Autora: Andrea Rincón G. Médica Familiar MSc Salud Pública. M.Sc.(c) Big Data Sanitario.Miembro de AIpocrates
El enfoque One Health representa una estrategia mundial que trasciende las barreras tradicionales entre disciplinas, fomentando la colaboración a nivel local, nacional y global con un objetivo claro: alcanzar una salud óptima para las personas, los animales y el medio ambiente. Este concepto integral se sustenta en tres pilares fundamentales interconectados: la salud humana, la salud animal y la salud ambiental (figura 1). La interrelación entre estos elementos resulta esencial para abordar grandes desafíos de la salud pública, desde las enfermedades zoonóticas hasta la resistencia antimicrobiana, los impactos del cambio climático y el mantenimiento de la biodiversidad (1).
Esta visión holística de la salud tiene sus raíces en Hipócrates, quien hace más de dos milenios desarrolló el concepto ecológico de enfermedad. Este entendimiento se enriqueció a través del tiempo con las contribuciones de científicos pioneros como R. Virchow y W. Osler, quienes profundizaron sus estudios en la relación entre salud humana y animal; posteriormente, investigadores como L. Pasteur y R. Koch contribuyeron ampliando el conocimiento sobre el papel de los microorganismos, estableciendo así las bases de la tríada ecológica de la enfermedad. (1,2)
Figura 1. Realización propia. One Health : “Un mundo, una salud”
La revolución digital en la vigilancia epidemiológica y control de zoonosis
En la actualidad, la integración de la Inteligencia Artificial (IA) con el enfoque One Health está transformando la capacidad de prevenir y controlar enfermedades. Los modelos predictivos impulsados por IA aprovechan vastos conjuntos de datos para anticipar brotes y comprender patrones de transmisión, permitiendo respuestas más ágiles y efectivas en salud pública.Sistemas pioneros como BlueDot y HealthMap ejemplifican esta transformación: BlueDot, que analiza más de 100,000 artículos en 65 idiomas diariamente, demostró su eficacia al ser uno de los primeros sistemas en alertar sobre el COVID-19 el 31 de diciembre de 2019, incluso antes que la OMS. Por su parte, HealthMap, desarrollado por investigadores de Boston Children’s Hospital, integra datos de redes sociales, blogs médicos e informes oficiales para ofrecer visualizaciones en tiempo real de brotes globales, siendo fundamental en el seguimiento de enfermedades como Zika y Ébola(3).
Esta evolución tecnológica resulta especialmente relevante ante la creciente amenaza de las enfermedades zoonóticas para la salud global, como lo demuestran la reciente pandemia, los brotes por enfermedad del virus del Ébola y viruela símica (Mpox). Frente a estos desafíos, la IA se ha convertido en una herramienta indispensable, transformando áreas como el reconocimiento de imágenes, la predicción de brotes, el rastreo de contactos, el modelado epidemiológico y el desarrollo de fármacos (figura 2).
Figura 2. Adaptado de Innovative applications of artificial intelligence in zoonotic disease management (3).
Un ejemplo específico es el caso de la leptospirosis, una enfermedad zoonótica particularmente sensible a factores climáticos y ambientales. Investigadores como Rahmat et al. han demostrado cómo la combinación de minería de datos y Machine Learning puede predecir brotes analizando variables climáticas como temperatura, precipitaciones y humedad relativa. Su enfoque integra un Análisis Exploratorio de Datos (EDA) que emplea métodos gráficos para identificar patrones en las precipitaciones y por otro lado, modelos de redes neuronales optimizados para maximizar la precisión de las predicciones(3).
En el contexto de enfermedades altamente letales como el Ébola, la Inteligencia Artificial (IA) ha demostrado ser una herramienta fundamental. Los modelos de IA permiten identificar potenciales huéspedes reservorios, como los insectos del género Chrysops, y analizar sus patrones de distribución, proporcionando información crucial para mitigar la transmisión zoonótica del virus. Un ejemplo destacado es BioTEMS, una Red Neural Aditiva General (GANN) que integra múltiples factores biológicos para la vigilancia y predicción de brotes (figura 3). Adicionalmente, la incorporación del big data ha potenciado el desarrollo de estrategias predictivas más sofisticadas, como los algoritmos híbridos, que han logrado predecir con notable precisión la magnitud, duración y temporalidad de futuros brotes (3).
