La proxima pandemia ya tiene modelo predictivo: nadie sabe si funciona

La IA predicción epidemias ya no es una promesa de laboratorio. Es una realidad en marcha, con modelos desplegados, financiados y, en algunos casos, consultados por gobiernos antes de tomar decisiones sanitarias. El problema es que nadie se pone de acuerdo en si realmente funcionan. Y esa pregunta, que parece técnica, tiene consecuencias enormes para todos.

Cuando los algoritmos empezaron a rastrear brotes

Todo empezó mucho antes de que la palabra «pandemia» volviera a colarse en las conversaciones de sobremesa. En 2008, Google lanzó Google Flu Trends, un sistema que pretendía predecir la gripe en Estados Unidos a partir de las búsquedas de los usuarios. Los resultados iniciales fueron espectaculares: el modelo anticipaba los picos de contagio con semanas de antelación. La prensa lo celebró como una revolución.

Luego llegó el desastre silencioso. En 2012 y 2013, el sistema sobreestimó la incidencia de la gripe de forma tan brutal que los epidemiólogos empezaron a preguntarse si no era peor tenerlo que no tenerlo. Google terminó retirando el proyecto en 2015. Pero la lección no apagó el entusiasmo: la encendió.

Desde entonces, el campo ha crecido de forma exponencial. Hoy existen decenas de plataformas que combinan datos de movilidad, redes sociales, tráfico aéreo, alertas veterinarias y registros hospitalarios para intentar anticipar dónde va a estallar el próximo brote. Algunas tienen nombres discretos que el gran público desconoce. Otras, como BlueDot o Metabiota, han ganado notoriedad porque, supuestamente, detectaron señales del SARS-CoV-2 antes de que la OMS diera la voz de alarma.

BlueDot, la empresa canadiense, afirma haber identificado el brote en Wuhan el 31 de diciembre de 2019 y haber enviado alertas a sus clientes antes de que ningún organismo oficial dijera nada. Es una historia atractiva. También es una historia que conviene examinar con cuidado, porque la diferencia entre «detectar una señal» y «predecir una pandemia» es exactamente la diferencia entre ver nubes y saber si lloverá el jueves.

Qué puede hacer la IA y qué no puede hacer todavía

Para entender el debate hay que separar dos cosas que se mezclan constantemente: la vigilancia epidemiológica asistida por IA y la predicción propiamente dicha. Son cosas distintas.

La vigilancia es lo que hacen sistemas como BlueDot o HealthMap: agregan datos de fuentes muy diversas —informes médicos, noticias en varios idiomas, foros de médicos, registros de ventas de fármacos— y detectan anomalías. Es útil, está documentado que funciona, y tiene un valor real como sistema de alerta temprana. Nadie lo discute seriamente.

La predicción es otra historia. Predecir una pandemia implica estimar cuándo y dónde se va a originar un brote, qué patógeno va a ser el responsable, con qué velocidad se va a propagar y cuánto daño va a causar. Para eso, los modelos actuales tienen limitaciones estructurales que los propios científicos reconocen abiertamente.

El primero de esos límites es la calidad de los datos de entrada. Los modelos aprenden de lo que ha pasado antes, pero los eventos pandémicos son, por definición, raros y heterogéneos. El H1N1 de 2009, el Ébola de 2014, el COVID-19 de 2020: cada uno siguió una lógica distinta, determinada por factores biológicos, geopolíticos y sociales que ningún modelo podía anticipar completamente. Entrenar una IA con ese corpus es como intentar aprender a conducir estudiando solo accidentes de tráfico.

El segundo límite es la opacidad. Muchos de estos modelos son cajas negras: producen una predicción, pero no explican bien por qué. Y en epidemiología, el «por qué» importa tanto como el «qué». Un sistema que dice «hay un 73% de probabilidad de brote en el sudeste asiático en los próximos seis meses» sin detallar sus supuestos es casi imposible de evaluar críticamente.

La pandemia de COVID-19 como banco de pruebas involuntario

La irrupción del SARS-CoV-2 fue, entre otras cosas, el mayor experimento no controlado de la historia de los modelos predictivos. Todos estaban ahí. Todos tenían algo que decir. Y los resultados fueron… mixtos, por decirlo con generosidad.

