En la industria de la acuicultura, la detección tardía de un patógeno no solo significa la pérdida de una cosecha; puede representar la quiebra de una operación entera. La propagación de enfermedades en redes fluviales es notoriamente difícil de predecir debido a la falta de datos genómicos o de laboratorio en las etapas iniciales de un brote.
«Nuestro trabajo ayuda a predecir la presencia o ausencia de enfermedades», afirma el autor principal, el Dr. Pouria Ramazi, Ph.D., profesor asistente en los departamentos de Biological Sciences y Mathematics and Statistics, en la Faculty of Science de la University of Calgary. El estudio contó con la colaboración de expertos del Indian Institute of Technology Kharagpur, la Isfahan University of Technology en Irán, la University of Alberta y la University of Victoria.
Puntos Clave
- Protección Preventiva: El modelo actúa como una señal de alerta temprana para enfermedades de peces antes de que se vuelvan masivas en la cuenca.
- Eficiencia Extrema: Logra una precisión de 0.7 AUC (Área bajo la curva ROC) sin resultados de pruebas previas, necesitando solo la estimación correcta de un punto de control.
- Integración de Variables: Utiliza datos ambientales fácilmente disponibles (temperatura, pH, sedimentación) para «rellenar» los huecos de información biológica.
- Escalabilidad Industrial: Aplicable a patógenos críticos para la piscicultura mundial como Salmonella, Vibrio y Edwardsiella ictaluri.
Una Amenaza Invisible
La investigación se centró en la enfermedad del torneo (whirling disease), causada por el parásito Myxobolus cerebralis. Este microorganismo ataca a los peces salmónidos —truchas, salmones—, alcanzando tasas de mortalidad de hasta el 90% en ejemplares jóvenes.
Para los gestores de acuicultura, esta enfermedad es una pesadilla económica por su impacto en el valor recreativo y comercial de las poblaciones de peces. Detectada en Canadá en 2016, su expansión ha obligado a declarar cuencas enteras, como las de los ríos Bow y Oldman, como zonas infectadas. El desafío es que, para cuando se detecta el parásito mediante pruebas de laboratorio, suele ser demasiado tarde para una mitigación efectiva.
Ingeniería de Datos: Cómo la IA «Adivina» la Infección
A diferencia de los modelos de machine learning tradicionales que requieren miles de etiquetas de datos para aprender, este nuevo enfoque utiliza Modelos Ocultos de Markov (HMM) extendidos.
«Lo que es sorprendente es que, a diferencia de la mayoría de los sistemas de IA que necesitan muchos ejemplos confirmados, este modelo siguió funcionando bien incluso cuando se entrenó con un solo caso confirmado de la enfermedad del torneo», explica Ramazi. «Extrajo pistas adicionales de las mediciones ambientales en las otras muestras para mapear dónde era probable que ocurrieran las infestaciones».
La Arquitectura del Modelo
El sistema divide el río en píxeles y utiliza un Grafo Acíclico Dirigido (DAG) para representar el flujo del agua. El modelo matemático se basa en la probabilidad conjunta de las variables de respuesta (presencia de patógeno) y las emisiones (datos ambientales).
Resultados Críticos para la Gestión Piscícola
El equipo de investigadores probó el modelo en la cuenca del río Oldman, utilizando una rejilla de más de 164,000 puntos. Con datos de solo 113 píxeles (el 0.07% del área), el modelo TAN-HMM (Tree-Augmented Naive Bayes) demostró una superioridad estratégica sobre los modelos estadísticos tradicionales:
- Superioridad en Escasez: Con solo 2 a 5 muestras de prueba, la IA superó significativamente al modelo mixto (mixed model) tradicional.
- Escalabilidad del AUC: La precisión subió de 0.7 con casi cero datos a 0.9 cuando se integraron 100 resultados de pruebas.
- Identificación de Factores de Riesgo: El sistema determinó que la probabilidad de infección supera el 93% cuando la calidad del agua es baja o la conductividad es alta.
| Variable Ambiental | Relación con el Riesgo Acuícola |
| Temperatura del aire | El riesgo aumenta con temperaturas más altas (fomenta el crecimiento del parásito). |
| Calidad del agua (sedimento) | Valores altos de calidad (poco sedimento) reducen la presencia del parásito. |
| pH del agua | Dato clave; el riesgo aumenta con niveles de pH más elevados. |
| Perturbación humana | El impacto antropogénico está directamente correlacionado con una mayor carga patógena. |
Un Escudo Global para la Acuicultura
La importancia de este avance radica en su transferencia a otros patógenos que asfixian la industria acuícola global. El modelo no solo identifica riesgos de la enfermedad del torneo, sino que puede adaptarse para rastrear el Edwardsiella ictaluri (causante de la septicemia entérica en bagres) y diversas cepas de Vibrio que afectan el cultivo de camarones.
Mantente siempre informado
Únete a nuestras comunidades para recibir al instante las noticias, informes y análisis más importantes del sector acuícola.
Este sistema permite a los gerentes de piscifactorías optimizar sus esfuerzos de vigilancia, identificando zonas críticas de riesgo antes de realizar costosos muestreos de laboratorio. Al actuar como un sistema de seguridad proactiva, la IA de Ramazi y su equipo permiten que la acuicultura se mueva de una gestión reactiva de crisis hacia una prevención científica de alta precisión.
Sin embargo, a pesar de su éxito, el modelo tiene un sesgo inherente: limita la dependencia espacial a los vecinos inmediatos río arriba para mantener la complejidad computacional bajo control. Además, actualmente trabaja con datos discretos (categorizados como bajo, medio o alto), por lo que el próximo paso será implementar algoritmos para variables continuas distribuidas bajo modelos gaussianos.
Contacto
Pouria Ramazi
Department of Biological Sciences and Department of Mathematics and Statistics, University of Calgary
Calgary, Alberta, Canadá
Email: pouria.ramazi@ucalgary.ca
Referencia (acceso abierto)
Ramazi, P., Bende, P., Haratian, A., Greiner, R., & Lewis, M. A. 2025. Early warning signal for river-borne diseases with almost no data. Methods in Ecology and Evolution. https://doi.org/10.1111/2041-210x.70199
Editor de la revista digital AquaHoy. Biólogo Acuicultor titulado por la Universidad Nacional del Santa (UNS) y Máster en Gestión de la Ciencia y la Innovación por la Universidad Politécnica de Valencia, con diplomados en Innovación Empresarial y Gestión de la Innovación. Posee amplia experiencia en el sector acuícola y pesquero, habiendo liderado la Unidad de Innovación en Pesca del Programa Nacional de Innovación en Pesca y Acuicultura (PNIPA). Ha sido consultor senior en vigilancia tecnológica, formulador y asesor de proyectos de innovación, y docente en la UNS. Es miembro del Colegio de Biólogos del Perú y ha sido reconocido por la World Aquaculture Society (WAS) en 2016 por su aporte a la acuicultura.
