De una Atención Reactiva a una Predictiva: Una Conversación sobre IA y Sanidad Animal

Cuatro Expertos Revelan Cómo la Inteligencia Artificial Está Transformando la Vigilancia de Enfermedades y la Práctica Veterinaria

En una remota región de California, un centro de rehabilitación de fauna silvestre sube a la red notas clínicas rutinarias sobre un águila herida que muestra signos de enfermedad neurológica. En cuestión de horas, un sistema de inteligencia artificial señala este caso junto con informes similares de todo el estado, detectando un patrón inusual que podría indicar la aparición de un brote de la enfermedad, semanas antes de que los métodos tradicionales de vigilancia se dieran cuenta. Esta situación, que ya es una realidad gracias a plataformas como WildAlert, una plataforma de vigilancia en línea, es un ejemplo de cómo la inteligencia artificial está revolucionando la sanidad animal, que ha pasado de ser una disciplina reactiva a una preventiva.

La transformación va mucho más allá de los casos individuales. Desde explotaciones ganaderas en comunidades rurales hasta los Servicios Veterinarios nacionales enfrentando  la aparición de enfermedades impulsadas por el cambio climático, las tecnologías de IA están remodelando la forma en que detectamos, prevenimos y respondemos a las amenazas para la sanidad animal. Sin embargo, esta revolución tecnológica trae consigo oportunidades sin precedentes y desafíos importantes que requieren una navegación cuidadosa.

Panorama Actual de la IA en Sanidad Animal

La aplicación de la inteligencia artificial en la sanidad animal abarca una gama extraordinariamente diversa de tecnologías y casos de uso. A la vanguardia de la vigilancia de enfermedades, los investigadores han desarrollado sistemas sofisticados capaces de convertir el caos de los datos veterinarios del mundo real en inteligencia procesable.

«Aprovechamos la inteligencia artificial para reforzar la vigilancia de las enfermedades de la fauna silvestre  mejorando nuestra capacidad de detectar signos tempranos de amenazas sanitarias en las poblaciones de animales silvestres», explica Terra Kelly, epidemióloga especializada en fauna silvestre que participa en el desarrollo de WildAlert. El sistema utiliza el procesamiento del lenguaje natural para extraer información clínica de historiales médicos de texto libre, convirtiendo notas veterinarias informales en datos estandarizados que pueden analizarse en función del tiempo, la geografía y las especies.

Este enfoque responde a un desafio  fundamental en la medicina veterinaria: buena parte de la  información valiosa sobre la salud animal se encuentra en formatos no estructurados. La vigilancia tradicional depende en gran medida de diagnósticos definitivos, pero la IA facilita  lo que los investigadores denominan vigilancia «prediagnóstica»: la identificacion de patrones antes de que las enfermedades sean confirmadas formalmente.

Mientras tanto, Pranav Pandit, profesor adjunto de epidemiología veterinaria en la Facultad de Veterinaria de la Universidad de California en Davis, explica cómo los investigadores están ampliando los límites de las aplicaciones de la IA en entornos epidemiológicos y clínicos. En la UC Davis, los algoritmos de aprendizaje automático se utilizan para realizar modelos matemáticos de  medición de riesgo de enfermedades utilizando predictores climáticos, lo que permite prever desde enfermedades respiratorias bovinas hasta la futura distribución de reservorios de enfermedades zoonóticas. También se están entrenando modelos de visión por ordenador para detectar signos tempranos de enfermedad mediante imágenes radiográficas, aunque estos enfoques aún se encuentran en fase de validación.

El alcance de esta tecnología va más allá de las aplicaciones clínicas directas. Los desarrolladores de plataformas de inteligencia prospectiva están utilizando agentes de IA para escanear e integrar  señales globales de cambio. Jens Hansen, Director de Estrategia y Comunicación de la plataforma mundial de inteligencia prospectiva Shaping Tomorrow, explica cómo el mantenimiento de bases de datos con más de 150.000 declaraciones recientes sobre el futuro ayuda a los Servicios Veterinarios a anticipar riesgos zoonóticos y prepararse frente a  perturbaciones relacionadas con el clima.

Incluso en entornos operativos, las herramientas de IA se están volviendo indispensables. En la Wildlife Conservation Society, el Director Ejecutivo de Salud, Chris Walzer, explica cómo los equipos utilizan habitualmente plataformas como ChatGPT para la redacción estratégica y la extracción de datos, mientras que los grupos de investigación recurren a herramientas de revisión bibliográfica impulsadas por IA para identificar rápidamente  brechas de conocimiento y perfeccionar sus propuestas de investigación.

