Aprovechamiento de modelos universales y de aprendizaje por transferencia para la predicción de la influenza en Tailandia

Por qué las previsiones de gripe importan para todos

La influenza puede parecer una enfermedad invernal rutinaria, pero cada año envía a millones de personas a clínicas y hospitales y puede ser mortal, sobre todo cuando los sistemas de salud son sorprendidos por un brote. Poder prever cuándo y dónde aumentará la gripe permite a médicos y autoridades sanitarias abastecer vacunas y medicamentos, preparar camas hospitalarias y advertir a las comunidades con antelación. Este estudio se centra en Tailandia, pero las ideas que propone—usar la inteligencia artificial moderna para mejorar las predicciones incluso donde los datos son escasos—podrían ayudar a muchos países a prepararse para la próxima mala temporada de gripe.

Gripe, clima y datos fragmentarios

La carga de gripe en Tailandia varía ampliamente entre sus provincias, y estudios previos han mostrado que el clima local—como la temperatura, la humedad, la lluvia y la contaminación del aire—puede influir en cuándo ocurren los brotes. Lamentablemente, las mediciones detalladas del clima y la calidad del aire no están disponibles en todas partes. De las 76 provincias de Tailandia, solo 22 disponen tanto de recuentos de casos de gripe como de datos ambientales de apoyo; las demás tienen únicamente cifras de casos. Las herramientas estadísticas tradicionales, que a menudo se ajustan por separado para cada lugar, tienen dificultades para lidiar con este mosaico. Pueden pasar por alto patrones inusuales y son lentas para actualizarse cuando cambian las condiciones, lo que limita su utilidad para alertas tempranas a nivel nacional.

Construir un modelo para muchos lugares

Los investigadores se propusieron construir un único modelo informático “universal” que pudiera aprender de las 22 provincias con datos completos a la vez. Usaron una red neuronal artificial—un tipo de aprendizaje profundo que imita de forma aproximada cómo las células cerebrales procesan información—para predecir la incidencia mensual de gripe entre 2010 y 2019. Antes de entrenar la red, emplearon un método de aprendizaje automático llamado Random Forest para cribar 27 variables candidatas, incluidas las medidas actuales y rezagadas de temperatura, humedad, lluvia, viento, visibilidad, contaminación del aire y niveles recientes de gripe. Este paso destacó qué elementos realmente ayudaban en la predicción y permitió a los autores eliminar variables menos útiles, haciendo el modelo final más rápido y menos sensible al ruido.

Lo que aprendió el modelo universal

Tras numerosas pruebas con distintos tamaños de red, un diseño relativamente simple—una capa oculta con 128 unidades internas—rindió mejor. Curiosamente, añadir factores ambientales como el clima y la contaminación del aire mejoró las predicciones solo de forma leve en la mayoría de las provincias y, en algunos casos, no hizo mucha diferencia. Un indicador sí destacó con claridad: la temperatura fue consistentemente seleccionada como importante, lo que confirma trabajos anteriores que vinculan temperaturas más frías o cambiantes con mayor actividad gripal. En las 22 provincias, el modelo universal capturó el flujo y reflujo general de la influenza, pero tendió a subestimar los picos más altos, especialmente en grandes centros urbanos como Bangkok y en provincias del norte con alta incidencia.

Enseñar al modelo para ayudar a regiones con pocos datos

El verdadero desafío fue predecir la gripe en las 54 provincias restantes que carecían de datos ambientales detallados. Aquí el equipo recurrió al aprendizaje por transferencia, una técnica en la que un modelo entrenado en una tarea se adapta a otra relacionada. Primero entrenaron su red neuronal universal con las 22 provincias bien medidas. A continuación, reconfiguraron el modelo para que pudiera operar usando solo los recuentos históricos de gripe como entrada. Finalmente, ajustaron finamente este modelo adaptado de dos maneras: una vez usando los datos de casos agrupados de las 54 provincias y otra de forma separada para cada provincia. El ajuste por provincia funcionó claramente mejor, reduciendo los errores de predicción y acercando más las predicciones a las tendencias observadas que tanto el enfoque agrupado como un modelo base simple que solo se basaba en los niveles locales de gripe pasados.

Qué significa esto para la planificación futura contra la gripe

Para un lector no especializado, la conclusión es que un único modelo de IA, diseñado con cuidado, puede aprender patrones generales de cómo se comporta la gripe en una parte del país y luego reutilizarse para mejorar las previsiones en otros lugares, incluso donde los datos auxiliares son escasos. En Tailandia, la mejor versión de este enfoque—una red neuronal de tamaño moderado ajustada finamente para cada provincia—predijo las tendencias locales de gripe con mayor precisión que los métodos estándar. Aunque el modelo aún subestima el tamaño de los brotes extremos y todavía no incorpora factores sociales o económicos, ofrece un plan práctico para países de ingresos bajos y medios: comenzar donde los datos son ricos, transferir ese conocimiento a áreas con pocos datos y usar esas previsiones para guiar vacunas, personal y otras defensas antes de que llegue la próxima ola.

Cita: Lueangwitchajaroen, P., Anupong, S., Winalai, C. et al. Leveraging universal and transfer learning models for influenza prediction in Thailand. Sci Rep 16, 6668 (2026). https://doi.org/10.1038/s41598-026-37855-7

Palabras clave: pronóstico de influenza, aprendizaje por transferencia, aprendizaje profundo, predicción epidémica, salud pública en Tailandia