La inteligencia artificial como apoyo a las políticas públicas en salud

Investigadores del ICC desarrollan herramientas computacionales que permiten monitorear, evaluar y diseñar políticas públicas basadas en información de malnutrición de niños, niñas y adolescentes de todo el país. El proyecto se lleva a cabo a partir del análisis de datos del Programa Sumar y está enmarcado en el Plan Argentina contra el hambre.

Sin lugar a dudas la inteligencia artificial y la ciencia de datos se han convertido en nuevos aliados de la medicina. No sólo la utilización de algoritmos y técnicas de software resultan elementos fundamentales para ayudar a los procesos de diagnóstico a través del análisis de diversos conjuntos de datos biomédicos sino que también estas herramientas permitirían generar alertas tempranas sobre brechas de inequidad en salud, riesgos potenciales u otros indicadores formulados a partir de la relación entre la información sanitaria disponible y los datos sociodemográficos de la población estudiada.

Teniendo en cuenta estas premisas, investigadores del Instituto UBA-CONICET de Ciencias de la Computación -con la coordinación del grupo de Bioestadística Aplicada DEGE FCEN-UBA- están colaborando fuertemente con el programa SUMAR, un programa nacional que brinda cobertura a todas las personas que no tienen obra social ni prepaga. A partir de poder estudiar datos antropométricos de millones de niños, niñas y adolescentes de 0 a 19 años de todo el país, los investigadores buscan extraer información nutricional valiosa que permita tomar mejores decisiones.

“Analizando datos de altísimo valor de altura, peso, edad y otras variables, buscamos: por un lado, generar indicadores de prevalencia de bajo peso, baja talla, obesidad y sobrepeso y, por otro lado, desarrollar herramientas que permiten identificar y alertar sobre potenciales situaciones de riesgo de malnutrición en esta población vulnerable de niños, niñas y adolescentes en diferentes provincias o jurisdicciones de Argentina”, puntualiza Edgar Altszyler, investigador del ICC en el Laboratorio de Inteligencia Artificial Aplicada (LIAA).

En este contexto, el objetivo del trabajo es desarrollar herramientas computacionales y estadísticas que permitan monitorear, evaluar y diseñar políticas públicas basadas en esta información de escala nacional, a partir de técnicas de inteligencia artificial, aprendizaje automático y ciencia de datos. En un primer paso, los investigadores elaboraron un mapa interactivo con el software R, de manera que los tomadores de decisiones puedan entender en forma gráfica cómo es la distribución espacial de diversos índices de malnutrición a lo largo de diferentes regiones del país.  “El mapa permite elegir y mostrar los índices relevantes tales como bajo peso, baja talla o sobrepeso, y poder seleccionar o agrupar distintas variables según lo que a cada uno le interese analizar. Por ejemplo, los rangos etarios de la población, el tipo de jurisdicción a analizar que muestra una granularidad del mapa, si se quiere analizar efectores de salud o analizar por área geográfica, entre otras variables”, explica Altszyler. Este mapa es la primera instancia de desarrollo del proyecto, cuya primera versión está prácticamente concluida.

“En una segunda instancia, haremos análisis estadísticos y usaremos modelos predictivos de aprendizaje automático supervisado que permitan estimar la evolución de los distintos indicadores de malnutrición considerados, agregados a diferentes escalas geográficas. A partir de la integración de información sociodemográfica de cada región con los datos del plan SUMAR, los modelos predictivos brindarán informacion valiosa que pueda ser capitalizada en el diseño de políticas públicas por los organismos competentes en cada caso, sobre todo para fortalecer el acceso a la Canasta Básica de Alimentos”, comenta el investigador del ICC.

Altszyler -quien trabaja en el proyecto junto a Pablo Turjanski, otro investigador del ICC, y en conjunto con investigadores del Grupo de Bioestadística Aplicada de Exactas, de quien depende la coordinación del proyecto- aclara que se está gestionando un convenio específico entre la UBA y el Ministerio de Salud enmarcado en el Plan de Argentina contra el hambre, el cual posibilitará transferir este conocimiento directamente a las autoridades sanitarias y formuladores de políticas públicas.

¿Cuál es el mayor desafío del proyecto? Ante esta pregunta, el investigador del ICC subraya uno de los aspectos claves para todo trabajo riguroso con grandes volúmenes de información: la limpieza de los datos. “Es una tarea central de nuestro grupo, ya que se trata de corregir nuestro set de datos. Inicialmente los datos están totalmente tabulados, pero el punto es que no todos los datos cargados están limpios. Hay ejemplos donde la base de datos de esta magnitud posee cargas de consultas con datos repetidos, o con fechas inválidas, entonces puede haber errores lo suficiente importantes para alterar los resultados del modelo. La idea es corregir y limpiar la información para que finalmente quede homogénea”, concluye Altszyler.

Enlaces importantes del proyecto “Aplicación de herramientas de visualización y modelos estadísticos geoespaciales y temporales para el análisis epidemiológico de la malnutrición en la población de niños, niñas y adolescentes beneficiarios del programa Sumar”:

Laboratorio de Inteligencia Artificial Aplicada: https://liaa.dc.uba.ar/es/inicio/

Grupo de Bioestadística Aplicada: http://www.ege.fcen.uba.ar/investigacion/grupo-de-bioestadistica-aplicada/

Artículo científico de Diego Fernández Slezak, Pablo Nuñez et. al. “Impacto de la Cobertura Universal de Salud sobre Crecimiento y Nutrición Infantil en Argentina”: https://ri.conicet.gov.ar/handle/11336/111879

Programa Sumar:  https://www.argentina.gob.ar/salud/sumar

Plan Argentina contra el hambre: https://www.argentina.gob.ar/argentinacontraelhambre/plan-argentina-contra-el-hambre

Edgar Altszyler

Otros proyectos de transferencia tecnológica en inteligencia artificial
En paralelo a este trabajo científico, el investigador Edgar Altszyler está realizando dos importantes colaboraciones. Una primera abocada a estudiar la presencia de sesgos frecuentes en los datasets que se utilizan en proyectos de explotación de datos y la otra vinculada a la consultoría técnica para el Laboratorio de Inteligencia Artificial de Hipcam, el cual funciona en una empresa de cámaras interactivas que -entre otros productos- desarrolla sistemas automáticos de detección con aplicaciones hogareñas y de salud.