Evaluación del Riesgo en Sanidad Animal: Integrar la Inteligencia Artificial

Los marcos de evaluación de riesgos representan directrices estructuradas y transparentes para la evaluación del riesgo, como el marco de análisis del riesgo asociado a las importaciones de la Organización Mundial de Sanidad Animal (OMSA), elaborado para abordar los riesgos relacionados con las importaciones de animales y productos de origen animal [4]. Este marco es lo suficientemente flexible para adaptarse a la complejidad de los escenarios de la realidad y a la diversidad de los posibles peligros; su enfoque estructurado define explícitamente las relaciones de causalidad respaldadas por los mecanismos patológicos establecidos y se adapta particularmente al análisis de escenarios y al apoyo al proceso de toma de decisiones. Hace hincapié en un enfoque sistemático y transparente, lo que garantiza que las evaluaciones de riesgos sigan siendo claras y adaptables a medida que se disponga de información nueva. Con el paso del tiempo, el marco de análisis del riesgo asociado a las importaciones de la OMSA se ha convertido en una referencia fundamental para las partes interesadas en la sanidad animal internacional, orientando las decisiones relativas a la gestión de los riesgos asociados a la introducción de enfermedades en países o regiones libres de ellas [5-7].

Un principio fundamental en la evaluación de riesgos es la transparencia, puesto que sustenta la credibilidad y la aceptación de las decisiones relativas a la gestión de riesgos. Ya sea al evaluar el riesgo de introducción de enfermedades, analizar las medidas de control u orientar las estrategias de vigilancia, las prácticas transparentes garantizan que los supuestos, métodos y datos subyacentes estén plenamente documentados y sean accesibles. Gracias a esta transparencia, las partes interesadas, incluidos los responsables políticos, veterinarios y productores, pueden comprender el razonamiento que fundamenta las decisiones, lo que aumenta la confianza en el proceso. La transparencia es particularmente importante en el contexto del comercio internacional, que exige un fundamento científico para las decisiones relativas a la importación de animales y productos de origen animal. Según el Acuerdo sobre la Aplicación de Medidas Sanitarias y Fitosanitarias (Acuerdo MSF) de la Organización Mundial del Comercio, la evaluación científica de los riesgos es fundamental para dichas decisiones, destacando que las medidas deben ser transparentes, con fundamento científico e imparciales [8]. En cuanto a las evaluaciones del riesgo asociado a las importaciones, la transparencia cumple múltiples funciones: facilita la comunicación, consolida la confianza de las partes interesadas y promueve la equidad entre los socios comerciales. Asimismo, permite a los países exportadores comprender y, de ser necesario, impugnar las medidas que impongan los países importadores. Por consiguiente, la transparencia es fundamental para la evaluación de riesgos, y los métodos innovadores impulsados por IA deben diseñarse de manera que se preserve la transparencia.

Integración de la IA en la evaluación de riesgos tradicional

El rápido desarrollo y la creciente accesibilidad de la IA generan nuevas oportunidades y desafíos en el campo de la evaluación de riesgos en sanidad animal. Así pues, métodos de IA, como el aprendizaje automático (ML), pueden mejorar las evaluaciones de riesgos tradicionales al facilitar la integración de diversas fuentes de datos, identificar patrones complejos y gestionar conjuntos de datos con un gran número de características. Asimismo, con esos métodos, es posible actualizar en tiempo real las estimaciones de riesgo a medida que se dispone de nuevos datos. Sin embargo, los métodos de IA también presentan desafíos, especialmente en términos de transparencia e interpretabilidad [9]. Si bien, las evaluaciones de riesgos tradicionales se estructuran generalmente en torno a mecanismos evidentes de las enfermedades, por lo que son particularmente adecuadas para el análisis de escenarios y la toma de decisiones basada en pruebas, los modelos de IA suelen funcionar como «cajas negras», ya que pueden hacer predicciones precisas pero no muestran claramente cómo los factores individuales conducen a un resultado concreto (Figura 1).

Esta falta de transparencia suscita inquietud en cuanto a la aplicabilidad de los modelos basados en IA para la toma de decisiones políticas, que exigen transparencia y justificación de resultados. La integración del razonamiento causal, o, dicho más formalmente, de marcos de modelización causal, en métodos basados en datos representa un enfoque prometedor para abordar este desafío. El objetivo del razonamiento causal es comprender y explicitar las relaciones entre variables, por ejemplo, la manera en que factores de riesgo específicos influyen en la probabilidad o la gravedad de las consecuencias de una enfermedad.

Lo ideal es que esto pueda completar los modelos basados exclusivamente en datos, los cuales pueden revelar correlaciones entre las variables de entrada y los resultados sin representar los mecanismos subyacentes que las impulsan. La combinación de las capacidades predictivas de la IA con la lógica estructurada de los marcos causales puede generar modelos potentes e interpretables [10], lo que permite mantener la base teórica y la transparencia de los enfoques tradicionales de evaluación de riesgos, a la vez que se aprovecha la capacidad de la IA para procesar conjuntos de datos grandes y complejos, así como identificar patrones que podrían no ser evidentes a primera vista.

