A Future Search Optimization based Hybrid Meta-Heuristic Algorithm for Pandemic Spread and Mortality Prediction

En el complejo mundo de la salud pública, predecir el futuro es a menudo una cuestión de vida o muerte. Cuando un virus se propaga, los gobiernos necesitan saber no solo cuántas personas están enfermas hoy, sino cuántas podrían enfermar mañana. Este es el ámbito del modelado de series temporales, un método que consiste en observar patrones pasados para pronosticar qué vendrá después. Durante décadas, los científicos han utilizado herramientas estadísticas para trazar líneas a través de puntos de datos, con la esperanza de ver la forma de lo que está por venir. Sin embargo, la propagación de enfermedades rara vez es una línea recta; es un fenómeno caótico y cambiante influenciado por el comportamiento humano, los cambios en las políticas y los factores biológicos. Para navegar esta complejidad, los investigadores han recurrido a la inteligencia artificial, específicamente a un tipo de programa informático llamado red neuronal. Piense en una red neuronal como un cerebro digital que aprende de ejemplos, ajustando sus conexiones internas hasta que puede reconocer patrones que la matemática tradicional podría pasar por alto. Sin embargo, incluso estos cerebros digitales pueden estancarse o cometer errores si no son guiados correctamente. Aquí es donde entra en escena una nueva clase de herramientas de resolución de problemas, conocidas como algoritmos metaheurísticos. Estas son estrategias computacionales inspiradas en la naturaleza —como la forma en que las aves se desplazan en bandada o cómo las ballenas cazan— que ayudan a las computadoras a buscar a través de vastas posibilidades para encontrar la mejor solución posible, evitando callejones sin salida y trampas locales.

Con este trasfondo de necesidad urgente e innovación tecnológica, un investigador de la Universidad de Khatam en Teherán se propuso perfeccionar la forma en que predecimos el costo mortal de la pandemia de COVID-19. Centrándose en los Países Bajos, un país que experimentó oleadas significativas de infección, el estudio analizó los registros diarios de defunciones desde el inicio del brote en febrero de 2020 hasta abril de 2021. El objetivo no era simplemente contar a los muertos, sino construir una máquina de pronóstico más precisa. El investigador comenzó alimentando a la computadora con una amplia gama de puntos de datos derivados de las cifras de muertes diarias. En lugar de usar solo el recuento bruto de muertes, el equipo transformó estos datos en dieciséis indicadores matemáticos diferentes, de manera similar a como un analista financiero podría observar promedios móviles o el impulso para predecir los precios de las acciones. Estos indicadores ayudaron a la computadora a ver las tendencias, la velocidad de cambio y la volatilidad de la curva de la pandemia. Para asegurar que la computadora no se viera abrumada por información innecesaria, el investigador empleó un algoritmo genético, un proceso que imita la evolución biológica, para filtrar los datos y seleccionar solo los indicadores más relevantes para el modelo final.

Con los datos preparados, el estudio probó diferentes formas de entrenar el modelo de predicción. La base fue una red neuronal artificial estándar, una herramienta poderosa por sí misma. Sin embargo, el investigador introdujo luego cuatro algoritmos metaheurísticos diferentes para ver si podían guiar a la red neuronal hacia una mejor respuesta. Estos incluyeron la Optimización de Polilla-Llama (Moth-Flame Optimization), que simula cómo las polillas navegan mediante la luz; el Algoritmo de Optimización de Ballenas (Whale Optimization Algorithm), que modela la estrategia de caza de red de burbujas de los cachalotes; el algoritmo de Construcción de las Pirámides de Giza (Giza Pyramids Construction), que se basa en la física de mover piedras pesadas por una rampa; y un método más nuevo llamado Optimización de Búsqueda Futura (Future Search Optimization). Este último algoritmo es único en su enfoque, modelando cómo las personas en la sociedad intentan mejorar sus vidas emulando a los individuos más exitosos, ajustando constantemente su camino hacia un ideal global. Se le pidió a la computadora que ejecutara estas diferentes estrategias miles de veces, intentando en cada ocasión minimizar el error entre su predicación y los datos históricos reales.

Los resultados de este extenso experimento digital fueron claros y decisivos. Si bien la red neuronal estándar proporcionó un pronóstico decente, fue superada por los algoritmos que utilizaron la guía inspirada en la naturaleza. Entre los diversos métodos probados, el algoritmo de Optimación de Búsqueda Futura emergió como la herramienta más precisa. Logró un nivel de exactitud que es órdenes de magnitud mejor que los otros métodos, incluyendo las estrategias inspiradas en ballenas y polillas. El estudio encontró que este algoritmo podía navegar los datos caóticos de la pandemia con un grado de precisión que los otros modelos no pudieron igualar, encontrando efectivamente el camino óptimo a través del ruido de las fluctuaciones diarias. La investigación demostró que, al combinar el poder de reconocimiento de patrones de las redes neuronales con la capacidad de búsqueda estratégica de estos algoritmos avanzados, es posible crear un modelo que sea tanto más rápido como más preciso. El estudio concluye que, para futuras pandemias, confiar en estos métodos híbridos podría proporcionar a los gobiernos la previsión fiable necesaria para tomar decisiones oportunas, salvando potencialmente vidas al permitir intervenciones más tempranas y efectivas. El trabajo sugiere que la clave para entender el futuro de la propagación de enfermedades no reside solo en mirar el pasado, sino en utilizar las herramientas computacionales adecuadas para interpretarlo.