A IA supera os métodos tradicionais no controle de doenças nas comunidades prisionais

Os pesquisadores da Política de Saúde de Stanford construíram um modelo para testar se a IA poderia gerenciar com eficácia a propagação de doenças entre as prisões e as comunidades vizinhas. Os resultados foram decisivos.

As doenças infecciosas podem assolar as instalações correcionais a taxas alarmantes, com surtos entrando e saindo das comunidades vizinhas e potencialmente espalhando-se ainda mais para comunidades mais distantes.

Apesar destas ligações, as comunidades e as prisões raramente coordenam os seus esforços para controlar os surtos. Assim, os pesquisadores da Política de Saúde de Stanford conduziram um estudo examinando diferentes maneiras de proteger melhor ambas as populações.

Os pesquisadores construíram um modelo computacional para simular como uma doença infecciosa se espalha entre comunidades e instalações correcionais. Testaram várias formas de controlar a propagação de doenças, incluindo políticas de controlo baseadas em regras padrão e políticas mais recentes baseadas em IA desenvolvidas utilizando aprendizagem por reforço (RL) – uma forma de inteligência artificial que aprende através de tentativa e erro.

O método RL utilizou um “sistema de recompensa” que equilibrava dois objetivos: prevenir infecções e minimizar os custos das medidas de controle.

Os pesquisadores descobriram que a política de controle de RL baseada em IA teve um desempenho significativamente melhor do que as abordagens tradicionais como as usadas durante a pandemia de COVID-19.

Analisaram então como funcionava a política de controlo com melhor desempenho e quão fiável era em diferentes condições. Descobriram que adaptou a sua resposta às condições únicas das comunidades e prisões e mostrou padrões que ajudaram a reduzir a propagação de doenças entre as duas. Por exemplo, à medida que a doença se espalhava pela rede, a política de controlo da RL concentrou recursos em testes em comunidades e prisões sob ameaça de surto – mas antes da ocorrência de surtos, para que a detecção precoce permitisse mais tempo para implementar intervenções adicionais.

“A aprendizagem por reforço é um método promissor para encontrar políticas eficientes para controlar a propagação da epidemia em redes de comunidades e instalações correcionais, fornecendo insights que podem ajudar a orientar as políticas”, disse Christopher Weyant, Ph.D., um recente pesquisador de pós-doutorado da SHP e autor principal do estudo publicado em Tomada de decisão médica.

Taxas mais altas de infecções

“As instalações correcionais, como prisões e cadeias, têm historicamente tido taxas de incidência substancialmente mais altas de doenças infecciosas respiratórias em comparação com as comunidades vizinhas”, disse Jeremy Goldhaber-Fiebert, Ph.D., professor de política de saúde e autor sênior do estudo.

Ele observou que durante as fases iniciais da pandemia, os prisioneiros nos Estados Unidos tinham uma taxa de incidência de COVID-19 mais de cinco vezes superior à da população em geral – um padrão também observado com outras doenças respiratórias, como tuberculose e gripe, e noutras regiões, como a América do Sul.

“Pequenos surtos comunitários podem causar surtos maiores em instalações correcionais, o que pode, por sua vez, exacerbar os surtos comunitários”, disse Goldhaber-Fiebert. “Apesar desta interdependência, os esforços de controlo da epidemia nas comunidades e nas instalações correcionais geralmente não são estreitamente coordenados”.

Os pesquisadores construíram um modelo de simulação de uma epidemia que se espalha pelas redes de comunidades e instalações correcionais. Usando uma grande rede baseada na Califórnia e uma rede ilustrativa menor, eles compararam o desempenho de várias estratégias de controle – incluindo abordagens heurísticas e RL.

A estratégia RL teve um desempenho muito melhor do que as outras abordagens na rede da Califórnia. A equipa comparou várias abordagens, tais como a aplicação de medidas de controlo, como testes e intervenções não farmacêuticas (como mascaramento e distanciamento social), a todas as instalações, a nenhuma, ou a utilização de um método simples baseado em regras ou de uma estratégia de RL.

Descobriram que a política de RL poderia alcançar reduções nas infecções próximas das de uma abordagem de “controlo de tudo”, mas com muito menos recursos utilizados para testes e intervenções não farmacêuticas muito menos intensas.

A desagregação de benefícios e custos fornece orientação aos decisores políticos que consideram a alocação de recursos entre comunidades e prisões em futuras epidemias. Resultados semelhantes foram observados com a rede ilustrativa.

Embora os autores tenham utilizado o exemplo recente e saliente de políticas de controlo para a pandemia da COVID-19, as suas análises de sensibilidade, bem como o seu trabalho anterior, demonstram que a abordagem e os métodos que desenvolveram têm valor para o controlo de uma série de agentes patogénicos respiratórios que poderiam causar futuras pandemias.

“O nosso trabalho destaca como o controlo de uma epidemia numa rede de comunidades e instalações correcionais pode ser melhorado de forma robusta através da utilização de métodos quantitativos modernos, como o RL”, escreveu a equipa. “Os decisores políticos devem considerar investir no desenvolvimento de tais métodos e utilizá-los em futuras epidemias”.