| Enfermedad por el virus del Ébola | |
| Modelo de IA | BioTEMS (Bioagent Transport and Environmental Modeling System), un sistema de modelado ambiental para determinar especies de reservorios del virus del Ébola, la duración y ubicación de reservorios latentes entre brotes y la vigilancia epidemiológica ambiental (figura 3). |
| Tecnología procedimiento big data. | Framework de análisis de redes neuronales y algoritmos genéticos para predecir brotes de la enfermedad a partir de big data, implementados en los marcos de procesamientos de datos, Apache Spark y Apache Kafka. |
Figura 3. Adaptado de Innovative applications of artificial intelligence in zoonotic disease management (3).
Del laboratorio a la mesa: IA en la seguridad alimentaria
La seguridad alimentaria constituye otro pilar fundamental en la salud humana y animal donde la IA está marcando la diferencia. Las aplicaciones de IA para la seguridad alimentaria abarcan desde la visión por computadora y el procesamiento del lenguaje natural hasta diversas herramientas analíticas, que se implementan a lo largo de la cadena de suministro, la salud pública y la recopilación de datos microbianos (figura 4). Una de las innovaciones más destacadas es el desarrollo de métodos de detección basados en imágenes, que aprovechan las diferencias morfológicas de las bacterias en placas de agar. Este sistema, que combina el preprocesamiento de imágenes con algoritmos de Redes Neuronales Profundas (DNN), ha logrado detectar E. coli y bacterias coliformes con una sensibilidad notable, alcanzando un límite de detección de una única unidad formadora de colonias (UFC) en menos de 9 horas. La versatilidad de este enfoque permite su adaptación a diversos medios y microorganismos, ofreciendo la ventaja de identificar colonias antes de que sean visibles a simple vista (4).
Al igual que la detección de patógenos, el aprendizaje profundo está transformando toda la cadena de monitorización de calidad alimentaria y la cadena de suministro. Las redes neuronales recurrentes (RNN), las redes neuronales convolucionales (CNN) y las redes de memoria a largo plazo (LSTM) permiten un seguimiento continuo y en tiempo real de múltiples parámetros de calidad. Por ejemplo, los modelos CNN entrenados con imágenes de alta resolución pueden detectar sutiles variaciones en color o textura que podrían indicar problemas de calidad, permitiendo intervenciones preventivas que reducen el desperdicio y mejoran la seguridad alimentaria (4).
Figura 4. Usos de la IA en la seguridad alimentaria.Adaptado de How Can AI Help Improve Food Safety?(4).
*ETA:enfermedad transmitida por alimentos.
Ecosistemas y Biodiversidad: IA en la planificación de infraestructura verde
Por otro lado, la salud ambiental no se queda atrás. La infraestructura verde, que comprende parques, bosques urbanos y espacios verdes, trasciende su rol tradicional en la sostenibilidad ambiental para convertirse en un determinante de la salud pública. Los sistemas de información geográfica (GIS) y el análisis espacial, potenciados por la IA, han revolucionado la comprensión de la relación entre los espacios verdes y los patrones de salud poblacional (5).
| Arquitecturas de Deep Learning para Análisis Geoespacial |
| Redes Neuronales Convolucionales (CNN): Implementación de arquitecturas U-Net y ResNet para procesamiento de imágenes satelitales. |
| Modelos de Segmentación Semántica: Utilización de DeepLabv3+ para clasificación detallada de cobertura vegetal |
| Integración con Sistemas GIS: Frameworks que combinan PyTorch con bibliotecas geoespaciales como GeoPandas. |
Figura 5. Adaptado de https://doc.arcgis.com/es/allsource/latest/analysis/geoprocessing-tools/
image-analyst/pixel-classification.htm
Desafíos y Limitaciones en la Implementación de IA en One Health
A pesar de los potenciales beneficios de la IA en el enfoque One Health y la salud pública, su implementación enfrenta diversos desafíos que requieren atención cuidadosa. MacIntyre et al. señalan que la adopción de sistemas de IA por parte de las autoridades de salud pública ha sido notablemente más lenta que en el ámbito clínico, evidenciando una brecha creciente que dificulta la integración efectiva de información para la toma de decisiones en salud pública.
