C3investiga-018/2025

Cómo la complejidad y la IA puede servir para predecir pandemias

En un artículo publicado en la revista PLOS One, investigadores del C3 proponen usar datos e IA para enfrentar las pandemias del futuro.

Aleida Rueda

20 de agosto de 2025

Nadie puede negarlo: las epidemias son complejas. Sus causas, los factores agravantes, tanto clínicos como sociales, y sus implicaciones, son tantos y tan variados que es imposible pensar una forma sencilla de estudiarlas o predecirlas.

Sin embargo, Christopher R. Stephens, investigador del Centro de Ciencias de la Complejidad (C3), y Juan Pablo Gutiérrez, investigador de la Facultad de Medicina y colaborador en el proyecto CHILAM, de la UNAM, proponen que es posible predecir la transmisión de las enfermedades infecciosas a través de una perspectiva: la complejidad.

Christopher Stephens (ICN, C3, UNAM)

En el estudio , publicado hace unos meses en la revista PLOS One, los investigadores utilizaron datos relacionados con la pandemia por COVID-19 y, a través de la plataforma EpI-PUMA 1.0, identificaron "grupos de riesgo" por municipios mexicanos.

Usando esta plataforma fue posible identificar, “por ejemplo, aquellos municipios que tendrían el mayor número de casos positivos de COVID-19 en el próximo mes, o la mayor mortalidad, o aquellos municipios con mayor probabilidad de mostrar un aumento o disminución significativa de las muertes”, explican en el artículo.

Lo que está detrás de esta plataforma es un modelo conceptual para modelar epidemias que considera la complejidad de la transmisión de la enfermedad con el fin de estimar con precisión el nivel de incidencia, la ruta y la velocidad de transmisión.

La clave del análisis es estudiar las pandemias a partir del contexto en el que se desarrollan, lo que implica tomar en cuenta dos características importantes: son multifactoriales, lo que significa que son resultado de muchas variables, y también son adaptables, es decir, cambian y se adaptan en función de nuevas situaciones.

Esto significa que, por un lado, los datos que alimentan el modelo deben representar la complejidad de las interacciones sociales y ambientales que tienen que ver en la transmisión de una enfermedad, por ejemplo: el estatus socioeconómico, la salud, la ocupación, la precariedad del empleo, la densidad de población, la vivienda, la ventilación, las vías de comunicación, la conectividad, e incluso el clima y la orografía.

Y por otro lado, la Inteligencia Artificial sirve para analizar esa gran cantidad de datos y sus conexiones con objetivo de aportar información crucial para la toma de decisiones y las políticas públicas. Sus resultados, concluyen los autores, pueden ayudar a mejorar las estrategias de preparación y respuesta para futuras epidemias.

“Básicamente usamos metodologías que pueden ir comparando y contrastando la importancia relativa de todos estos factores para lograr un cierto fin, en este caso: alertarnos sobre quiénes son y dónde están las personas más vulnerables en una pandemia”, dice Stephens.

Stephens CR, Gutiérrez JP (2025)
Un marco conceptual y computacional para modelar la dinámica compleja y adaptativa de las epidemias: el caso de la pandemia de SARS-CoV-2 en México.
PLoS One 20(5): E0323473. https://doi.org/10.1371/journal.pone.0323473

Una ruta para analizar fenómenos complejos como las pandemias se basan en dos conjuntos de datos, uno de tipo ecológico, que responde a la pregunta ¿dónde? y otra de tipo epidemiológico, que responde a la pregunta ¿quién?

“Por ejemplo, los municipios con mayor probabilidad de experimentar un aumento en los casos de enfermedad en el próximo mes es una pregunta de ´’dónde’, mientras que los grupos demográficos con más probabilidades de beneficiarse en una reducción de la mortalidad a través de un programa de vacunación es una pregunta de ‘quién’", explican los autores.

La información disponible a menudo abarca tanto el "quién" como el "dónde". “Por ejemplo, a partir de fuentes de salud pública podemos conocer a las personas (anónimas) que han dado positivo en la prueba de presencia de SARS-Cov-2, una variable de "quién". Si tenemos información sobre su ubicación, podemos contar cuántas personas infectadas hay en un lugar determinado, una variable de "dónde".

Así que los investigadores utilizaron grandes cantidades de datos digitales sobre el quién (como la edad, el sexo o su estado de salud) y el dónde (lugar de residencial, vivienda o conectividad), y los incorporaron a un modelo de predicción con el objetivo de calcular qué tan probable es que un resultado en circunstancias específicas suceda de un modo u otro, y así predecir comportamientos basados en la información disponible en el dónde y el quién.

A esto se le conoce como un sistema clasificador bayesiano que calcula probabilidades condicionales. Con él, por ejemplo, es posible ver la probabilidad de que una persona intubada en determinado lugar muera al compararlo con factores de riesgo como ser diabético o ser anciano, etc.

Las pandemias son multifactorales y adaptables.

Stephens reconoce que si bien la inteligencia artificial es útil para representar la multifactorialidad de las epidemias, su modelo es de tipo híbrido porque involucra a la inteligencia humana, es decir el conocimiento, experiencia y pericia del ser humano para determinar, por ejemplo, cómo y en qué momento es pertinente una intervención.

Por ejemplo, si se descubre que las tasas de transmisión son más altas entre un determinado grupo demográfico, entonces se puede determinar dirigir una intervención a ese grupo. Y si se implementa una intervención, se puede calcular si la intervención tuvo algún efecto en la tasa de transmisión.

A pesar de que el estudio se centra en COVID-19, tanto el modelo conceptual como la plataforma Epi-Puma pueden ser utilizados para modelar prácticamente cualquier fenómeno complejo para el que haya datos.

“Tenemos la arquitectura, podemos ir agregando y agregando más datos, para que cualquier persona en cualquier ámbito de la vida, un médico, un político, un investigador, pueda crear sus propios modelos y les sirva para tomar decisiones”, explica Stephens.

El investigador del C3 considera que el modelo propuesto puede jugar un papel valioso, sobre todo para fortalecer la capacidad de responder rápido y eficazmente cuando surja la próxima pandemia, y aclara que puede ser particularmente útil para las autoridades siempre y cuando se reconozca la naturaleza altamente multifactorial de una epidemia y haya una mejor recopilación e integración de datos.

“Creemos que la tarea de convertir dichos datos en predicciones utilizando modelos de Machine Learning es eminentemente factible. Sin embargo, tal vez el obstáculo más significativo es organizar la información asociada con cientos, o incluso miles, de causas potencialmente directas e indirectas, y usarla para llegar a una decisión óptima”, concluyen.