Superar los Retos de la Aplicación

A pesar de los avances, el camino hacia la adopción de la inteligencia artificial en la sanidad animal está repleto de obstáculos técnicos e institucionales. El desafío más relevante reside en la calidad y disponibilidad de los datos, un problema que afecta a todos los aspectos, desde el entrenamiento de los modelos hasta su implementación en entornos reales.

«Los historiales médicos de los centros de rehabilitación de fauna silvestre suelen contener datos no estructurados y no estandarizados», señala Kelly. «Entrenamos exhaustivamente nuestro modelo de procesamiento del lenguaje natural para que reconociera términos específicos del sector, abreviaturas y las distintas formas en que se documentan las presentaciones clínicas».

El problema de los datos es especialmente agudo en contextos con recursos limitados. «Uno de los principales desafíos es la disponibilidad de conjuntos de datos armonizados y de alta calidad, particularmente en regiones  con financiación y capacidad reducida», señala Walzer. Esta disparidad en el acceso a los datos podría generar una brecha en la adopción de la IA y acentuar las desigualdades ya existentes en los servicios de sanidad animal.

Más allá de lo técnico, la implementación de la IA también enfrenta resistencia institucional, impulsada por las  diferencias fundamentales entre el aprendizaje automático y los enfoques veterinarios tradicionales: los enfoques epidemiológicos. «Los marcos epidemiológicos tradicionales valoran la interpretabilidad de los modelos, que suele ser limitada en los enfoques de aprendizaje automático», explica Pandit. «Esto puede dificultar la adopción y crear resistencia a la adopción y la financiación».

El reto se extiende a la creación de los equipos interdisciplinares necesarios para desarrollar con éxito la IA. Las herramientas de IA eficaces requieren la colaboración de veterinarios, expertos en fauna silvestre, epidemiólogos, estadísticos y especialistas en IA, una combinación que puede ser  complejo de reunir y coordinar.

Probablemente, lo más grave es que la velocidad del desarrollo tecnológico suele superar la capacidad de adaptación de las instituciones. «El ritmo de adopción de la tecnología supera la capacidad de los marcos normativos e institucionales para seguirle el ritmo, lo que crea lagunas en la supervisión y la aplicación», advierte Walzer.

Medir el Éxito y el Impacto

A pesar de estos retos, las aplicaciones de la IA en sanidad animal están aportando mejoras cuantificables en múltiples ámbitos. Los beneficios más inmediatos se refieren a la eficacia y la rapidez de los análisis.

Según Hansen, los sistemas de vigilancia basados en IA «han reducido considerablemente el tiempo necesario para la exploración de horizontes, la creación de escenarios y la preparación de informes políticos». Para los profesionales veterinarios, esto se traduce en una identificación más temprana de los riesgos intersectoriales y en una toma de decisiones mejor informada sobre la prevención de enfermedades y la asignación de recursos, añade.

La capacidad de la tecnología para aprovechar las fuentes de datos existentes representa otro avance significativo. En lugar de requerir sistemas de recopilación de datos totalmente nuevos, las herramientas de IA pueden extraer valor de información que ya existe pero que antes estaba poco utilizada. «Las tecnologías de IA nos han permitido aprovechar los datos clínicos existentes sobre la fauna silvestre  para complementar los esfuerzos de vigilancia activa de enfermedades», señala Kelly. «Esto nos permite llevar a cabo la vigilancia de las enfermedades de la fauna silvestre  sin depender únicamente del muestreo activo sobre el terreno, lo que hace que la vigilancia sea más exhaustiva y eficiente en cuanto a recursos».

En el ámbito de la investigación, la IA ha acelerado procesos fundamentales. Walzer señala que las revisiones de políticas y los ciclos de desarrollo de subvenciones que antes llevaban semanas ahora pueden completarse en días, lo que ayuda a las organizaciones a responder más rápidamente a los problemas emergentes, mientras que las revisiones bibliográficas más rápidas permiten a los investigadores identificar las brechas de conocimiento y perfeccionar las propuestas con mayor rapidez.

Y lo que es más importante, las herramientas de IA permiten detectar antes posibles brotes de enfermedades. Los sistemas de detección de anomalías basados en el aprendizaje automático pueden señalar patrones inusuales -como el aumento de casos neurológicos en determinadas especies o regiones- incluso antes de que se realicen diagnósticos definitivos. Esta capacidad hace que la sanidad animal pase de un enfoque reactivo a otro proactivo, evitando potencialmente que los pequeños problemas se conviertan en grandes crisis.

Implicaciones Más Amplias para la Sociedad

Las implicaciones sociales de la IA en la sanidad animal van mucho más allá de la práctica veterinaria. En el mejor de los casos, la IA puede reforzar los sistemas interconectados que protegen tanto la salud animal como la humana, apoyando el planteamiento «Una sola salud» que reconoce los vínculos entre la fauna silvestre, animales de producción  y las enfermedades humanas.