Se puede aplicar en la utilización del ML como herramienta de procesamiento para identificar patrones o anomalías en los datos que se analizarán posteriormente con métodos más estructurados y fundamento teórico. Este enfoque combinado ayuda a preservar la transparencia a la vez que se beneficia de los avances informáticos. La IA también puede hacer un aporte significativo a la evaluación dinámica de riesgos; los modelos de IA pueden sustentar evaluaciones del riesgo adaptativas que cambian a medida que hay nuevos datos disponibles, combinando datos de diversas fuentes (p. ej., informes de vigilancia o datos sobre desplazamientos de animales) en tiempo real. En el caso de esta aplicación, incorporar opiniones y comentarios en el marco de evaluación de riesgos podría representar un avance valioso. Los algoritmos de aprendizaje por refuerzo, que se adaptan a la nueva información en tiempo real, pueden ser de utilidad en este proceso, permitiendo un proceso de toma de decisiones más informado y oportuno. Se trata de algoritmos que pueden incorporar datos de diversas fuentes y ajustar las predicciones en función del cambio de las condiciones, por lo que resultan especialmente apropiados en contextos de riesgo en constante evolución [11]. Esta capacidad dinámica se adapta a las evaluaciones de riesgos que se utilizan en situaciones epidemiológicas en rápida evolución, como las enfermedades infecciosas emergentes. Es el caso del desafío que plantean actualmente los virus de la influenza aviar, caracterizados por patrones en constante evolución que dificultan particularmente la evaluación y la gestión del riesgo a lo largo del tiempo [12].

A pesar de que estas aplicaciones son prometedoras, siguen faltando implementaciones reales de enfoques de IA integrados y adaptativos para la evaluación de riesgos en sanidad animal. De hecho, incluso en el ámbito de la salud humana, que suele estar más avanzado en términos de disponibilidad de datos e infraestructura digital, sigue habiendo muy pocos ejemplos satisfactorios de modelos de aprendizaje automático causal aplicados. Según una publicación reciente, antes de poder implementar sistemáticamente estas herramientas, aún es necesario realizar estudios de prueba de concepto [13]. Sin embargo, es probable que, gracias a las mejoras continuas en materia de recopilación, estandarización e interoperabilidad de los datos de vigilancia de la sanidad animal, estos enfoques integrados sean cada vez más viables en un futuro próximo.

Recomendaciones para futuras prácticas de evaluación de riesgos

La integración de la IA en la evaluación de riesgos para la sanidad animal presenta oportunidades prometedoras y desafíos considerables, principalmente con respecto a la garantía de la transparencia y la interpretación de los resultados. Para beneficiarnos de estas tecnologías sin comprometer las ventajas de la evaluación de riesgos tradicional, debemos asegurarnos de que la transparencia y unas bases teóricas sólidas, basadas en la comprensión de la realidad y la especialización sectorial, sigan siendo fundamentales. Para hacerlo, es necesario desarrollar herramientas que combinen las capacidades predictivas de la IA con la claridad de los modelos estructurados con base en relaciones causales que darán lugar a modelos híbridos que pueden mejorar la flexibilidad y el rendimiento, a la vez que mantienen la interpretabilidad, que es esencial para consolidar la confianza y tomar decisiones basadas en pruebas.

Si aumentamos la transparencia de los modelos de IA incorporando elementos de razonamiento causal, podemos garantizar que sus resultados no solo sean precisos, sino también claros y significativos para los responsables de la toma de decisiones y las partes interesadas. Es importante además que el desarrollo de las herramientas de IA sea fruto de la colaboración entre expertos técnicos y personas con conocimientos de sanidad animal y políticas relacionadas con el fin de garantizar que se adapten a las necesidades concretas y se basen en la realidad del proceso de toma de decisiones del sector. Asimismo, es fundamental disponer de prácticas claras y coherentes para comunicar sobre el diseño, los supuestos y los resultados de las evaluaciones basadas en IA para generar confianza entre las partes interesadas y permitir que otras partes evalúen cuidadosamente este trabajo y lo amplíen. Si adoptamos ese enfoque equilibrado e integrado, podemos lograr una evaluación de riesgos más ágil y adaptable a flujos de datos nuevos y más complejos, sin comprometer la transparencia y el rigor que tradicionalmente han constituido la base del proceso de toma de decisiones en sanidad animal. De este modo, seguimos mejorando una herramienta que ha sido decisiva para la prevención y el control de enfermedades animales, a la vez que promovemos un comercio internacional seguro y justo.