Los desafíos técnicos y operativos son particularmente significativos. La integración de datos heterogéneos provenientes de fuentes clínicas, ambientales y veterinarias requiere protocolos de estandarización robustos, mientras que la implementación de modelos complejos de IA demanda una capacidad de procesamiento considerable. Además, existe un delicado balance entre desarrollar modelos sofisticados y mantener su interpretabilidad para los profesionales de la salud, quienes deben tomar decisiones basadas en estas herramientas.
La infraestructura y el capital humano representan otro eje crucial. La implementación exitosa requiere no solo una inversión significativa en infraestructura y mantenimiento, sino también un compromiso con la capacitación continua del personal en nuevas tecnologías. La integración de soluciones de IA con sistemas heredados (legacy) existentes presenta desafíos técnicos adicionales que pueden complicar la adopción en entornos de salud pública establecidos (3).
Las consideraciones éticas emergen como un tercer pilar fundamental. La protección de la privacidad en sistemas interconectados que manejan información sensible debe ser prioritaria. El establecimiento de marcos claros de responsabilidad algorítmica se vuelve crucial para gestionar las decisiones basadas en IA y sus implicaciones en la salud pública.
Conclusiones y Perspectivas futuras
La integración de la Inteligencia Artificial en el enfoque One Health está revolucionando la salud pública eliminando las fronteras tradicionales entre la salud humana, animal y ambiental, creando así un ecosistema interconectado de vigilancia y respuesta.
Los avances en el procesamiento de datos masivos y en aprendizaje automático han permitido desarrollar sistemas predictivos cada vez más sofisticados. Desde la detección temprana de brotes zoonóticos hasta la monitorización en tiempo real de la calidad alimentaria, la IA está proporcionando herramientas que anteriormente eran inimaginables. Sin embargo, el verdadero poder de la IA en el contexto de One Health radica en su capacidad para facilitar la colaboración interdisciplinaria. Al proporcionar una plataforma común para el análisis de datos diversos, la IA está generando nuevas formas de cooperación entre profesionales de la salud, veterinarios, ecologistas y urbanistas. Es por esto que la IA no es solo una herramienta más en nuestro arsenal contra las amenazas a la salud global, sino que representa un nuevo paradigma en la manera en que entendemos y abordamos los desafíos de salud.
La autora usó Claude 3.5 Sonnet, para la edición de este texto y realización de algunas imágenes.
- Cáceres L. D, Canals M. Una Salud: conectando la salud humana, animal y ambiental. Departamento de Medicina, Facultad de Medicina, Universidad de Chile. Programa de Salud Ambiental, Escuela de Salud Pública, Facultad de Medicina, Universidad de Chile, Cuadernos médico-sociales 2020(1):9–18.
- Pettan-Brewer C, Martins AF, Abreu DPBd, Brandão APD, Barbosa DS, Figueroa DP, Cediel N, Kahn LH, Brandespim DF, Velásquez JCC, Carvalho AAB, Takayanagui AMM, Galhardo JA, Maia-Filho LFA, Pimpão CT, Vicente CR and Biondo AW (2021) From the Approach to the Concept: One Health in Latin America-Experiences and Perspectives in Brazil, Chile, and Colombia. Front. Public Health 9:687110. doi: 10.3389/fpubh.2021.687110
- MacIntyre CR, Chen X, Kunasekaran M, Quigley A, Lim S, Stone H, Paik HY, Yao L, Heslop D, Wei W, Sarmiento I, Gurdasani D. Artificial intelligence in public health: the potential of epidemic early warning systems. J Int Med Res. 2023 Mar;51(3):3000605231159335. doi: 10.1177/03000605231159335.
- Guo W, Lv C, Guo M, Zhao Q, Yin X, Zhang L. Innovative applications of artificial intelligence in zoonotic disease management. Science in One Health 2023 Jan 1;2:100045.
- Qian C, Murphy S.I, Orsi R.H, Wiedmann M.How Can AI Help Improve Food Safety?Annu. Rev. Food Sci. Technol. 2023. 14:517–38
- Adefemi A, Adikwu Ukpoju E, Adekoya O, Abatan A, Oluwatoyin Adegbite A.Artificial intelligence in environmental health and public safety: A comprehensive review of USA strategies.World Journal of Advanced Research and Reviews, 2023, 20(03), 1420–1434
aipocrates.blog 