Uno de los motivos que más reticencias despiertan entre la población a la hora de comer fuera de casa es la posible falta de higiene en el restaurante visitado. Aunque el miedo es completamente infundado, pues como se ha visto una y otra vez en los ensayos de bacteriología las cocinas de los restaurantes son más asépticas que las de los hogares, sí es comprensible que la clientela se sienta así, al fin y al cabo no tiene forma de supervisar que la preparación de comida se esté realizando acorde a las normas de seguridad alimentaria vigentes.
Estas preocupaciones podrían esfumarse de un plumazo si la nueva tecnología desarrollada por los investigadores de la compañía Mountain View y de la Escuela de Salud Pública T. H. Chan de la Universidad de Harvard llegase al público.
En el reciente estudio publicado en la revista npj Digital Medicine y titulado como «Aprendizaje de máquina epidemiológico: detección en tiempo real de enfermedades de transmisión alimentaria a escala», Adam Sadilek, Ashish Jha y compañía presentaban la herramienta FINDER (detector de enfermedades de transmisión alimentaria en tiempo real) capaz de emplear información de búsquedas y de ubicación para alertar sobre restaurantes potencialmente peligrosos.
El autor para correspondencia, Ashish Jha, profesor K. T. Li de Salud Global de la Escuela de Salud Pública T. H. Chan y director del Instituto de Salud Global de Harvard destacaba algunas de las posibles aplicaciones de este nuevo avance tecnológico. Entre ellas se cuentan el ahorro en sanidad que se obtiene al evitar miles de entradas en las salas de emergencias de los hospitales del mundo (y en especial en EE. UU., ámbito de desarrollo de la utilidad), y la ayuda y soporte prestado a restaurantes y inspectores de sanidad para detectar y solucionar problemas de forma más rápida y eficaz.
¿Cómo funciona el sistema? Pues muy fácil. Todo se basa en los macrodatos agregados gracias a los usuarios de terminales móviles que permiten el acceso a su posicionamiento vía GPS e historial de búsquedas. De esta manera el software puede interpretar búsquedas posteriores a la visita de un local que pudieran indicar que el cliente ha contraído una enfermedad de transmisión alimentaria. Por ejemplo: «Cómo aliviar el dolor de estómago», «Efectos de la comida en mal estado», «Medicinas contra la diarrea».
Para discernir entre las coincidencias anecdóticas y las tendencias significativas, los datos hallados son contrastados con los de otros comensales. Cuando entre toda la información recopilada comienza a emerger un patrón, entonces se puede asegurar que existe un problema de salubridad en el local objeto de estudio con un nivel de confianza muy alto. La detección se realiza con una precisión del 85%.
Para medir dicho valor se usaron dos ciudades de EE. UU., Las Vegas y Chicago. FINDER generó una lista de restaurantes que potencialmente podrían estar provocando enfermedades y malestar a los clientes. Dicho listado fue, acto seguido, proporcionado a las autoridades inspectoras competentes, las cuales investigaron 61 casos propuestos por FINDER en la ciudad del estado de Nevada, y 71 en la megápolis de Illinois.
De estos, un 52.3% presentaron deficiencias en materia de salubridad e higiene. Un valor que duplica el promedio en las inspecciones realizadas motu proprio por las agencias de inspección y que sumaron más de 10 000 investigaciones.
FINDER superó con creces las inspecciones motivadas por las quejas de los propios clientes en todos los aspectos: precisión, escala y latencia. La causa de que esto sea así, según los investigadoras que firman el artículo, es que «la gente tiende a culpar el último restaurante que han visitado y de esta manera es probable que se entreguen hojas de reclamación en el restaurante que no es», algo que está adecuadamente documentado en la bibliografía científica preexistente.
El sistema no está libre de limitaciones, una de las más importantes es que el aprendizaje de máquina o machine learning solo presenta información valiosa después de que haya pasado un intervalo de tiempo dilatado, el equivalente al periodo de incubación de los patógenos o de aparición de los primeros síntomas.
En cualquier caso existe una mejora patente respecto a otros sistemas que se apoyan en el minado de datos. Si se compara FINDER con el modelo usado en Chicago, que extrae quejas directamente desde Twitter, el nuevo modelo informático es un 68% más efectivo. Parte de la culpa reside, no obstante, en la red social, que se ha ganado a pulso la mala fama por las quejas y disputas que en ella tienen lugar.
El potencial de la herramienta no se limita únicamente al sector de la restauración, FINDER se podrá adaptar en el futuro para hacer seguimientos muy dispares que sin duda tendrán efectos muy positivos sobre la sociedad. Lo esperamos con ansias.