Como autoridad mundial en materia de sanidad animal, la OMSA está en una posición privilegiada para liderar la integración responsable de la IA en la evaluación del riesgo asociado a las importaciones, lo cual podría implicar la revisión de las directrices actuales para incorporar nuevas metodologías y promover las mejores prácticas con el fin de garantizar que se mantengan la transparencia y la interpretabilidad. Al promover el uso adecuado de la IA en la evaluación de riesgos, la OMSA puede contribuir a que la innovación consolide el fundamento científico para un comercio seguro, en lugar de desvirtuarlo.

Traducido del original en inglés.

Copyright de la imagen principal: Igor Barilo, Getty Images

Referencias

[1] Islam SS, Akwar H, Hossain MM, Sufian MA, Hasan MZ, Chakma S, et al. Quantitative risk assessment of transmission pathways of highly pathogenic avian influenza (HPAI) virus at live poultry markets in Dhaka city, Bangladesh. Zoonoses Public Health. 2020;67(6):658-72. https://doi.org/10.1111/zph.12746

[2] Brusa V, Durrieu M, Van Gelderen CJ, Signorini ML, Schudel A. Quantitative risk assessment of FMDV introduction in a FMD free country through bone-in beef and offal importation from a FMD free with vaccination country/zone. Prev. Vet. Med. 2023;218:105995. https://doi.org/10.1016/j.prevetmed.2023.105995

[3] Zhang S, Liang R, Yang Q, Yang Y, Qiu S, Zhang H, et al. Epidemiologic and import risk analysis of peste des petits ruminants between 2010 and 2018 in India. BMC Vet. Res. 2022;18(1):419. https://doi.org/10.1186/s12917-022-03507-x

[4] Organización Mundial de Sanidad Animal (OMSA). Código Sanitario para los Animales Terrestres. 30.^a ed. París (Francia): OMSA; 2022. Capítulo 2.1. Análisis del riesgo asociado a las importaciones; p. 111-5. Disponible en: https://doc.woah.org/dyn/portal/index.xhtml?page=alo&aloId=42814 (consultado el 4 de abril de 2025).

[5] Coultous RM, Sutton DGM, Boden LA. A risk assessment of equine piroplasmosis entry, exposure and consequences in the UK. Equine Vet. J. 2023;55(2):282-94. https://doi.org/10.1111/evj.13579

[6] Turkson PK. Qualitative release assessment of the risk of re-introduction of HPAI H5N1 virus from neighbouring countries into Ghana via cross-border trade and movement of birds and people. Roma (Italia): Organización de las Naciones Unidas para la Alimentación y la Agricultura; 2009. Disponible en: https://fao-agris-review-search-zwcsjik2pa-uc.a.run.app/search/en/providers/122602/records/647356d208fd68d546011457 (consultado el 4 de abril de 2025).

[7] Rozstalnyy A, Roche X, Tago Pacheco D, Kamata A, Beltran Alcrudo D, Khomenko S, et al. Qualitative risk assessment for African swine fever virus introduction: Caribbean, South, Central and North Americas. FAO Animal Production and Health Papers, No. 186. Roma (Italia): Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO); 2022. 80 p. Disponible en: https://doi.org/10.4060/cb8748en (consultado el 4 de abril de 2025).

[8] Organización Mundial del Comercio (OMC). Acuerdo sobre la Aplicación de Medidas Sanitarias y Fitosanitarias (Acuerdo MSF). Ginebra (Suiza): OMC; 1995. Disponible en: https://www.wto.org/spanish/tratop_s/sps_s/spsagr_s.htm (consultado el 9 de mayo de 2025).

[9] Guitian J, Arnold M, Chang Y, Snary EL. Aplicaciones del aprendizaje automático en la vigilancia zoosanitaria y de salud pública veterinaria [en inglés]. Rev. Sci. Tech. 2023;42:230-41. https://doi.org/10.20506/rst.42.3366

[10] Prosperi M, Guo Y, Sperrin M, Koopman JS, Min JS, He X, et al. Causal inference and counterfactual prediction in machine learning for actionable healthcare. Nat. Mach. Intell. 2020;2:369-75. https://doi.org/10.1038/s42256-020-0197-y

[11] Kraemer MUG, Tsui JL, Chang SY, Lytras S, Khurana MP, Vanderslott S, et al. Artificial intelligence for modelling infectious disease epidemics. Nature. 2025;638(8051):623-35. https://doi.org/10.1038/s41586-024-08564-w

[12] Organización Mundial de Sanidad Animal (OMSA). Influenza aviar. Informes de situación. París (Francia): OMSA; 2025. Disponible en: https://www.woah.org/es/enfermedad/influenza-aviar/#ui-id-2 (consultado el 9 de mayo de 2025).

[13] Feuerriegel S, Frauen D, Melnychuk V, Schweisthal J, Hess K, Curth A, et al. Causal machine learning for predicting treatment outcomes. Nat. Med. 2024;30(4):958-68. https://doi.org/10.1038/s41591-024-02902-1