Tot mai multe echipe de cercetare folosesc instrumente de inteligență artificială pentru a urmări bolile zoonotice, adică boli care trec de la animale la oameni, cu scopul de a identifica mai devreme riscurile de apariție a unor noi focare sau chiar a unor pandemii. Un material publicat de revista Nature prezintă modul în care aceste tehnologii sunt folosite pentru detectarea, monitorizarea și anticiparea bolilor zoonotice, dar și limitele și provocările utilizării lor.

Parcul Național Bwindi Impenetrable Forest, din sud-vestul Ugandei, este cunoscut pentru gorilele de munte pe cale de dispariție care trăiesc în zonele înalte, acoperite de vegetație bogată și de ceață. În parc trăiesc, de asemenea, aproximativ 120 de alte specii de mamifere, 350 de specii de păsări și sute de specii de plante, iar la granițele parcului se află oameni și animale de fermă. Această combinație creează condiții pentru ceea ce epidemiologii numesc spillover, adică transferul de agenți patogeni între specii.

În 2003, organizația non-profit Conservation Through Public Health (CTPH), cu sediul în Entebbe, Uganda, a început să lucreze la protejarea gorilelor (Gorilla beringei beringei) de boli precum scabia, ale căror surse au fost identificate la vecinii umani ai acestora. Echipa folosește o abordare de tip One Health, care urmărește echilibrarea nevoilor oamenilor cu sănătatea animalelor și a ecosistemelor din jurul lor. Ssali Ronald Ogwal, specialist în sănătate publică la CTPH, a explicat că, de obicei, procesul a fost unul reactiv, care a presupus răspunsul la focare de boală pe măsură ce apăreau. Organizația se orientează însă acum către o abordare mai proactivă, axată pe prevenirea bolilor, iar inteligența artificială are un rol în această schimbare.

În cadrul unei colaborări de trei ani, încheiată în martie 2026, cu inițiativa de sănătate publică NESTLER, un proiect comun al Uniunii Europene și al unor state africane, Ogwal a colectat probe de la bovine și păsări de curte din zona Bwindi. Probele au fost trimise către un laborator din Entebbe pentru a fi testate pentru boli precum bruceloza și febra Văii Riftului, ambele putând infecta și oamenii. După ce rezultatele au fost transmise comunităților locale implicate, echipa a combinat aceste date cu înregistrările de rutină privind monitorizarea gorilelor realizate de CTPH și le-a transmis colegilor din cadrul NESTLER. Acolo, datele sunt folosite pentru antrenarea unor modele de inteligență artificială cu rol predictiv, concepute ca sisteme de avertizare timpurie pentru focare de boală care pot afecta oamenii, animalele de fermă și gorilele.

Multe dintre bolile infecțioase care afectează oamenii sunt zoonotice, adică își au originea la alte specii de animale. Printre acestea se numără SARS-CoV-2, virusul care a cauzat pandemia de COVID-19, precum și virusurile Ebola, despre care se consideră că își au originea la liliecii fructivori din familia Pteropodidae. Oamenii se pot infecta cu virusuri Ebola direct, prin contact cu fluidele corporale ale liliecilor, sau indirect, prin intermediul unor animale care au intrat în contact cu lilieci infectați.

Agricultura, schimbările climatice și modificările în utilizarea terenurilor, precum defrișările, au dus la creșterea contactului dintre oameni și animalele sălbatice, ceea ce face ca evenimentele de spillover să devină mai probabile. În același timp, globalizarea și factorii geopolitici permit răspândirea mai rapidă a bolilor între oameni. Pandemia de COVID-19 a arătat clar că astfel de evenimente pot avea consecințe semnificative, afectând sănătatea fizică și mentală, mijloacele de trai și educația la nivel mondial.

Pentru cercetători precum Ogwal, inteligența artificială, combinată cu măsuri practice precum reglementarea comerțului cu animale sălbatice, reprezintă o tehnologie utilă pentru gestionarea bolilor zoonotice și pentru reducerea riscului de spillover, existând chiar posibilitatea prevenirii focarelor de boală încă de la origine. Aceasta este, cel puțin, teoria, deoarece instrumentele bazate pe inteligență artificială sunt încă limitate și nu sunt încă folosite pe scară largă în epidemiologia bolilor infecțioase. Totuși, dezvoltarea continuă a tehnicilor de învățare automată începe să schimbe această situație.

Ogwal a explicat că, în loc să se aștepte pur și simplu apariția focarelor de boală, aceste sisteme de inteligență artificială permit o analiză detaliată a unor volume mari de date, pentru a identifica tipare, iar pe baza predicțiilor se poate acționa înainte ca o situație să se agraveze.