«La IA puede mejorar la vigilancia epidemiológica de enfermedades, el bienestar animal y los sistemas de alerta temprana, reforzando la seguridad alimentaria y la sanidad animal en general», observa Pandit. La tecnología favorece un cambio hacia prácticas veterinarias más sostenibles y preventivas, reduciendo potencialmente la dependencia de tratamientos como los antimicrobianos, que pueden contribuir a la resistencia.

En el marco de lo que Walzer describe como «la compleja realidad de la policrisis mundial», las herramientas de IA ayudan a integrar los conocimientos de distintos sectores y disciplinas. Esta capacidad es especialmente valiosa para afrontar retos como el cambio climático, que afecta a la sanidad animal a través de vías complejas e interconectadas difíciles de seguir para el ser humano sin ayuda tecnológica.

Sin embargo, los riesgos son igualmente importantes. «Los riesgos incluyen algoritmos opacos, desigualdad digital y posible uso indebido de los datos», advierte Hansen. La preocupación no es meramente técnica, sino fundamentalmente de poder y equidad. Como dice Walzer: «Quién controla y define los objetivos de la IA es muy importante».

El riesgo de afianzar los prejuicios existentes es especialmente grande. Si los sistemas de IA se entrenan principalmente a partir de datos procedentes de entornos bien dotados de recursos, su rendimiento puede ser deficiente precisamente en los contextos en los que más se necesitan servicios de sanidad animal mejorados. «Confiar demasiado en la IA, sobre todo cuando los modelos se entrenan a partir de conjuntos de datos sesgados, puede conducir a predicciones erróneas y decisiones equivocadas», advierte Pandit.

El Futuro de los Servicios Veterinarios

De cara al futuro, los expertos prevén que la IA transformará radicalmente el funcionamiento de los Servicios Veterinarios y mejorará la eficiencia y la eficacia de los sistemas de sanidad animal.

«La IA transformará los Servicios Veterinarios en instituciones más anticipatorias y basadas en datos», predice Hansen. «Los análisis en tiempo real y los modelos predictivos pueden permitir intervenciones más tempranas y una asignación de recursos más inteligente».

La visión va más allá de la simple automatización para abarcar una integración más sofisticada de la IA con la experiencia humana. «El mayor valor no vendrá solo de la automatización, sino de cómo la IA aumenta el juicio humano y ayuda a integrar la previsión a largo plazo en los sistemas de sanidad animal», añade Hansen.

Para los Servicios Veterinarios nacionales, especialmente los que se ocupan de la vigilancia sanitaria de la fauna silvestre, la IA representa una oportunidad de hacer más con recursos limitados. «La IA tiene el potencial de convertirse en una herramienta importante para los Servicios Veterinarios modernos, especialmente en los programas nacionales de sanidad de la fauna silvestre, donde la vigilancia suele tener bajos recursos», afirma Kelly. «Puede automatizar el tedioso procesamiento de datos, dar prioridad a las alertas y apoyar la toma de decisiones con un conocimiento de la situación en tiempo real».

La tecnología también promete permitir enfoques más integrados de la vigilancia sanitaria. Los futuros sistemas podrían vincular datos sobre la fauna silvestre, los animales de producción y el medio ambiente para hacer un seguimiento en tiempo real de las amenazas emergentes, apoyando el tipo de colaboración intersectorial que requieren los planteamientos de «Una sola salud», pero que las fronteras institucionales a menudo impiden.

Sin embargo, para hacer realidad este potencial hay que prestar mucha atención a la forma en que se desarrolla y aplica la IA. «A menos que la IA se desarrolle conjuntamente con profesionales de la medicina veterinaria integrados en equipos transdisciplinares, se corre el riesgo de reforzar planteamientos estrechos, orientados al beneficio empresarial y desconectados de las verdaderas necesidades y realidades sociales», advierte Walzer.

Gobernanza Ética y Enfoques Normativos

A medida que maduran las aplicaciones de la IA en la sanidad animal, las cuestiones de gobernanza y regulación adquieren una importancia cada vez mayor. Los expertos entrevistados muestran enfoques variados para garantizar una aplicación ética y eficaz de la IA, lo que refleja tanto la diversidad de aplicaciones como la naturaleza cambiante de los marcos normativos.

Algunas organizaciones hacen hincapié en la transparencia y la explicabilidad de sus sistemas de IA. «Nos adherimos a los principios de transparencia, trazabilidad y explicabilidad», señala Hansen. «Animamos a nuestros clientes a que sometan los resultados de la IA a validación humana y a pruebas de estrés».

