La tecnología de la información tiene la tarea de reducir costos y riesgos, y su aplicación puede generar beneficios significativos.

Creando un almacenamiento de datos común para obtener visibilidad de la demanda, podemos garantizar que los lotes de vacunas se entreguen sin desperdicio. Esto incluye todos los aspectos del ciclo que se envían a los fabricantes de medicamentos y a las empresas de logística para asegurar que el tama- ño de carga correcto sea enviado a tiempo. El análisis de estos datos, combinado con información adicional del área, también podría ayudar a pronosticar con precisión los requerimientos. Un aspecto clave aquí es la seguridad. Deben existir controles adecuados, como, por ejemplo, cifrado y hashing, para asegurar la privacidad de los datos y que otras leyes regulatorias se cumplan y así proteger la integridad de la cadena de suministro.

El uso combinado de analíticas con IA presenta varios beneficios como los que se detallan en este documento técnico. Todas estas ventajas son aplicables a la logística de la vacuna Covid-19 a pesar de la singularidad de la cadena de suministro criogénica. Existe una necesidad apremiante en esta crisis para hacer posible que los desafíos de la utilización de estas tecnologías se aborden de manera adecuada y con anticipación, de forma que se ofrezca una distribución óptima de las vacunas.

La idea de adoptar sensores para relevar información como la temperatura, la ubicación física, la cantidad de veces que se abre una vacuna o el stock restante es probablemente evidente. Sin embargo, habrá algunas consideraciones clave a tener en cuenta, como seleccionar el conjunto de sensores con los atributos correctos, incluido el factor de forma, el consumo de energía y la capacidad para trabajar en condiciones climáticas adversas y variadas. Seleccionar y probar dichos sensores para determinar su idoneidad en los entornos más hostiles es fundamental porque serán responsables de la alimentación de datos. Si éstos son incorrectos o se interrumpen, otras etapas de la cadena podrían fallar.

Una vez que se resuelve el desafío del conjunto correcto de sensores, la siguiente pregunta apunta hacia la conectividad: hacer factible que se transmitan los datos de los dispositivos. Esta es una tarea compleja debido a los patrones de consumo de energía y los diversos escenarios, incluidos espacios interiores, exteriores y cobertura móvil irregular. Cada paquete necesita múltiples opciones como celular, UWB, LoRA, BLE y RFID, según el lugar de operación y la necesidad de redundancia. Por ejemplo, UWE / BLE son más adecuados para interiores dentro de almacenes o depósitos, mientras que los celulares son más indicados para el transporte en campo o carretera. El objetivo es el menor consumo de energía posible, lo que permite que las unidades portátiles se concentren en su propósito principal de alimentar la refrigeración.

Los datos del sensor solo se vuelven valiosos cuando se emplean para obtener información y predicciones prácticas. La experiencia nos ha enseñado a todos que las malas noticias deben transmitirse tres veces más rá- pido que las buenas para lograr una acción correctiva oportuna. Podemos hacer uso de ese principio mediante la aplicación del aprendizaje automático para predecir fallas antes de que ocurran, en lugar de hacerlo retrospectivamente.

La combinación de conectividad deficiente, costos y el hecho de que cada vacuna requiera su propio entorno/ contexto desde la fabricación hasta el usuario final, hace que sea sensato integrar el componente de aprendizaje en el edge. El ML para IoT generalmente envía toda la información de los sensores a la nube. Luego, estos datos se utilizan para entrenar el modelo en el cloud. La mayoría de los usos básicamente se implementan para tomar decisiones en vivo. El modelo, sin embargo, se desarrolla de forma centralizada con información distribuida en varios dispositivos. Al incorporar el componente de aprendizaje en cada equipo, se logra que cada elemento sea empleado en función de sus datos únicos.

Este formato de aprendizaje automático es difícil y exige capacitarse teniendo en cuenta las condiciones ambientales de cada caja individual. La temperatura de un contenedor de vacuna podría cambiar más drásticamente en un desierto caluroso que en las llanuras heladas de una estepa. Por lo tanto, cada dispositivo entrena su propio modelo y, una vez que el grado de precisión es aceptable, lo ejecuta. Se trata de aprendizaje no supervisado. También se puede consolidar todo en lotes para extraer los puntos en común, y procesarlos en áreas donde la conectividad es buena y económica.

No es necesario que todos los sensores estén en los dispositivos. A través de una combinación de cámaras inteligentes y el análisis de las diversas transmisiones de video, se puede implementar aún más la visión por computadora y el aprendizaje profundo para los sitios, brindando la capacidad de monitorear las condiciones del inventario, así como a los empleados que acceden a ellos.

Deben considerarse los riesgos y las medidas de seguridad ante la manipulación de este tipo de insumos. Dado que la mayoría de las vacunas se están desarrollando con tecnología de ARNm, actualmente requieren almacenamiento y transporte a <-20 ° C (hasta -75 ° C). Es importante señalar que esto también será relevante para muchas otras vacunas por venir. Para garantizar y monitorear las condiciones del sitio y de los trabajadores, se deben cumplir las normas adecuadas para detectar la exposición del personal que trabaja con las vacunas.

Según NCNR, los tres principales peligros criogénicos son:

Según este estudio sobre dispositivos portátiles para la evaluación continua del estrés por frío en el trabajo, la tolerancia a bajas temperaturas es muy subjetiva, lo mismo que el diseño de un sensor portátil personalizado utilizado en combinación con ML. Esto puede llevar mucho tiempo y resultar prohibitivo. Un punto de partida más simple sería tener sensores de estado sólido, que se inserten rápidamente en dispositivos portátiles para obtener información sobre la temperatura de la piel. Ha habido algunos proyectos muy originales, que podrían implicar una producción más profesional de estas capacidades integradas en los kits de PPE. Si estas alertas, que serían agregadas a las señales audibles para el usuario, se transmiten a un servidor central, entonces se podrían efectuar los avisos de asistencia adecuados y el modelado predictivo. Esto sería imperioso para detectar estas exposiciones y reaccionar anticipadamente para prevenir accidentes y lesiones.

El enfriamiento criogénico generalmente involucra el uso de líquidos superenfriados, como dióxido de carbono, helio y nitrógeno. Estos, si se filtran accidentalmente, pasarán inmediatamente a sus formas gaseosas y desplazarán el oxígeno. Esto es especialmente peligroso en espacios reducidos como habitaciones cerradas, almacenes y cámaras frigoríficas. Los sensores de oxígeno existen desde la década de 1960, gracias a Robert Bosch Gmbh y al Dr. Günter Bauman.

Una combinación de sensores de habitación conectados a sistemas de monitoreo garantizará una alerta temprana adecuada de fugas de gas.

La ebullición de líquidos criogénicos crea un riesgo mayor para los envases cerrados debido al fenómeno de expansión térmica. El uso de sensores conectados para medir no solo las temperaturas, sino también la presión sería fundamental para analizar y evitar que los contenedores exploten.

Estos son solo algunos puntos que muestran la utilidad de la TI para la distribución de vacunas y para ayudar a reducir costos y riesgos durante la gestión del plan este contexto pandémico, cómo incluso algunas de las técnicas más avanzadas, como la inteligencia artificial y el aprendizaje automático, pueden ayudar en la campaña para lograr la implementación de vacunas más eficiente posible.