Detectivii virali bazați pe inteligență artificială

Pentru a opri focarele de boală înainte ca acestea să scape de sub control, procesarea rapidă și eficientă a datelor este importantă.

Edward Holmes, virusolog la Universitatea din Sydney, Australia, care studiază metagenomica probelor de mediu, a explicat că instrumentele de inteligență artificială, precum modelele de învățare automată, sunt concepute pentru a sorta cantități mari de date, pentru a urma reguli și pentru a identifica tipare. Holmes dezvoltă modele de învățare automată pentru identificarea unor virusuri zoonotice noi în probe care nu au fost neapărat colectate în acest scop. El folosește date de secvențiere provenite din resurse publice precum GenBank sau Pathoplexus, o bază de date deschisă privind agenții patogeni virali. Modelele sunt antrenate pe baza secvențelor tuturor agenților patogeni umani cunoscuți, astfel încât pot recunoaște trăsăturile asociate cu apariția bolilor la oameni. Holmes a precizat că receptorii celulari și modurile de transmitere se numără printre elementele luate în considerare de aceste algoritme de inteligență artificială. Modelele învață apoi să identifice ceea ce Holmes numește virusuri riscante, pe care cercetătorii le pot urmări pe teren și pentru care pot chiar concepe vaccinuri profilactice.

Unul dintre aceste modele este LucaProt, un algoritm de învățare profundă conceput pentru descoperirea de virusuri ARN, folosind structuri proteice derivate din date de secvențiere, dezvoltat de Holmes și de colaboratorii săi. În 2024, cercetătorii au aplicat LucaProt asupra unei colecții de 10.487 seturi publice de date metatranscriptomice, identificând 161.979 de specii de virusuri ARN. Printre acestea s-au numărat 70.458 de virusuri niciodată observate anterior, ceea ce reprezintă, potrivit autorilor, cea mai mare descoperire de virusuri înregistrată vreodată într-un singur studiu. Deși puține dintre aceste virusuri (sau chiar niciunul) sunt probabil dăunătoare pentru oameni, cercetătorii afirmă că înțelegerea bolilor infecțioase emergente necesită înțelegerea diversității virusurilor și a modului în care acestea trec de la o specie la alta și evoluează.

Și alți cercetători aplică inteligența artificială în descoperirea de virusuri. În 2021, oameni de știință de la Universitatea din Glasgow, Regatul Unit, au descris o metodă de învățare automată care folosea virusuri zoonotice cunoscute pentru a prezice care virusuri noi ar putea, la rândul lor, să treacă la oameni. Iar mai devreme în acest an, cercetători din Statele Unite au descris un model predictiv care identifică gazdele bolilor și sugerează momentele cele mai potrivite pentru colectarea de probe. 

Astfel de modele sunt folosite, în prezent, mai degrabă pentru cercetare decât pentru fundamentarea supravegherii, însă Holmes sugerează că prelevarea regulată de probe pentru anticorpi specifici ar putea fi organizată de-a lungul unor „linii de falie”, adică zone unde este probabil să apară un eveniment de spillover, precum piețele de animale vii, fermele de păsări sau așezările situate în apropierea coloniilor de lilieci. Holmes a explicat că ar avea nevoie de personal local instruit pentru a genera și analiza datele, care ar urma să fie transmise către o locație centrală, unde s-ar putea obține o imagine globală a situației, asemănătoare unui sistem de control al traficului aerian. El a sugerat că un astfel de centru ar putea fi Centrul pentru Informații privind Pandemiile și Epidemiile al Organizației Mondiale a Sănătății, cu sediul la Berlin.

Holmes a precizat că un astfel de sistem este fezabil și eficient din punct de vedere al costurilor. În 2022, Banca Mondială a estimat că măsurile de prevenire ghidate de abordarea One Health ar costa până la 11,5 miliarde de dolari pe an, adică aproximativ o treime din costul gestionării pandemiilor. Holmes a numit această situație o problemă legată de politică și de oameni, observând că gândirea pe termen scurt din politica actuală prevalează adesea asupra economiilor financiare potențiale, pe termen lung, pe care astfel de măsuri le-ar putea aduce.

De asemenea, potrivit lui Holmes și altor specialiști, oamenii ar trebui să rămână implicați în procesul de supraveghere. Nader Ebrahimi și Amir Ghaemi, virusologi la Institutul Pasteur din Iran, cu sediul la Teheran, au scris în revista The Lancet Infectious Diseases, în luna ianuarie, că folosirea combinată a inteligenței artificiale și a secvențierii metagenomice este utilă, dar nu poate, prin ea însăși, să rezolve incertitudinile fundamentale legate de apariția agenților patogeni.

