Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study
Utilizando los datos de la Carga Global de Morbilidad 2023, este estudio demuestra que los modelos estadísticos clásicos (ARIMA y Holt) superan a los enfoques de aprendizaje automático y aprendizaje profundo en el pronóstico de la mortalidad materna en el África subsahariana, prediciendo un descenso a 313,0 muertes por cada 100.000 nacidos vivos para 2035, cifra que aún se queda significativamente por debajo del objetivo 3.1 de los ODS.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Cada año, miles de mujeres mueren por causas relacionadas con el embarazo y el parto, una tragedia que sigue siendo una de las medidas más crudas de la desigualdad en la salud mundial. Si bien el mundo ha progresado de manera constante durante las últimas décadas, reduciendo estas muertes significativamente, la carga sigue siendo más pesada en el África subsahariana. Para entender hacia dónde se dirige esta región, los científicos recurren a datos históricos para proyectar tendencias futuras, un proceso que ayuda a los responsables de la toma de decisiones a decidir a dónde enviar recursos y con qué urgencia actuar. Durante años, los investigadores han utilizado herramientas estadísticas estándar para realizar estas predicciones, pero en años recientes, una nueva ola de potentes programas informáticos, conocidos como aprendizaje automático (machine learning) y aprendizaje profundo (deep learning), ha prometido encontrar patrones complejos que los métodos más antiguos podrían pasar por alto. La pregunta que enfrenta a la comunidad médica es si estas sofisticadas herramientas digitales pueden realmente predecir el futuro de la salud materna mejor que los métodos establecidos y más sencillos, especialmente cuando los datos disponibles se limitan a unas pocas décadas de registros anuales.
Un investigador de la Universidad de Debre Markos en Etiopía se propuso responder a esta pregunta probando ocho métodos de pronóstico diferentes contra los datos más recientes y exhaustivos disponibles. Utilizando las estimaciones de mortalidad materna del Estudio de la Carga Mundial de Morbilidad 2023, que rastrea los resultados de salud en todo el mundo, el investigador recopiló cuarenta y cuatro años de datos, que abarcan desde 1980 hasta 2023, para toda la región del África subsahariana. Este conjunto de datos mostró que el número de muertes por cada 100,000 nacidos vivos había caído de 674.5 en 1980 a 396.2 en 2023. Para ver qué método funcionaba mejor, el investigador no permitió simplemente que las computadoras adivinaran; en su lugar, utilizó una estrategia de prueba rigurosa llamada validación de avance progresivo (walk-forward validation). Este enfoque imita el pronóstico del mundo real al entrenar los modelos con datos pasados, pidiéndoles que predigan el siguiente año, verificando si acertaron y luego repitiendo el proceso año tras año hasta que los modelos hubieran sido probados contra los últimos diez años de historia.
Los resultados fueron sorprendentes para muchos que podrían asumir que la tecnología más nueva y compleja siempre arroja mejores respuestas. El estudio encontró que los modelos de aprendizaje automático y aprendizaje profundo más avanzados, incluyendo un tipo de red neuronal diseñada para aprender de secuencias de datos, funcionaron deficientemente. De hecho, el modelo de aprendizaje profundo más sofisticado falló de tal manera que sus predicciones fueron casi tan erróneas como un simple azar, perdiendo la tendencia real por un margen masivo. En contraste, los dos mejores desempeños provinieron de métodos estadísticos clásicos que se han utilizado durante décadas. Uno de estos, una técnica llamada ARIMA, y otro conocido como suavizado exponencial de tendencia amortiguada de Holt (Holt's damped-trend exponential smoothing), produjeron resultados casi idénticos y altamente precisos. Estos métodos tradicionales capturaron con éxito la ralentización en la tasa de descenso de las muertes maternas, mientras que los algoritmos complejos tuvieron dificultades para adaptarse a la forma específica de los datos. El estudio descarta explícitamente la idea de que el aprendizaje automático sea automáticamente superior para este tipo de pronóstico de salud, demostrando que, para series temporales anuales cortas con puntos de datos limitados, los modelos estadísticos más simples son mucho más fiables.
Utilizando el modelo tradicional con mejor desempeño, el investigador proyectó la razón de mortalidad materna hacia adelante hasta el año 2035. El pronóstico sugiere que, si bien el número de muertes seguirá descendiendo, el ritmo de mejora no es lo suficientemente rápido para cumplir con el Objetivo de Desarrollo Sostenible global, que apunta a menos de 70 muertes por cada 100,000 nacidos vivos. Para 2030, se predice que la razón será de alrededor de 344.7, y para 2035, se espera que alcance los 313.0. Incluso con este progreso continuo, se proyecta que la región permanecerá aproximadamente cinco veces por encima de la meta establecida, lo que indica que la trayectoria actual no será suficiente para cerrar la brecha en la próxima década. El estudio concluye que el camino a seguir requiere una acción urgente para acelerar el descenso, ya que la tendencia estadística por sí sola sugiere que la meta no se alcanzará. Además, la investigación ofrece una lección crucial para estudios futuros: la elección de una herramienta de pronóstico no debe basarse en su reputación o complejidad, sino en pruebas empíricas específicas para los datos en cuestión, ya que los algoritmos más potentes pueden fallar cuando el conjunto de datos es demasiado pequeño para enseñarles los patrones necesarios.
¿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.