– Un equipo de la Universidad de Virginia (UVA) está desarrollando un panel de datos en línea para mapear la carga de enfermedades infecciosas entéricas en países de ingresos bajos y medianos, que los investigadores y las partes interesadas en la salud pública pueden utilizar para guiar la toma de decisiones.
La herramienta, descrita en un reciente Más uno estudiares parte de la iniciativa Planetary Child Health & Enterics Observatory (Plan-EO) de la UVA, que está diseñada para proporcionar una base de evidencia para la focalización geográfica de las intervenciones de salud infantil.
Los investigadores indicaron que las enfermedades diarreicas son una de las principales causas de enfermedad y mortalidad infantil, y la carga de morbilidad de estas afecciones está aumentando como resultado del cambio climático. Mapear los puntos críticos de transmisión y predecir brotes tiene el potencial de salvar vidas, pero actualmente existen pocas herramientas para proporcionar estos conocimientos para las enfermedades entéricas.
El panel de Plan-EO tiene como objetivo cerrar esta brecha.
“La diarrea es en gran medida la gran amenaza inmencionable para la salud pública, a menudo ignorada o vista como una experiencia inevitable de la infancia. Queremos cambiar eso”, dijo en el comunicado de prensa el epidemiólogo y líder de la iniciativa Plan-EO, Josh M. Colston, PhD, profesor asistente en la División de Enfermedades Infecciosas y Salud Internacional de la Facultad de Medicina de la UVA. «A medida que los patrones de enfermedades diarreicas infecciosas cambian debido al cambio climático, queremos que la comunidad de salud pública esté preparada y tenga a su alcance las estimaciones y predicciones epidemiológicas más actualizadas».
El panel está siendo desarrollado por una coalición de epidemiólogos, bioinformáticos, climatólogos e hidrólogos. Este enfoque multidisciplinario permite que el panel utilice big data de una variedad de fuentes para visualizar el impacto de los fenómenos meteorológicos (como las inundaciones) en la transmisión de enfermedades diarreicas.
“Cada vez es mayor la conciencia de que las enfermedades tienen factores de riesgo multifacéticos que abarcan elementos ambientales, sociales y de comportamiento. Lo vimos con la pandemia y ciertamente lo vemos con las enfermedades diarreicas. Por eso es crucial un enfoque colaborativo”, afirmó Margaret Kosek, MD, profesora de medicina y clínica de enfermedades infecciosas en la UVA.
El panel, que se lanzará a finales de este año, se actualizará continuamente para proporcionar información oportuna sobre la dinámica de los patógenos, similar a Panel de control COVID-19 de Johns Hopkins. Los usuarios podrán utilizar una interfaz basada en mapas para seleccionar datos sobre varios patógenos que causan diarrea.
El equipo de investigación espera que la herramienta ayude a las partes interesadas en la salud pública a comprender mejor la carga de morbilidad y predecir su impacto en los niños que residen en áreas endémicas, conocimientos que podrían mejorar la respuesta a los brotes.
«Digamos que usted es un epidemiólogo en África o el sur de Asia y está interesado en una comunidad específica en un país en particular para llevar a cabo un proyecto de mejora del agua o un ensayo de vacuna», dijo Venkat Lakshmi, PhD, hidrólogo y John L. Profesor Newcomb de Ingeniería en Ingeniería Civil y Ambiental en la UVA. “Al utilizar la interfaz Plan-EO, podrá navegar hasta esa ubicación en un mapa y obtener predicciones sólidas de la prevalencia de patógenos particulares, así como información publicada sobre estudios que se han llevado a cabo en las áreas circundantes. Será un punto de inflexión”.
Esta investigación es la última que destaca cómo las herramientas de big data pueden servir para mejorar la respuesta a los brotes.
En septiembre, un equipo de investigación de la Escuela de Salud Pública de Yale (YSPH) detalló cómo una plataforma de clasificación de pacientes basada en inteligencia artificial (IA) podría ayudar a predecir la gravedad de la enfermedad y la duración de la hospitalización durante un brote viral.
La herramienta utiliza datos de metabolómica y aprendizaje automático para señalar qué pacientes pueden necesitar ingreso en la unidad de cuidados intensivos (UCI) y cuáles pueden ser enviados a casa, lo que, según los investigadores, podría mejorar la gestión de los pacientes y la asignación de recursos.
El modelo utilizó COVID-19 como modelo de enfermedad, combinando datos clínicos de rutina, comorbilidad del paciente y datos de metabolómica plasmática no específicos para generar predicciones.