Supravegherea bolilor

Pe lângă identificarea virusurilor, inteligența artificială poate fi folosită și pentru prognozarea și monitorizarea focarelor de boală. Compania BlueDot, cu sediul în Toronto, Canada, care evaluează riscul de boli infecțioase, oferă astfel de servicii unor clienți precum Centrul din Golf pentru Prevenirea și Controlul Bolilor, cu sediul la Riad, și orașul Chicago, statul Illinois. Compania folosește inteligența artificială pentru a colecta și filtra mii de articole și date oficiale provenite de la organizații de sănătate publică, traducând conținut din 65 de limbi pentru a extrage informații despre boli și simptome specifice. Ulterior, sunt integrate și alte surse, precum vânzările de bilete de avion, pentru a le oferi clienților informații despre riscurile cel mai strâns legate de locația lor, în funcție de modul în care se deplasează oamenii, potrivit explicațiilor Andreei Thomas, vicepreședinte pentru epidemiologie și știința datelor în cadrul companiei.

În 2015, cercetători care lucrau pentru BlueDot au identificat orașul Miami, statul Florida, drept una dintre mai multe locații posibile pentru apariția unui focar al virusului Zika în America de Nord și America de Sud, combinând date ecologice despre țânțarii din genul Aedes, care transmit virusul Zika, cu profiluri de temperatură și informații despre zborurile provenite dintr-o zonă afectată din Brazilia. Predicția lor s-a dovedit a fi corectă în anii următori, când au fost înregistrate 1.471 de cazuri ale bolii în Florida. 

Un alt proiect al companiei BlueDot a construit un model de tip arbore de regresie boosted, o formă de inteligență artificială care combină predicțiile mai multor modele, pentru a identifica regiunile expuse, în viitor, riscului de febră dengue, chikungunya, Zika și alte boli transmise prin țânțari. Echipa a folosit date despre speciile de țânțari și habitatele acestora, împreună cu predicții privind schimbările climatice, pentru a evalua modul în care distribuția țânțarilor s-ar putea schimba în timp. Având în vedere anul 2036, echipa a identificat tipare probabile de risc de boală în Europa, Statele Unite și sudul Canadei.

Deși a devenit mai avansată în ultimul deceniu, folosirea inteligenței artificiale în monitorizarea sănătății la nivel global nu este un fenomen nou. Acum douăzeci de ani, epidemiologul John Brownstein și colegii săi de la Boston Children's Hospital, statul Massachusetts, au creat un instrument bazat pe Google Maps, numit HealthMap, pentru monitorizarea focarelor de boală la nivel mondial. Sistemul folosește dicționare de date specializate, care descriu, de exemplu, denumirile bolilor în diferite țări, pentru a colecta datele. Brownstein a precizat însă că echipa trece acum către o abordare bazată pe modele lingvistice de mari dimensiuni (LLM), care au schimbat considerabil modul în care HealthMap colectează date.

HealthMap extrage date din surse precum site-uri de știri, departamente guvernamentale de sănătate și rețele de socializare, și folosește o formă de inteligență artificială utilizată pentru identificarea mesajelor de tip spam, pentru a elimina informațiile nerelevante. La sfârșitul anului 2019, sistemul a transmis prima alertă la nivel mondial legată de boala identificată ulterior drept COVID-19. Brownstein a explicat că sursele informale de supraveghere a bolilor infecțioase pot oferi această perspectivă timpurie asupra a ceea ce se întâmplă într-o populație.

Utilizare responsabilă

La fel ca în cazul folosirii inteligenței artificiale în general, există și aspecte etice de luat în considerare.

Una dintre îngrijorările legate de folosirea inteligenței artificiale în detectarea bolilor zoonotice privește modul în care sunt incluse, sau nu, comunitățile locale, în special cele din țările cu venituri mici și medii. Cercetători, printre care epidemiologi și socio-antropologi, sunt îngrijorați de posibilitatea apariției unor distorsiuni în cadrul modelelor de inteligență artificială, în cazul în care experiența trăită a membrilor comunităților, cunoștințele locale și realitățile de pe teren nu sunt integrate în aceste modele.

Sursa: Heather Richardson. (2026). AI models are being used to track zoonotic diseases. Will they prevent the next pandemic? Nature, 657, 308-310. doi: https://doi.org/10.1038/d41586-026-02684-1