Otros se centran en la validación rigurosa y la supervisión por expertos. Los investigadores académicos hacen hincapié en «la validación cruzada rigurosa, la revisión por expertos de los resultados de los modelos y la validación en el mundo real», afirma Pandit, incluidas las investigaciones sobre el terreno de las alertas generadas por la IA para garantizar que se corresponden con sucesos sanitarios reales.

En los entornos de investigación colaborativa, los enfoques de gobernanza suelen hacer hincapié en la equidad y la inclusión. «Seguimos los principios de la ciencia abierta y damos prioridad a los principios de datos FAIR y a la revisión ética», explica Walzer. «La gobernanza colaborativa con socios indígenas y locales y la gestión de datos CARE son principios básicos».

El reto consiste en equilibrar innovación y responsabilidad. Walzer añade: «Es necesario atemperar el impulso que rodea a la IA con una inversión meditada en gobernanza ética, formación del personal y coordinación intersectorial».

Consejos para Futuros Adoptantes de IA en la Sanidad Animal

Los expertos ofrecen orientaciones prácticas basadas en su experiencia a las organizaciones que se plantean adoptar la IA en la sanidad animal. El tema principal es empezar poco a poco, pero empezar de inmediato, sin perder de vista las consideraciones éticas y la experiencia humana.

«Empezar con casos de uso pequeños y específicos en los que la IA pueda aumentar claramente -no sustituir- la experiencia humana», aconseja Hansen. «Hay que dar prioridad a las asociaciones que combinen la ciencia de los datos, los conocimientos veterinarios y la previsión estratégica».

La importancia de la colaboración es un tema recurrente. «Es importante colaborar estrechamente con expertos en la materia para garantizar que los modelos de IA se basan en el contexto del mundo real», señala Kelly. Esta colaboración debe ir más allá del desarrollo técnico e incluir a los más afectados por los problemas que la IA pretende resolver.

«Asegúrese de que los más cercanos al problema contribuyen a dar forma a la solución», insta Walzer. «No esperes a que te inviten a la mesa de la IA: acerca una silla».

El consejo también hace hincapié en la naturaleza iterativa del desarrollo de la IA. Prepárate para un desarrollo iterativo, sobre todo cuando trabajes con datos complejos», aconseja Kelly. «Este enfoque iterativo requiere paciencia e inversión sostenida, pero es esencial para desarrollar herramientas que funcionen de forma fiable en el mundo real».

Y lo que es más importante, los expertos insisten en la necesidad de esfuerzos educativos que ayuden a los usuarios a entender las herramientas de IA y a confiar en ellas. «Para avanzar en este campo se requieren colaboraciones interdisciplinarias, protocolos normalizados y esfuerzos educativos que ayuden a los usuarios a comprender intuitivamente y confiar en la IA como parte de su conjunto más amplio de herramientas de diagnóstico y vigilancia», observa Pandit.

Un Futuro Basado en la Colaboración

La revolución en la sanidad animal impulsada por la IA no es una promesa lejana, sino una realidad actual, como demuestran las plataformas que ya detectan patrones de enfermedades en todos los continentes y las herramientas de IA que aceleran la investigación y el desarrollo de políticas. Sin embargo, las experiencias de los expertos revelan que el impacto final de la tecnología no dependerá únicamente de la sofisticación de los algoritmos, sino de cómo integremos cuidadosamente estas herramientas con la experiencia humana y la gobernanza ética.

El camino a seguir requiere lo que Walzer denomina «compromisos éticos claros» combinados con una «colaboración transdisciplinaria». Exige que abordemos los retos fundamentales de la desigualdad de datos al tiempo que construimos sistemas de IA que aumenten el juicio humano en lugar de sustituirlo. Y, lo que es más importante, hay que garantizar que las personas más cercanas a los problemas de salud animal -desde los veterinarios rurales hasta las comunidades indígenas- contribuyan a dar forma a las soluciones, afirma.

A medida que el cambio climático se acelera y la interconexión mundial aumenta los riesgos de transmisión de enfermedades, la necesidad de enfoques predictivos e integrados para la sanidad animal se hace cada vez más urgente. La IA ofrece capacidades sin precedentes para afrontar estos retos, pero sólo si construimos estos sistemas con el mismo cuidado que esperamos que proporcionen a los animales bajo nuestra custodia.

El futuro de la sanidad animal no está en elegir entre la experiencia humana y la inteligencia artificial, sino en crear asociaciones entre ambas que sirvan al objetivo más amplio de la salud planetaria. En este futuro, el águila con signos neurológicos no será sólo un paciente al que tratar, sino una señal de alerta temprana en un sistema mundial de vigilancia sanitaria que proteja por igual a la fauna silvestre, los animales de producción y los seres humanos.

Copyright de la imagen principal: Tanit Boonruen

Traducido del original en inglés por DeepL y revisado por humanos.