La toma de decisiones en sanidad animal depende en gran medida de la evaluación de riesgos: un enfoque transparente, sistemático y con base científica para evaluar eventos indeseables como la introducción de enfermedades. 

Las evaluaciones de riesgos, tanto cualitativas como cuantitativas, se utilizan comúnmente para orientar políticas diseñadas, por ejemplo, para prevenir la entrada de enfermedades en países o regiones libres de ellas. Las infecciones animales transfronterizas, como la gripe aviar, la fiebre aftosa (FA) y la peste de pequeños rumiantes (PPR), son ejemplos de casos en los que la evaluación de riesgos se utiliza para mitigar el riesgo de introducción y orientar las iniciativas de vigilancia.

"En esta labor, la inteligencia artificial (IA) puede complementar las prácticas tradicionales de evaluación de riesgos en sanidad animal, con especial atención a las amenazas de enfermedades transfronterizas", afirman Erica Nunney, profesora en Epidemiología Veterinaria, y Javier Guitian, veterinario y profesor español de Salud Pública en el Royal Veterinary College (RVC). 

Características de un marco de evaluación de riesgos funcional

Los marcos de evaluación de riesgos "representan directrices estructuradas y transparentes para la evaluación de riesgos", señalan los expertos. Un ejemplo es el Marco de Análisis de Riesgos de Importación de la Organización Mundial de Sanidad Animal (OMSA), desarrollado para abordar los riesgos relacionados con la importación de animales y productos animales. "Este marco es lo suficientemente flexible como para adaptarse a la complejidad de los escenarios del mundo real y a la diversidad de peligros potenciales. Su enfoque estructurado define explícitamente las vías causales respaldadas por los mecanismos patológicos establecidos, y es especialmente adecuado para el análisis de escenarios y el apoyo a la toma de decisiones", explican. 

Al enfatizar un enfoque sistemático y transparente, "el marco garantiza que las evaluaciones de riesgos se mantengan claras y adaptables a medida que se disponga de nueva información". Con el paso de los años, el Marco de Análisis de Riesgos de Importación de la OMSA "se ha convertido en una referencia fundamental para los actores internacionales de la sanidad animal, orientando las decisiones sobre la gestión de los riesgos asociados con la introducción de enfermedades en países o regiones libres de enfermedades", expresan Nunney y Guitian.

Un principio fundamental en la evaluación de riesgos es la transparencia, que sustenta la credibilidad y la aceptación de las decisiones de gestión de riesgos. Ya sea evaluando el riesgo de introducción de enfermedades, evaluando medidas de control o guiando estrategias de vigilancia, las prácticas transparentes garantizan que los supuestos, métodos y datos subyacentes estén completamente documentados y sean accesibles.

"Esta transparencia permite a las partes interesadas, incluidos los responsables políticos, veterinarios y productores, comprender el razonamiento que sustenta las decisiones, lo que aumenta la confianza en el proceso", aclaran los autores. 

Importancia de la transparencia

La transparencia es especialmente importante en el contexto del comercio internacional, "donde las decisiones relativas a la importación de animales y productos animales deben estar científicamente justificadas". El Acuerdo sobre la Aplicación de Medidas Sanitarias y Fitosanitarias (Acuerdo MSF) de la Organización Mundial del Comercio reconoce explícitamente la evaluación científica de riesgos como la base de dichas decisiones, destacando que las medidas deben ser transparentes, con base científica e imparciales. 

En el caso de las evaluaciones de riesgos de importación, la transparencia cumple múltiples funciones: facilita la comunicación, fomenta la confianza de las partes interesadas y promueve la equidad entre los socios comerciales. También permite a los países exportadores comprender y, de ser necesario, impugnar las medidas impuestas por los países importadores. "Por lo tanto, la transparencia es fundamental para la evaluación de riesgos, y los métodos innovadores impulsados ​​por IA deben diseñarse de tal manera que se preserve la transparencia", aseguran los expertos. 

"El rápido desarrollo y la creciente accesibilidad de la IA traen consigo nuevas oportunidades y desafíos al campo de la evaluación de riesgos en salud animal", señalan los veterinarios. Por un lado, los métodos de IA como el aprendizaje automático (ML, por sus siglas en inglés) pueden mejorar las evaluaciones de riesgos tradicionales al facilitar la integración de diversas fuentes de datos, la identificación de patrones complejos y la gestión de conjuntos de datos con un gran número de características. Dichos métodos también pueden respaldar la actualización en tiempo real de las estimaciones de riesgo a medida que se dispone de nuevos datos. "Sin embargo, los métodos de IA presentan desafíos, especialmente en lo que respecta a la transparencia y la interpretabilidad", aclaran Nunney y Guitian. 

Las evaluaciones de riesgos tradicionales suelen estructurarse en torno a mecanismos explícitos de la enfermedad, lo que las hace especialmente adecuadas para el análisis de escenarios y la toma de decisiones basada en la evidencia. "Por el contrario, los modelos de IA a menudo funcionan como "cajas negras", ya que pueden realizar predicciones precisas, pero no muestran claramente cómo los factores individuales conducen a un resultado particular", explican. 

Esta falta de transparencia plantea inquietudes sobre la aplicabilidad de los modelos basados ​​en IA a las decisiones políticas, que requieren transparencia y justificación de los resultados. "Un enfoque prometedor para abordar este desafío es la integración del razonamiento causal, o, más formalmente, los marcos de modelado causal, con métodos basados ​​en datos. El razonamiento causal busca comprender y explicitar las relaciones entre variables, como la forma en que factores de riesgo específicos influyen en la probabilidad o la gravedad de los resultados de una enfermedad", indican los autores. "Esto puede complementar idealmente los modelos basados ​​exclusivamente en datos, los cuales pueden revelar correlaciones entre las variables de entrada y los resultados sin representar los mecanismos subyacentes que las impulsan", agregan.