Algunos modelos subestimaron radicalmente la velocidad de propagación en Europa en las primeras semanas. Otros sobreestimaron la mortalidad en países con sistemas sanitarios robustos. El modelo del Imperial College de Londres, que en marzo de 2020 proyectó 500.000 muertes en Reino Unido sin intervención, influyó decisivamente en las políticas de confinamiento. Fue también criticado por sus supuestos y sus intervalos de confianza.

¿Significa eso que los modelos fallaron? No exactamente. La epidemiología nunca ha pretendido ser una bola de cristal. Un modelo que te dice «sin medidas, el escenario es catastrófico» ha cumplido su función si esas medidas se toman y el escenario no se materializa. El problema es que luego es imposible saber si el modelo tenía razón o si la realidad simplemente fue más benigna de lo esperado.

Esto no es un problema menor. Es el núcleo del debate sobre la validación de estos sistemas, y es lo que hace que la comunidad científica esté dividida. Los que trabajan en IA para salud pública defienden que, incluso con errores, sus herramientas aportan valor. Los epidemiólogos clásicos recuerdan que un modelo mal calibrado puede ser más peligroso que no tener modelo, porque da una falsa sensación de certeza a quienes toman decisiones.

Quién financia esto y por qué importa

Aquí es donde la historia se complica un poco. El desarrollo de sistemas de IA para predicción de epidemias no es un proyecto altruista de académicos desinteresados. Es también un mercado.

Metabiota, por ejemplo, fue durante años una empresa que vendía datos de riesgo epidémico a compañías de seguros y gobiernos. En 2022, fue adquirida por una empresa de ciberseguridad. BlueDot tiene clientes corporativos y gubernamentales. Palantir, la empresa de análisis de datos conocida por sus contratos con agencias de defensa e inteligencia, tiene contratos activos con varios sistemas de salud nacionales para, entre otras cosas, modelar escenarios de crisis sanitaria.

Esto no significa automáticamente que haya algo turbio. Que haya negocio en la predicción de pandemias no invalida la utilidad de las herramientas. Pero sí plantea preguntas legítimas sobre los incentivos: ¿tienen estos sistemas algún interés en comunicar alarmas con más frecuencia de la necesaria? ¿Quién audita sus predicciones? ¿Quién accede a los datos que generan?

En un campo donde los datos son poder, el control sobre qué se mide, cómo se interpreta y a quién se comunica es una forma de poder sanitario y político. Del mismo modo que la conectividad global se ha convertido en un terreno de disputa geopolítica, la infraestructura de vigilancia epidemiológica está empezando a serlo también.

La OMS ha intentado establecer marcos de coordinación, pero su capacidad de regulación sobre empresas privadas es limitada. Y mientras tanto, los sistemas se despliegan, aprenden, y acumulan datos sobre comportamientos de salud de millones de personas en todo el mundo.

Los datos que alimentan la máquina

Una cosa que rara vez aparece en los titulares sobre IA y pandemias es la pregunta de dónde vienen exactamente los datos. La respuesta es amplia y, en algunos casos, incómoda.

Los modelos más sofisticados incorporan datos de movilidad de teléfonos móviles, compras con tarjeta de crédito, búsquedas en internet, redes sociales, imágenes satelitales de hospitales, registros de llamadas a servicios de emergencia y hasta análisis de aguas residuales. Todo esto se agrega, se anonimiza en teoría, y se convierte en señal para el modelo.

El problema de la privacidad es real, pero también lo es algo más sutil: los sesgos en los datos de entrada producen sesgos en las predicciones. Si los datos de movilidad vienen principalmente de usuarios de smartphones de gama alta, el modelo infrarepresenta a las poblaciones más pobres, que son frecuentemente las más vulnerables en una pandemia. Si los registros hospitalarios de ciertas regiones son incompletos, el modelo «no ve» lo que pasa allí.

