Machine learning for detecting colony collapse disorder and colony losses in honeybees (Apis mellifera): a PRISMA 2020 systematic review
Esta revisión sistemática PRISMA 2020 de 58 estudios revela que, si bien el aprendizaje automático identifica eficazmente las causas próximas del fracaso de las colonias de abejas melíferas, como los parásitos y el estado de la reina, mediante métodos acústicos y de aprendizaje profundo, actualmente carece de evidencia sólida para predecir directamente el trastorno de colapso de las colonias, lo que requiere investigaciones futuras centradas en la validación independiente, la fusión de datos multimodales y conjuntos de datos longitudinales abiertos.
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
Las abejas melíferas son los polinizadores más vitales del mundo, transportando polen entre cultivos y plantas silvestres para asegurar el crecimiento de alimentos y flores. Durante décadas, los apicultores han observado con creciente alarma cómo colonias enteras desaparecen o disminuyen, un fenómeno que alguna vez se llamó trastorno de colapso de las colonias y que ahora se entiende como una mezcla compleja de factores de estrés, incluyendo parásitos, pesticidas y extremos climáticos. Debido a que revisar una colmena a mano es difícil, disruptivo y a menudo demasiado tarde para salvar a las abejas, los científicos han recurrido a la tecnología. Acoplan sensores a las colmenas para escuchar a las abejas, pesar las cajas y vigilar cambios en la temperatura o el sonido. La esperanza es que las computadoras puedan aprender a reconocer los signos sutiles de una colonia agonizante mucho antes de que las abejas desaparezcan, actuando como un sistema de alerta temprana.
Una revisión sistemática reciente realizada por Fredrick Michael Ogore en la Universidad Daystar en Nairobi reúne cincuenta y ocho estudios de todo el mundo para ver qué tan bien se está cumpliendo esta promesa. El investigador recopiló cada artículo revisado por pares publicado entre 2015 y 2025 que utilizó aprendizaje automático para detectar pérdidas de colonias de abejas melíferas. El objetivo no era solo contar los estudios, sino comprender qué encontraron realmente, cómo probaron sus ideas y si la tecnología está lista para ayudar a los apicultores reales. La revisión revela un campo que se mueve rápido, con un fuerte desplazamiento hacia el aprendizaje profundo y la computación en el borde (edge computing), pero también destaca una brecha significativa entre las altas puntuaciones reportadas en laboratorios y la realidad de predecir la muerte de una colonia.
El hallazgo más sorprendente es que muy pocos estudios intentaron realmente predecir el colapso total de una colonia. En su lugar, la gran mayoría de la investigación se centró en detectar las causas inmediatas que conducen al fracaso. Los objetivos más comunes fueron los parásitos, específicamente la ácara Varroa, que fue el tema de dieciséis estudios. Los investigadores utilizaron cámaras y visión computarizada para contar ácaros en las abejas o en tablas pegajosas, con algunos sistemas logrando una alta precisión en entornos controlados. Otros trece estudios se centraron en detectar si una abeja reina estaba presente, mientras que ocho buscaron el sonido específico de la enjambrazón. Todos estos son problemas críticos, pero son precursores en lugar del evento final de la muerte de una colonia. Solo dos estudios modelaron explícitamente el colapso mismo, e incluso esos dependieron de datos limitados.
Los datos utilizados para entrenar estos modelos computacionales provienen principalmente de Europa, con contribuciones significativas de la República Checa, el Reino Unido y España. El método más popular para recopilar información es escuchar la colmena. Veintisiete estudios utilizaron grabaciones de audio, analizando el zumbido y el rumor de las abejas para identificar problemas como la ausencia de una reina o una enjambrazón inminente. En muchos de estos estudios acústicos, las computadoras reportaron tasas de precisión cercanas al 95% o incluso al 99%. Sin embargo, la revisión sugiere que estos números suelen ser engañosos. La mayoría de los estudios probaron sus modelos con datos de las mismas pocas colmenas utilizadas para entrenarlos. Esto es como evaluar a un estudiante solo con las preguntas exactas que practicó; no demuestra que pueda responder preguntas nuevas. Cuando los investigadores probaron sus modelos en colmenas completamente diferentes, el rendimiento disminuyó significativamente, cayendo a menudo alrededor del 65% al 75% para la predicción de la pérdida real de la colonia.
La calidad de la investigación varió ampliamente. El revisor calificó los estudios mediante una lista de verificación de ocho puntos, encontrando que solo dieciocho eran de alta calidad. Muchos estudios carecían de detalles cruciales, como la prueba en colmenas independientes o el intercambio de sus datos y código para que otros pudieran verificarlo. Aunque algunos investigadores han construido con éxito dispositivos pequeños de bajo consumo que pueden escuchar a las abejas y tomar decisiones directamente en la colmena sin necesidad de internet, estos sistemas aún no han sido probados en ensayos de campo a largo plazo con apicultores reales. No hay evidencia aún de que estas alarmas reduzcan el número de colonias muertas o de que funcionen en diferentes climas y subespecies de abejas.
En última instancia, la revisión concluye que, si bien el aprendizaje automático es excelente para identificar los síntomas inmediatos de una colmena con dificultades, como la ausencia de una reina o una infestación severa de ácaros, aún no es un cristalino confiable para predecir el fracaso total de la colonia. La tecnología ha pasado de la teoría a herramientas prácticas como aplicaciones para teléfonos inteligentes para contar ácaros y dispositivos de borde para escuchar a las abejas, pero el salto hacia un sistema de alerta temprana robusto para el colapso sigue incompleto. Para lograrlo, la comunidad científica debe ir más allá de los experimentos de una sola colmena y construir conjuntos de datos grandes y compartidos que rastreen las colonias a lo largo del tiempo con resultados confirmados. Solo entonces podrán estas herramientas digitales ser confiables para salvar a las abejas antes de que sea demasiado tarde.
¿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.