Grecia desplegó Eva, un sistema de aprendizaje por refuerzo que dirigía pruebas de COVID-19 a viajeros de alto riesgo en más de 40 puntos de entrada, detectando 2× más casos asintomáticos que el cribado aleatorio y procesando más de 40.000 hogares diariamente.
2x
Tasa de detección de casos asintomáticos frente a las pruebas de vigilancia estándar (6 Aug-30 Oct 2020)
up to 4x
Tasa de detección de casos asintomáticos frente a las pruebas de vigilancia estándar, temporada alta (August-September 2020)
85% more tests
Pruebas adicionales que las pruebas aleatorias necesitarían para igualar la detección de Eva
17%
Porcentaje de hogares llegados dirigidos a pruebas PCR
>40,000 households/day
Hogares procesados por día en temporada alta
40+
Puntos de entrada nacionales cubiertos
Details
Maturity
Discontinued
Promoter
Greek Ministry of Civil Protection / Ministry of Tourism
Period
2020
Keywords
border management, public health, reinforcement learning, epidemiology, targeted testing, COVID-19
Context
Eva fue un sistema de aprendizaje por refuerzo en tiempo real, desarrollado de forma pro bono para el gobierno griego por un equipo interdisciplinario de investigadores de operaciones, epidemiólogos e ingenieros de software de USC Marshall, Wharton y AgentRisk. Se implementó en los más de 40 puntos de entrada nacionales de Grecia (aeropuertos, cruces terrestres, puertos marítimos) entre el 6 de agosto y el 30 de octubre de 2020, durante la pandemia de COVID-19.
Objectives
Asignar un presupuesto diario limitado de pruebas de COVID-19 entre los viajeros que llegaban, con el fin de maximizar la detección de infecciones asintomáticas, utilizando datos anonimizados de los viajeros enviados antes de la llegada.
Activities
Los viajeros presentaban un Formulario de Localización de Pasajeros al menos 24 horas antes de su llegada. Eva agregaba datos demográficos y de origen anonimizados, sin conservar identificadores individuales, para dirigir dinámicamente aproximadamente al 17% de los hogares llegados hacia pruebas PCR, mientras el resto recibía muestreo rutinario. El gobierno griego compartió estimaciones de prevalencia en tiempo real con la UE para informar los protocolos de viaje regionales, y el algoritmo subyacente se publicó posteriormente como código abierto para su adaptación internacional.
Results
El estudio revisado por pares publicado en Nature (septiembre de 2021) determinó que Eva detectó el doble de personas infectadas asintomáticas que las pruebas de vigilancia estándar, llegando hasta cuatro veces más durante la temporada alta (agosto-septiembre); igualar esa detección mediante pruebas aleatorias habría requerido un 85% más de pruebas. El sistema procesó datos de más de 40.000 hogares por día en temporada alta y ganó el Premio Daniel H. Wagner de INFORMS a la Excelencia en la Práctica de la Investigación de Operaciones.
Conclusions
Eva es un ejemplo poco común y técnicamente bien fundamentado de respuesta a crisis asistida por IA, pero la Asociación Helénica de Informática planteó en noviembre de 2020 cuestiones de gobernanza y privacidad sobre el sistema que no se abordaron públicamente en su totalidad, lo que ilustra que una evidencia técnica sólida no resuelve por sí sola las preocupaciones de rendición de cuentas.
Implementation
Indicative cost
Medium (€50k–€500k) — Core system was developed pro bono by an academic/industry team; the practice description does not itemise the government's own operating costs for running the system across 40+ entry points.
Time to results
Short (< 1 year) — Deployed across a single COVID-19 tourist season, 6 August to 30 October 2020 (about three months).
Staffing & skills
Interdisciplinary pro-bono team of operations researchers, epidemiologists and software engineers (USC Marshall, Wharton, AgentRisk), Greek Ministry of Civil Protection / Ministry of Tourism officials administering border testing
Conditions for success
Mandatory Passenger Locator Form submitted at least 24 hours before arrival
Centralised, anonymised aggregation of traveller demographic/origin data feeding a dynamic daily testing-budget allocation
Coordination across all national entry points and real-time data sharing with EU authorities
Common failure modes
Hellenic Informatics Association raised governance and privacy questions about the system's conception in November 2020 that were not fully publicly addressed
Where it fits
Governance type
national government (Ministry of Civil Protection / Ministry of Tourism)
Scale
national, 40+ border points
Income level
high-income
Data sources
Where this practice's information was retrieved from, and when.
Statistics Sierra Leone and the GRID3 partnership use machine-learning building-footprint detection on satellite imagery to map population at 1-hectare resolution, …
