Fotografía: Salida de campo en Cali como representa de fundación Rockefeller
Anticipando la Fiebre Antes de que Llegue
El dengue es un desafío de salud pública global, una enfermedad cuya propagación es tan difícil de predecir como de controlar. Históricamente, las autoridades sanitarias se han visto obligadas a reaccionar a los brotes una vez que ya están en marcha, persiguiendo al virus en lugar de anticiparse a él. Sin embargo, en la ciudad de Cali, Colombia, un proyecto innovador está cambiando este paradigma. Dengue.IA Cali no es solo un caso de estudio sobre el uso de tecnología de punta; es una fuente de lecciones sorprendentes sobre cómo la inteligencia artificial y la sabiduría humana pueden unirse para crear un escudo protector sobre una ciudad. A continuación, exploramos cinco de los hallazgos más reveladores de este proyecto pionero.
La IA no solo predice para la ciudad, sino para tu barrio
El proyecto Dengue.IA va más allá de los pronósticos generales que alertan a toda una ciudad. Su verdadero poder reside en su granularidad. El sistema utiliza una cuadrícula de píxeles de 1 km² para generar pronósticos a nivel sub-municipal, cubriendo los 363 barrios de Cali.
El impacto de este enfoque es transformador. En lugar de emitir alertas generalizadas que diluyen los esfuerzos, esto transforma el mapa de Cali en un tablero de ajedrez epidemiológico, permitiendo a las autoridades mover sus piezas de forma proactiva en lugar de reaccionar a los movimientos del virus. Es posible enfocar la fumigación, las campañas de concientización y la eliminación de criaderos de mosquitos exactamente en las zonas identificadas con mayor riesgo. Esto no solo optimiza el uso de recursos, sino que multiplica la efectividad de cada intervención, protegiendo a las comunidades más vulnerables antes de que el brote se intensifique. Aunque el modelo actual opera con una semana de antelación, el objetivo final es extender este horizonte a 3 o 4 semanas, lo que permitiría una planificación de salud pública aún más proactiva.
El mayor obstáculo no fue la IA, sino el clima impredecible
Sorprendentemente, uno de los mayores desafíos técnicos del proyecto no fue el desarrollo de los complejos algoritmos de inteligencia artificial, sino un problema mucho más terrenal: la baja calidad y la falta de cobertura de los datos de las estaciones meteorológicas locales. Sin datos climáticos fiables y detallados, cualquier modelo predictivo pierde su poder.
La solución del equipo fue un ejemplo de creatividad ante la adversidad. En lugar de depender de las estaciones locales, recurrieron a fuentes alternativas como imágenes de satélite y radar. Para adaptar estos datos de gran escala a la resolución necesaria para el modelo, desarrollaron un proceso conocido como “downscaling” (reducción de escala). En términos sencillos, crearon un método para “traducir” la información climática capturada desde el espacio a la cuadrícula de 1 km² que cubre los barrios de Cali. Este punto es revelador: demuestra que los proyectos de IA más avanzados a menudo dependen de la capacidad de resolver problemas de datos muy básicos y del mundo real con ingenio.
Para predecir el futuro del dengue, la clave está en el pasado reciente
Un análisis sobre la importancia de las variables dentro del modelo arrojó un hallazgo contraintuitivo. Aunque los datos climáticos son fundamentales, los predictores más influyentes no fueron las mediciones de temperatura o precipitación más complejas, sino las propias tasas de incidencia de dengue de las semanas anteriores, especialmente las de hace cuatro semanas.
¿Qué significa esto? Que la propia dinámica y el “momentum” de la enfermedad en el territorio —es decir, la inercia y la velocidad con la que los casos se han propagado en un área específica— es un predictor extremadamente potente de su comportamiento futuro. Esta lección subraya una verdad fundamental en la salud pública moderna: la tecnología más avanzada es tan buena como los datos que la alimentan. Para que un sistema como Dengue.IA funcione, es indispensable contar con un sistema de vigilancia epidemiológica robusto, ágil y actualizado que reporte los casos de manera oportuna.
Predecir no es suficiente: La IA también debe prescribir la acción
El proyecto Dengue.IA Cali entiende que un pronóstico, por muy preciso que sea, tiene un valor limitado si no se traduce en una acción clara. Aquí es donde el proyecto da un paso crucial: los pronósticos generados por el modelo predictivo no son el punto final, sino el punto de partida para el modelo prescriptivo. Por ello, el sistema se compone de dos partes fundamentales que trabajan en conjunto: el modelo predictivo y el modelo prescriptivo.
Mientras que el modelo predictivo responde a las preguntas de “¿dónde?” y “¿cuándo?” es probable que ocurra un brote, el modelo prescriptivo responde al “¿qué hacemos al respecto?”. Este segundo componente recomienda un conjunto de 19 estrategias de intervención posibles, que van desde el control de vectores (como la fumigación o el control de larvas) hasta la comunicación comunitaria y la gestión ambiental. Este enfoque dual es crucial porque convierte los datos en decisiones y las alertas en planes de acción concretos, ofreciendo a las autoridades sanitarias una hoja de ruta clara para proteger a la población.
Cuando la IA no tiene datos, aprende de los expertos humanos
Si el desafío para el modelo predictivo fue la falta de datos climáticos de calidad, el obstáculo para el modelo prescriptivo fue aún mayor: la ausencia casi total de datos históricos sobre la efectividad de las intervenciones. Sin estos datos, era imposible entrenar un modelo de machine learning de manera tradicional para que aprendiera qué estrategia funciona mejor en cada contexto.
La solución fue brillante y profundamente humana. Se utilizó un método llamado proceso Delphi. El objetivo de este método es transformar las opiniones individuales y a menudo divergentes de un grupo de especialistas en un consenso cuantitativo y estructurado. Se reunió a un panel de 14 expertos en campos tan diversos como salud pública, entomología, epidemiología, gestión ambiental y operaciones de vigilancia. A través de rondas iterativas y apoyados por una plataforma de software diseñada a medida para este proceso, en un método que podría denominarse “e-Delphi”, el equipo logró “extraer”, estructurar y sistematizar el conocimiento colectivo de estos especialistas. Fue este consenso el que definió los 54 indicadores, las 19 estrategias y las reglas que los conectan.
Este no fue simplemente un plan B ante la falta de datos; fue la creación de un motor de decisión basado en décadas de experiencia humana acumulada, un conocimiento que antes residía en las mentes de los expertos y que ahora ha sido codificado en un sistema digital, escalable y persistente.
Un Nuevo Modelo para la Salud Pública
El verdadero avance de Dengue.IA Cali no es una nueva pieza de inteligencia artificial, sino una nueva arquitectura para la inteligencia colectiva. El proyecto demuestra que los sistemas más robustos no son los que apuestan todo a los algoritmos, sino los que saben orquestar una sinfonía de herramientas: machine learning donde hay datos, conocimiento experto codificado donde no los hay, y una comprensión profunda del contexto para unirlo todo.
Nos deja una pregunta final que invita a la reflexión: Si podemos combinar la inteligencia artificial con la sabiduría colectiva para anticipar y combatir el dengue, ¿qué otros desafíos complejos de nuestras ciudades podríamos empezar a resolver hoy?
Nota generada con IA a partir de reportes oficiales
