Un modelo de IA logra predecir las zonas de futuros accidentes de tráfico

Los investigadores han desarrollado una herramienta basada en Inteligencia Artificial (IA) que puede identificar los factores de riesgo que contribuyen a los accidentes automovilísticos y predecir con precisión incidentes futuros.

Un equipo liderado por la Universidad Johns Hopkins, en Estados Unidos, presentó SafeTraffic Copilot, un modelo de Inteligencia Artificial (IA) capaz de identificar y predecir con exactitud zonas donde es más probable que ocurran futuros accidentes de tráfico.

El nuevo estudio, publicado en la revista Nature Communications, combina grandes modelos de lenguaje con información, cifras y fuentes visuales, como imágenes satelitales y fotografías de campo, para construir mapas de riesgo que integran múltiples señales y contextos.

A diferencia de las aproximaciones tradicionales que se basan en registros históricos de siniestros, SafeTraffic Copilot aborda la predicción como un problema de razonamiento multimodal: integra descripciones de condiciones viales, niveles de alcohol, patrones de tráfico y variables meteorológicas, evaluando cómo las interacciones entre esos factores aumentan la probabilidad de un accidente en un punto determinado.

Aprendizaje permanente

El modelo incluye un bucle de aprendizaje continuo, que mejora su desempeño mientras se incorporan nuevos datos y casos. La herramienta está pensada como un “copiloto” para ingenieros y responsables de políticas públicas, brindando análisis que señalan combinaciones de riesgo y ofrecen prioridades de intervención.

Por ejemplo, recomiendan ajustes en la geometría de las vías, nuevas señales, reducción de velocidad o campañas focalizadas de prevención, en zonas identificadas antes del aumento de los siniestros. Los investigadores insisten en que la decisión final debe permanecer en manos humanas, mientras la IA aporta evidencia y criterios cuantificados que faciliten la priorización y la planificación.

A pesar de estas ventajas, los autores advierten sobre límites y riesgos. Los grandes modelos pueden comportarse como “cajas negras” y ocultar sesgos presentes en los datos de entrenamiento, exigiendo metodologías de trazabilidad, métricas de fiabilidad y evaluaciones independientes para garantizar que las recomendaciones sean exactas y equitativas.

Supervisión humana y validación en campo

Además, la precisión del sistema depende de la calidad y la cobertura de los datos: según una nota de prensa, áreas con registros incompletos o con poca representación podrían recibir evaluaciones menos fiables, obligando a la prudencia al momento de concretar su uso operativo.

Los especialistas en seguridad vial valoran la posibilidad de priorizar recursos y prevenir accidentes mediante intervenciones anticipadas, pero también subrayan que es crucial la validación en campo. La efectividad de SafeTraffic Copilot requerirá ensayos piloto con autoridades locales, protocolos claros para actuar sobre las recomendaciones, y marcos legales y éticos que protejan frente a decisiones automatizadas sin un contexto real.

Los investigadores creen que su modelo es un ejemplo de integración responsable de IA en dominios de alto impacto. Si se combinan controles rigurosos, transparencia y supervisión humana, la herramienta podría transformar la prevención de accidentes, convirtiendo datos heterogéneos y aislados en información de valor y acciones concretas que salven vidas.