Así es la IA que descubre patrones sociales que impactan los resultados de salud infantil

Una investigación liderada por especialistas de Weill Cornell Medicine ha aprovechado un enfoque basado en Inteligencia Artificial (IA) para detectar patrones ocultos en los determinantes sociales de la salud (SDoH), que son las condiciones en las cuales las personas nacen, crecen, viven, trabajan y envejecen, vinculándolos luego con los resultados de salud de los niños. Comparada a las estrategias tradicionales, esta metodología ofrece un panorama más completo y objetivo de los posibles factores sociales que afectan la salud infantil y puede facilitar la implementación de intervenciones más efectivas.

En un estudio publicado el 16 de octubre en JAMA Pediatrics, los investigadores analizaron datos de más de 10,500 niños estadounidenses que viven en comunidades de 17 estados del país. Cuantificaron más de 80 factores SDoH a nivel de vecindario para cada niño, descubriendo cuatro patrones generales: afluentes, entornos de alto estigma, alta privación socioeconómica, y altas tasas de delincuencia y venta de drogas vinculadas a áreas superpobladas con menor educación. Descubrieron asociaciones estadísticas entre estos patrones y resultados relacionados con el desarrollo de la salud infantil, incluyendo aspectos mentales, cognitivos y físicos.

«Un conjunto complejo de factores sociales puede influir en la salud de los niños, y creo que nuestros resultados enfatizan la importancia de utilizar métodos que puedan manejar tal complejidad».

Dr. Yunyu Xiao, autor principal del estudio, profesor asistente de ciencias de la salud poblacional, Weill Cornell Medicine.

Un nuevo enfoque ante una problemática compleja

Previos estudios en este campo han tendido a concentrarse en pequeños conjuntos de variables socioeconómicas y resultados de salud y a examinar los resultados promediados en áreas geográficas grandes como condados o estados.

El uso de aprendizaje automático y otras técnicas avanzadas de IA, que permiten análisis detallados y relativamente imparciales de grandes conjuntos de datos, marcó una diferencia en esta investigación. Los Dres. Xiao y Su emplearon estas técnicas de «big-data» para abordar problemas significativos de epidemiología social, como examinar factores que podrían influir en la salud mental de los niños durante la pandemia de COVID-19.

«Nuestro enfoque es conducido por los datos, lo que nos permite ver los patrones que hay en grandes conjuntos de datos, sin hipótesis previas u otros sesgos que interfieran», comentó el Dr. Su.

Los resultados de salud infantil varían según los determinantes sociales

Un hallazgo clave fue que los datos se agrupaban en cuatro patrones generales de SDoH: afluencia; alta privación socioeconómica; crimen urbano alto y bajo nivel de obtención de educación y recursos; y alto estigma, este último implicando medidas informadas por el propio individuo de sesgo y discriminación contra mujeres, inmigrantes y otros grupos subrepresentados. Los niños blancos estaban sobrerrepresentados en las áreas afluentes y de alto estigma; los niños negros e hispanos en las otras dos.

Cada uno de los cuatro perfiles estaba asociado con su propio patrón general de resultados de salud, siendo el patrón de «alta privación socioeconómica» el asociado con los peores resultados de salud en promedio, incluyendo más signos de enfermedad mental, peor rendimiento cognitivo y peor salud física. Los otros dos patrones no acaudalados también estaban asociados en general con más resultados adversos en comparación con el patrón afluente.

Añadiendo valor a la investigación, el enfoque multidimensional e imparcial puede conducir a intervenciones de política más efectivas y focalizadas, lo que se está investigando en un proyecto actual que cuenta con financiación del NIH, afirmó el Dr. Xiao.