o para una versión de un virus a menudo se desmoronaban durante la siguiente.
Los investigadores descubrieron que cuando observaban todos los datos de múltiples años a la vez, los números sugerían un vínculo fuerte y consistente entre los signos de alerta y las hospitalizaciones. Parecía que, a medida que aumentaban las visitas a las salas de emergencia, los ingresos hospitalarios seguían de manera confiable. Pero esta visión era engañosa. Cuando los científicos ampliaban el enfoque para observar períodos de tiempo específicos, como cuando surgía una nueva variante del virus o durante una temporada específica de gripe, esos fuertes vínculos a menudo desaparecían o incluso se invertían. Por ejemplo, durante las primeras olas de la pandemia, los datos de niños y adultos no se movían en conjunto; lo que sucedía en un grupo decía muy poco sobre lo que estaba sucediendo en el otro. Más tarde, a medida que aparecían nuevas variantes, las relaciones cambiaron nuevamente. Lo mismo ocurrió con la gripe, donde la conexión entre las señales de las aguas residuales y los números de hospitalización cambió de temporada en temporada. Esto significa que un modelo construido sobre la suposición de que "más historia equivale a una mejor predicción" en realidad se está entrenando con patrones que ya no existen, lo que potencialmente hace que sus pronósticos sean menos precisos.
Para ver cómo se desarrollaba esto en la práctica, el equipo ejecutó docenas de modelos de pronóstico diferentes para predecir los ingresos hospitalarios. Probaron dos métodos principales para enseñar a estos modelos: un método utilizaba una ventana de datos reciente y fija, mientras que el otro seguía añadiendo años cada vez más antiguos a la mezcla, asumiendo que una historia más amplia ayudaría. Los resultados fueron sorprendentes. Los modelos que seguían acumulando antiguos datos históricos generalmente funcionaron peor que aquellos que se centraban solo en las semanas más recientes. En muchos casos, los modelos entrenados con la historia de datos más larga fallaron al predecir los puntos de inflexión de un brote, como cuando los casos comenzaban a dispararse o cuando empezaban a caer. Los modelos que se adaptaban rápidamente a la situación actual, ignorando el pasado distante, fueron a menudo más confiables. Esto sugiere que el mundo de los virus respiratorios es demasiado fluido para una fórmula única y estática. La forma en que el virus se comporta, cómo la gente busca atención médica y cómo el virus aparece en nuestra agua y clínicas están en un estado de flujo constante.
El estudio también reveló que ningún tipo de modelo o fuente de datos era una solución milagrosa. Un método que funcionó perfectamente bien durante una ola de la pandemia podría fallar por completo durante la siguiente. Del mismo modo, un modelo que predijo con precisión el pico de la gripe un año podría errar el tiro la temporada siguiente. Los investigadores encontraron que el mejor enfoque no era confiar en un único "mejor" modelo, sino utilizar un grupo diverso de muchos modelos diferentes trabajando juntos. Al combinar las predicciones de muchos enfoques diferentes, el sistema podía permanecer robusto incluso cuando las reglas subyacentes de la enfermedad cambiaban. Este enfoque reconoce que el futuro no es una simple repetición del pasado. En lugar de asumir que el pasado tiene la clave del futuro, los pronosticadores de salud pública deben verificar constantemente si sus herramientas siguen funcionando y estar listos para adaptar sus métodos a medida que el virus evoluciona.
En última instancia, el trabajo de Utah sugiere que pronosticar la enfermedad respiratoria es menos parecido a predecir el clima, donde la física de la atmósfera permanece mayormente constante, y más parecido a navegar un río que cambia constantemente su curso. El agua fluye de manera diferente dependiendo de la estación, la lluvia y el terreno. Los investigadores concluyeron que, para mantenerse por delante de estos virus, los sistemas de salud pública deben abandonar la idea de un modelo único y perfecto entrenado con toda la historia disponible. En su lugar, deben construir sistemas flexibles que puedan evaluar su propio desempeño en tiempo real, descartar viejas suposiciones cuando ya no encajan y confiar en una variedad de diferentes perspectivas para dar sentido a un panorama cambiante. Esto requiere una asociación continua entre científicos y funcionarios de salud pública, asegurando que las herramientas utilizadas para proteger a las comunidades sean tan dinámicas y receptivas como las amenazas que están diseñadas para rastrear.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.