Al combinar las capacidades predictivas de la IA con la lógica estructurada de los marcos causales, "es posible generar modelos potentes e interpretables. De esta manera, podemos mantener la base teórica y la transparencia de los enfoques tradicionales de evaluación de riesgos, a la vez que aprovechamos la capacidad de la IA para procesar grandes conjuntos de datos complejos e identificar patrones que podrían no ser evidentes a primera vista", añaden. 

Una aplicación es el uso de ML como herramienta de preprocesamiento para identificar patrones o anomalías dentro de los datos, que luego se analizan a través de métodos más estructurados e impulsados ​​por la teoría. Este enfoque combinado ayuda a preservar la transparencia mientras se beneficia de los avances computacionales.

Más aplicaciones de la IA

Otra aplicación donde la IA puede hacer una contribución significativa es la evaluación dinámica de riesgos. "Los modelos de IA pueden respaldar evaluaciones de riesgos adaptativas que cambian a medida que se dispone de nuevos datos, combinando datos en tiempo real de varias fuentes (por ejemplo, informes de vigilancia o datos de movimiento de animales)".

En el contexto de esta posible aplicación, "la incorporación de retroalimentación en el marco de evaluación de riesgos podría representar un avance valioso. Los algoritmos de aprendizaje de refuerzo, que pueden adaptarse en tiempo real a la nueva información, pueden desempeñar un papel en este proceso, lo que permite una toma de decisiones más informada y oportuna. Dichos algoritmos pueden incorporar datos de varias fuentes y ajustar las predicciones a medida que cambian las condiciones, lo que los hace particularmente adecuados para contextos de riesgo en continua evolución", indican los autores.

Dicha capacidad dinámica se alinea bien con las evaluaciones de riesgos que abordan situaciones epidemiológicas que cambian rápidamente, como las enfermedades infecciosas emergentes. "Un buen ejemplo es el desafío actual que plantean los virus de la gripe aviar, con sus patrones en constante evolución que hacen especialmente difícil evaluar y gestionar el riesgo a lo largo del tiempo".

Falta investigación sobre la IA en sanidad animal

Si bien estas aplicaciones "son prometedoras, aún faltan implementaciones reales de enfoques de IA integrados y adaptativos para la evaluación de riesgos en la salud animal. Incluso en el ámbito de la salud humana, donde la disponibilidad de datos y la infraestructura digital suelen ser más avanzadas, los ejemplos exitosos de modelos de aprendizaje automático causal en uso operativo siguen siendo escasos", revelan los veterinarios.

"Aún se necesitan estudios de prueba de concepto antes de que estas herramientas puedan implementarse de forma rutinaria. Sin embargo, es probable que las mejoras continuas en la recopilación, estandarización e interoperabilidad de los datos de vigilancia de la salud animal hagan que estos enfoques integrados sean cada vez más viables en un futuro próximo", añaden.

Recomendaciones para futuras prácticas de evaluación de riesgos

La integración de la IA en la evaluación de riesgos para la salud animal "presenta oportunidades prometedoras y desafíos significativos, especialmente en términos de garantizar la transparencia y la interpretación de los resultados. Para beneficiarnos de estas tecnologías sin comprometer las ventajas de la evaluación de riesgos tradicional, debemos garantizar que la transparencia y unas bases teóricas sólidas, basadas en la comprensión del mundo real y la experiencia en el dominio, sigan siendo fundamentales", destacan los autores. 

Un paso importante, de acuerdo con los expertos, es desarrollar herramientas que combinen las capacidades predictivas de la IA con la claridad de los modelos estructurados en torno a relaciones causales. Estos modelos híbridos pueden mejorar la flexibilidad y el rendimiento, a la vez que mantienen la interpretabilidad, crucial para generar confianza y tomar decisiones basadas en la evidencia.

"Al aumentar la transparencia de los modelos de IA mediante la incorporación de elementos de razonamiento causal, podemos garantizar que sus resultados no solo sean precisos, sino también claros y significativos para los responsables de la toma de decisiones y las partes interesadas".

"También es importante que las herramientas de IA se desarrollen en colaboración entre expertos técnicos y personas con conocimientos de sanidad animal y políticas, garantizando que satisfagan las necesidades reales y se basen en la realidad de la toma de decisiones en sanidad animal", señalan.

Asimismo, "es fundamental contar con prácticas claras y consistentes para informar sobre el diseño, las suposiciones y los resultados de las evaluaciones basadas en IA para generar confianza entre las partes interesadas y permitir que otros evalúen críticamente este trabajo y lo desarrollen".

Es así como al adoptar un enfoque tan equilibrado e integrado "podemos lograr una evaluación de riesgos más ágil y adaptable a flujos de datos nuevos y más complejos, sin comprometer la transparencia y el rigor que desde hace tiempo han constituido la base de la toma de decisiones en sanidad animal. De este modo, continuamos mejorando una herramienta crucial para la prevención y el control de las enfermedades animales, a la vez que promovemos un comercio internacional seguro y justo", aseguran los autores.

Como autoridad mundial en sanidad animal, la OMSA está en una posición privilegiada para guiar la integración responsable de la IA en la evaluación de riesgos de las importaciones. "Esto podría implicar la revisión de las directrices actuales para incorporar nuevas metodologías y la promoción de las mejores prácticas para garantizar la transparencia y la interpretabilidad. Al promover el uso adecuado de la IA en la evaluación de riesgos, la OMSA puede contribuir a que la innovación fortalezca, en lugar de debilitar, la base científica para un comercio seguro", concluyen Erica Nunney y Javier Guitian.