Un nuevo modelo híbrido para la predicción de la distribución de especies de la helmintiasis transmitida por el suelo (HTS) bajo condiciones de temperatura del suelo utilizando Random Forest y el algoritmo de optimización por enjambre de partículas

Por qué importa el calor del suelo para infecciones ocultas

En gran parte de Nigeria, millones de personas están expuestas a diminutos gusanos parásitos que viven en el suelo y que pueden dañar silenciosamente el crecimiento de los niños y la productividad de los adultos. Estas infecciones prosperan o desaparecen según la temperatura del suelo a pocos centímetros bajo nuestros pies. Este estudio explora cómo la combinación de algoritmos informáticos avanzados con datos detallados de temperatura del suelo puede revelar dónde es más probable que se propaguen estos parásitos, ayudando a los trabajadores de salud a concentrar recursos limitados donde más se necesitan.

Gusanos invisibles bajo nuestros pies

Los helmintos transmitidos por el suelo son gusanos intestinales que se propagan cuando las heces humanas contaminan el entorno y las personas entran en contacto con suelo infectado. En Nigeria, tres principales responsables—áscaris, tricurias y anquilostomas—siguen siendo un grave problema de salud pública, especialmente para los niños. Sus huevos y larvas se desarrollan en el suelo, y ese desarrollo es extremadamente sensible a la temperatura. Estudios globales previos han mostrado que existe un rango “ideal”—aproximadamente templado pero no abrasador—donde estos parásitos prosperan. Aun así, a pesar de décadas de esfuerzos de control, ha sido difícil identificar qué comunidades corren mayor riesgo, en parte porque los mapas de infección no han capturado completamente cómo varían las condiciones del suelo en el paisaje.

Convertir el calor del suelo en un mapa de riesgo

Para abordar este reto, los investigadores construyeron un retrato detallado del clima subterráneo de Nigeria. Aprovecharon un conjunto de datos global del suelo que proporciona 21 capas diferentes que describen cómo se comporta la temperatura del suelo a lo largo del año: calor medio, variaciones estacionales, extremos y valores mes a mes a 0–5 cm de profundidad. Emparejaron estas capas con datos de ubicación sobre dónde se habían registrado infecciones por gusanos en todo el país, extraídos de una base de datos internacional de enfermedades desatendidas. Dado que muchos de estos registros solo muestran dónde se encontraron infecciones, el equipo también generó ubicaciones de “pseudo-ausencia” cuidadosamente seleccionadas—lugares sin infecciones conocidas—para enseñar a sus modelos a distinguir entre condiciones adecuadas e inadecuadas.

Cómo un modelo híbrido inteligente aprende del terreno

En el centro del estudio hay un modelo informático híbrido que combina dos ideas: árboles de decisión y comportamiento en enjambre. El motor base, conocido como Random Forest, funciona creciendo muchos árboles ramificados que cada uno toman una decisión sencilla de sí o no basándose en las condiciones del suelo, y luego agrupan sus votos para decidir si una ubicación probablemente alberga los gusanos. Sobre esto, el equipo añadió Optimización por Enjambre de Partículas, un enfoque inspirado en bandadas de aves o cardúmenes de peces. En este esquema, muchas “partículas” exploran diferentes combinaciones de parámetros del modelo y selecciones de características de la temperatura del suelo, impulsándose mutuamente hacia combinaciones que producen predicciones más precisas.

Predicciones más nítidas con menos pistas

Al comparar modelos, el enfoque híbrido superó claramente tanto a un Random Forest estándar como a una red neuronal artificial más tradicional. El Random Forest habitual alcanzó una precisión de aproximadamente el 87 por ciento y la red neuronal alrededor del 81 por ciento, mientras que el modelo híbrido optimizado subió hasta aproximadamente el 91 por ciento y mostró un rendimiento más estable. Cabe destacar que el modelo guiado por enjambre logró esta mejora usando solo alrededor de la mitad de las características de temperatura del suelo disponibles, concentrándose en un puñado de patrones mensuales y estacionales que más importan para la supervivencia de los gusanos. Las pruebas estadísticas confirmaron que las ganancias no se debieron al azar. El mapa resultante de Nigeria reveló zonas de alta idoneidad bien definidas, especialmente en las regiones del centro y la franja media donde la calidez y la variabilidad del suelo se encuentran dentro del rango preferido por los parásitos.

Del código informático a las clínicas comunitarias

Para los no especialistas, el mensaje central es sencillo: al enseñar a las computadoras a leer patrones sutiles en cómo se calienta el suelo y cómo cambia ese calor a lo largo del tiempo, podemos trazar mapas mucho más claros de dónde es más probable que persistan las infecciones por gusanos. El modelo híbrido del estudio traduce la temperatura subterránea en una guía práctica para la acción, sugiriendo qué distritos deberían priorizarse para campañas de desparasitación, mejora del saneamiento y vigilancia continua. Aunque se desarrolló para Nigeria, el mismo enfoque podría adaptarse a otros países y a otras enfermedades que dependen de condiciones ambientales, convirtiendo cambios invisibles en el suelo y el clima en herramientas concretas para proteger la salud pública.

Cita: Adekunle, T.A., Ogunwande, JM.O., Ogundoyin, I.K. et al. A novel hybrid model for species distribution prediction of soil-transmitted helminthiasis (STH) under soil temperature conditions using Random Forest and Particle Swarm Optimization Algorithm. Sci Rep 16, 9594 (2026). https://doi.org/10.1038/s41598-025-31604-y

Palabras clave: helmintos transmitidos por el suelo, modelado de distribución de especies, temperatura del suelo, aprendizaje automático, Nigeria