La IA mejora la identificación y predicción de riesgos de garrapatas

El uso de inteligencia artificial (IA) está promoviendo una transformación significativa en la identificación y vigilancia de garrapatas y de las enfermedades que transmiten. Nuevas herramientas basadas en aprendizaje automático tienen potencial para aumentar la precisión y agilidad en el diagnóstico, impactando estrategias de control, predicción de riesgo y manejo integrado de enfermedades vectoriales en humanos y animales.

La identificación precisa de especies de garrapatas es un desafío central para la vigilancia de enfermedades transmitidas por estos vectores. Los métodos tradicionales, basados en morfología, requieren especialistas capacitados y pueden ser imprecisos ante especies cercanas. Un estudio realizado por Sebai y colegas desarrolló un prototipo experimental de aprendizaje profundo para reconocer automáticamente cinco especies del género Hyalomma, importantes en medicina veterinaria y humana en Túnez. Utilizando 1.344 imágenes de garrapatas identificadas morfológicamente, el sistema YOLOv11-CNN alcanzó una precisión entre 97% y 100% en la clasificación de especies, pero solo bajo condiciones de laboratorio controladas y para un conjunto limitado de especies. El análisis de explicabilidad mostró que las decisiones del modelo se basaron en regiones morfológicas relevantes, tradicionalmente utilizadas por taxónomos, lo que indica que la IA puede replicar e incluso ampliar la mirada humana en la identificación taxonómica.

Además de la identificación, los modelos de IA están siendo aplicados para predecir áreas de riesgo y abundancia de garrapatas y, en consecuencia, de enfermedades como la enfermedad de Lyme y la encefalitis transmitida por garrapatas. Kelly y colaboradores utilizaron algoritmos Random Forest para analizar datos de 93.289 garrapatas de 11 especies recolectadas en Japón entre 1990 y 2023. El modelo, alimentado por 26 variables ambientales, obtuvo un área bajo la curva (AUC) superior a 0,89 en la predicción de hábitats adecuados para Ixodes ovatus e Ixodes persulcatus, principales vectores de estas enfermedades en el país. El estudio identificó alta adecuación en Hokkaido y regiones frías y húmedas de Honshu, sugiriendo que las áreas de riesgo pueden ser más amplias de lo que se pensaba. Según los autores, “las variables climáticas fueron los predictores más fuertes, con más del 90% de importancia acumulada en el modelo”.

Otro avance importante es la capacidad de los modelos de IA para integrar factores ambientales y biológicos y predecir no solo la abundancia de garrapatas, sino también la incidencia de enfermedades en humanos. Angell y colegas compararon métodos estadísticos tradicionales con aprendizaje automático (gradient boosting) para predecir la abundancia de garrapatas y casos de enfermedad de Lyme en Minnesota, Estados Unidos. Los modelos de IA, que incorporaron datos climáticos y de fauna de pequeños mamíferos, mostraron mayor precisión predictiva con un año de antelación para la abundancia de garrapatas y dos años para los casos de Lyme. El AUC fue más alto en los modelos con desfase temporal, lo que sugiere que los factores ambientales actuales son buenos predictores de riesgos futuros. Los autores destacan que “monitorear factores ambientales ofrece oportunidades ampliadas para intervenciones en salud pública mediante la predicción de la abundancia de garrapatas y posibles consecuencias para una mayor incidencia de enfermedad de Lyme”.

El uso de IA también se extiende a la vigilancia de patógenos bacterianos asociados a ambientes veterinarios y acuáticos. Amulraj y colaboradores presentaron un modelo basado en espectroscopía Raman mejorada por superficie (SERS) y aprendizaje automático para el perfil de virulencia de Acinetobacter baumannii, bacteria multirresistente relevante para la salud animal y humana. El sistema, probado en 20 aislados ambientales y veterinarios, alcanzó una precisión realista de 87,9% en la clasificación entre aislados virulentos y avirulentos, según validación leave-one-strain-out. El estudio destaca que la información sobre origen geográfico y hospedador está parcialmente embebida en las firmas espectrales, lo que puede mejorar la vigilancia integrada en programas One Health.

A pesar de los avances, existen limitaciones importantes. Los modelos de identificación automática de garrapatas, como el de Sebai y colegas, fueron evaluados solo en condiciones de laboratorio controladas y con muestras limitadas geográficamente, lo que puede restringir su aplicabilidad en campo. Estudios como el de Kelly y colaboradores dependen de la calidad y alcance de los datos de vigilancia, y la transferencia de los modelos a otras regiones requiere nuevas validaciones. En la vigilancia bacteriana, Amulraj y su equipo advierten sobre la necesidad de validaciones conscientes del perfil de las cepas, para evitar la sobrestimación de la precisión. Además, Hirata y colegas resaltan que, aunque las tecnologías genómicas y de IA facilitan la detección de nuevos virus transmitidos por garrapatas, establecer relaciones causales entre presencia viral y enfermedad aún exige enfoques patológicos tradicionales, como la localización in situ de los agentes en los tejidos.

En la práctica, la incorporación de IA en sistemas de vigilancia puede acelerar el diagnóstico, estandarizar la identificación de vectores y anticipar áreas y períodos de mayor riesgo, permitiendo respuestas más rápidas y dirigidas en salud pública y veterinaria. Las herramientas automáticas pueden apoyar laboratorios con pocos especialistas y ampliar la cobertura de monitoreo, mientras que los modelos predictivos basados en clima y fauna ayudan en la planificación de campañas preventivas. La integración de enfoques tradicionales y modernos, como sugieren Angell y Hirata, es fundamental para avanzar en la comprensión y control de las enfermedades transmitidas por garrapatas, dentro de una perspectiva One Health.

El avance de las herramientas de inteligencia artificial para la identificación, vigilancia y predicción de riesgos relacionados con garrapatas y enfermedades vectoriales representa un cambio de paradigma en el campo de la salud pública y veterinaria. Aunque persisten desafíos técnicos y de validación, los resultados ya obtenidos apuntan a un futuro en el que la IA será pieza central en las estrategias de control integrado de estas enfermedades, potenciando la respuesta a amenazas emergentes a escala global.