Esto significa que podríamos estar construyendo sistemas predictivos que son muy buenos detectando brotes en países con alta digitalización y bastante malos en los lugares donde los brotes suelen originarse. Es una paradoja que los especialistas conocen y que todavía no tiene solución fácil. La innovación tecnológica tiene una tendencia histórica a beneficiar primero a quienes ya tienen más recursos.

El papel de los gobiernos: entre el entusiasmo y la desconfianza

La pandemia de COVID-19 aceleró la inversión pública en sistemas predictivos. Estados Unidos, la Unión Europea, China, el Reino Unido y varios países asiáticos han aumentado significativamente sus presupuestos en vigilancia epidemiológica digital.

Pero la relación entre los gobiernos y estas herramientas no es sencilla. Durante el COVID, hubo momentos en que los modelos predictivos y las decisiones políticas chocaron frontalmente. En algunos casos, los gobiernos ignoraron las proyecciones de sus propios asesores. En otros, usaron modelos para justificar decisiones que ya habían tomado de antemano.

El riesgo de que la IA se convierta en una coartada científica para decisiones políticas preexistentes es real y documentado. Un modelo que te da el resultado que necesitas para justificar lo que ya ibas a hacer no es una herramienta de decisión: es una herramienta de legitimación. Y eso es algo muy diferente.

Por eso, cada vez más epidemiólogos insisten en que la IA debe ser un input entre muchos, no el árbitro final. Debe complementar el juicio clínico, el conocimiento del contexto local y la experiencia de los profesionales de salud pública, no sustituirlos. Algo que, dicho así, parece obvio, pero que en la práctica de los últimos años no siempre ha sido así. No es muy distinto de lo que ocurre con los coches autónomos y la confianza ciega en los sistemas: la tecnología puede fallar justo cuando más necesitas que no lo haga.

Lo que viene: modelos de nueva generación

La siguiente ola de herramientas está aprovechando los avances en modelos de lenguaje, redes neuronales de grafos y análisis genómico en tiempo real. La promesa es que los sistemas de nueva generación no solo detectarán brotes antes, sino que serán capaces de caracterizar el patógeno responsable con mayor rapidez y precisión.

El análisis de metagenómica ambiental —básicamente, secuenciar el ADN y ARN presentes en el aire, el agua o las superficies de un entorno— combinado con IA podría permitir detectar agentes patógenos desconocidos antes de que hayan causado un solo caso clínico. No es ciencia ficción: hay laboratorios trabajando en eso ahora mismo. Tampoco está listo para desplegarse a escala global.

Hay también un interés creciente en integrar datos de salud animal con los de salud humana, dado que la mayoría de las pandemias tienen origen zoonótico. Si un modelo puede detectar patrones inusuales en poblaciones de animales salvajes o de granja —mortalidad, comportamiento, distribución geográfica— podría dar una señal de alarma mucho antes de que el patógeno dé el salto a los humanos. Es una idea brillante sobre el papel. Llevarlo a la práctica requiere una coordinación internacional que, históricamente, ha costado mucho conseguir.

Algunos de estos desarrollos comparten el mismo tipo de ambición que vemos en campos como la bioingeniería aplicada a la medicina, donde la distancia entre el laboratorio y la clínica sigue siendo más larga de lo que los comunicados de prensa sugieren.

El problema del falso positivo y el coste de la alarma

Hay una dimensión del problema que se discute poco: el coste de equivocarse hacia arriba. Si un sistema de IA lanza una alerta de pandemia que luego no se materializa, las consecuencias son reales: mercados financieros alterados, cadenas de suministro interrumpidas, respuestas gubernamentales costosas, y —quizás lo más duradero— erosión de la confianza pública en las instituciones sanitarias.

La «fatiga de alarma» es un fenómeno documentado. Cuando las alertas se perciben como exageradas, la población tiende a ignorar las siguientes. Ocurrió con la gripe A en 2009, cuando la respuesta inicial de la OMS fue considerada por muchos como desproporcionada respecto al impacto real de la enfermedad. Pasó factura en 2020, cuando una parte de la población ya llegaba con desconfianza acumulada.

