Según Google Research, un nuevo enfoque basado en modelos geoespaciales planetarios permite superar las limitaciones estructurales de los sistemas tradicionales de vigilancia epidemiológica. Este avance, desarrollado por ingenieros de Google Research, centra su aplicación en el modelo de dinámica poblacional (PDFM) de Google Earth AI. La herramienta se construye sobre representaciones autodesarrolladas de "lugar", que integran datos de búsquedas privadas, movilidad humana, densidad de entornos urbanos y factores ambientales. Al comprender el contexto espacial de las comunidades, el modelo genera embeddings de ubicación que pueden ser usados directamente sin necesidad de entrenamiento específico para cada caso.
El estudio presenta cinco casos prácticos liderados por entidades colaboradoras, que ilustran cómo este modelo puede ser aplicado en entornos reales de salud. En condiciones de crisis, como brotes de dengue o cólera, los tiempos de respuesta tradicionales suelen ser prolongados por la escasez de datos y la fragmentación geográfica de la información. El PDFM reduce esos tiempos al ofrecer una visión espacial continua y detallada, incluso en zonas donde no existen registros oficiales de enfermedades. Los resultados muestran que, sin necesidad de reestructurar procesos existentes, los embeddings generados por el modelo alcanzan niveles de precisión o superan los de métodos convencionales utilizados en el análisis epidemiológico.
Este tipo de solución es especialmente relevante para el Perú, donde la diversidad geográfica —desde zonas urbanas densas hasta comunidades rurales aisladas— exige un enfoque flexible y escalable. Las regiones del norte, por ejemplo, enfrentan desafíos recurrentes de enfermedades transmitidas por vectores, mientras que las áreas andinas presentan altos índices de riesgo para condiciones crónicas. El PDFM permite detectar patrones de movilidad y comportamiento que podrían predecir brotes antes de que se registren oficialmente. Así, las autoridades sanitarias podrían intervenir con mayor anticipación, reforzando el sistema de alerta temprana y optimizando el uso de recursos en entornos con baja capacidad de respuesta.
El modelo no requiere infraestructura especial ni cambios drásticos en los procesos actuales. Basta con integrar sus embeddings en los flujos de trabajo existentes, como los modelos estadísticos que ya utilizan los especialistas en salud pública. Esto facilita su adopción en instituciones públicas con recursos limitados, como hospitales regionales o centros de salud comunitarios. El potencial de transformar la vigilancia de salud en tiempo real, sin depender únicamente de datos oficiales, abre la puerta a un nuevo paradigma de gestión de riesgos. En un contexto como el peruano, donde las desigualdades espaciales son evidentes, esta tecnología puede ayudar a cerrar brechas en el acceso a diagnósticos y atención oportuna.