Un sistema de IA que genere muchos falsos positivos no solo desperdicia recursos: puede estar socavando activamente la capacidad de respuesta social ante la próxima amenaza real. Esta es quizás la consecuencia más paradójica y menos discutida de la proliferación de modelos predictivos.

Y aquí entra también la cuestión de la comunicación. ¿Cómo se le dice al público que hay «un 65% de probabilidad de brote significativo en los próximos tres meses»? ¿Qué hace la gente con esa información? ¿Cómo evitas el pánico sin caer en la minimización? Esas preguntas no las responde ningún algoritmo. Las tienen que responder personas, con toda la imperfección que eso implica. Igual que ocurre con tecnologías prometedoras donde separar el hype de la realidad es más difícil de lo que parece desde fuera.

El debate sobre transparencia y código abierto

Una de las batallas más importantes que se libra ahora mismo en este campo es la de la transparencia. ¿Deben los modelos predictivos de salud pública ser de código abierto? ¿Deben publicarse sus metodologías, sus datos de entrenamiento, sus errores pasados?

Hay argumentos sólidos en los dos sentidos. A favor de la transparencia: permite la revisión independiente, genera confianza pública y evita que los errores se oculten. En contra: revelar la metodología de un sistema de vigilancia epidemiológica podría también revelar sus puntos ciegos, algo que actores con malas intenciones podrían aprovechar.

También está la cuestión competitiva. Las empresas que han invertido millones en desarrollar estos sistemas no tienen ningún incentivo para compartir lo que han construido. Y los gobiernos que los compran tampoco siempre quieren que sus decisiones sean auditables.

El resultado es un ecosistema fragmentado, donde los modelos más poderosos son también los menos escrutados. Esto no es una teoría conspirativa: es una descripción bastante precisa del estado actual del campo, reconocida por investigadores que llevan años trabajando en él.

Algunos grupos académicos, como el Centro de Epidemiología Computacional de la Universidad de Virginia o el Instituto de Modelado de Enfermedades, han apostado por la apertura. Pero son una minoría en un ecosistema donde el dinero y los intereses estratégicos apuntan en otra dirección. Del mismo modo que los avances en computación más potente están acelerando lo que estos sistemas pueden hacer, la regulación y la supervisión van muy por detrás.

¿Podemos confiar en una IA para anticipar lo imprevisible?

Esa es la pregunta que queda en el aire después de examinar todo esto. Y la respuesta honesta es: depende de qué le pidas. Los sistemas de vigilancia asistida por IA tienen un valor real y demostrado para detectar señales tempranas de brotes conocidos o similares a otros anteriores. Eso es mucho. No es poco.

Pero predecir la próxima pandemia —el patógeno desconocido, el salto de especie inesperado, la combinación de factores sociales y biológicos que convierte un brote local en una crisis global— sigue siendo, en buena medida, un problema abierto. Los modelos son tan buenos como los datos que los alimentan y tan útiles como los humanos que interpretan sus resultados.

Lo que sí parece claro es que la IA va a jugar un papel central en la respuesta sanitaria global de las próximas décadas, nos guste o no. La pregunta real no es si vamos a usar estos sistemas. Ya los estamos usando. La pregunta es si vamos a construir los mecanismos de supervisión, transparencia y rendición de cuentas necesarios para que sean herramientas al servicio de la salud pública y no al servicio de intereses más estrechos.

Porque si la próxima pandemia llega —y los epidemiólogos coinciden en que no es una cuestión de si, sino de cuándo— lo que determine si respondemos bien no será solo la potencia del modelo. Será quién lo controla, quién lo entiende, y quién tiene acceso a lo que dice. Y eso no es un problema técnico. Es un problema político.

¿Estamos construyendo la herramienta correcta o solo la más impresionante?

La IA predicción epidemias avanza rápido, capta titulares y moviliza inversiones enormes. Pero cada vez que un nuevo modelo se presenta como la solución definitiva, vale la pena hacerse una pregunta incómoda: ¿estamos diseñando lo que la salud pública necesita, o lo que la tecnología puede hacer? No siempre es lo mismo. Y en una crisis sanitaria global, esa diferencia puede costar muchas vidas.

Preguntas frecuentes