یادگیری ماشین و تخمین تغییرات فصلی کووید-19
یک تیم مطالعاتی از آزمایشگاه ملی لارنس برکلی معتقدند که متغیرهای محیطی مانند دما، رطوبت و قرار گرفتن در معرض اشعه ماوراء بنفش می‌تواند توان زنده ماندن ویروس را تحت تاًثیر قرار دهد. این عوامل هم‌چنین می‌توانند در انتقال ویروس و توان بیماری‌زایی نقش داشته باشند؛ لذا ضروری است که با استفاده از روش‌های یادگیری ماشین این داده‌های بهداشتی و زیست محیطی را تجزیه و تحلیل کرد و به درکی از چگونگی تعامل آب و هوا با عوامل اجتماعی دست یافت.
محققان از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های محیطی استفاده می‌کنند تا مشخص کنند که کووید-19 در فصول مختلف چه تغییراتی خواهد داشت و عواملی چون جو و دیگر متغیرهای محیطی در انتقال کووید-19 چه تاًثیری خواهند داشت. آن‌ها داده‌های شهری مرتبط با کووید-19، از جمله شدت، فراوانی و مدت شیوع کووید-19 و همین‌طور زمانی که مداخلات بهداشت عمومی اعمال شدند؛ هم‌چنین سایر اطلاعات جمعیت‌شناختی، عوامل اقلیمی، آب و هوایی و عوامل مرتبط با جابجایی جمعیت را مورد تجزیه و تحلیل قرار می‌دهند. هدف اولیه این پروژه پیش‌بینی چگونگی تأثیر عوامل محیطی بر انتقال کووید-19 در ایالات آمریکا است.
بن براون، زیست‌شناس محاسباتی در حیطه علوم زیستی آزمایشگاه برکلی و تحلیلگر یادگیری ماشین این تیم، گفت: “ما انتظار نداریم که آب و هوا به خودی خود تأثیر گسترده یا غالبی داشته باشد؛ بلکه این احتمال وجود دارد که میان متغیرهای مخلتلف آب و هوایی و گسترش کووید-19 ارتباطی باشد.”
ایون برادی، محقق آزمایشگاه برکلی، ضمن اشاره به عدم گسترش سریع کووید-19در هند گفت: شهرهایی وجود دارند که به نظر می‌رسد آلوده‌ترین شهرها از نظر آلودگی ثبت شده‌اند اما در برخی دیگر از شهرها ویروس رفتاری مشابه با آنفولانزا نشان داده است! درک علت این تفاوت‌ها اهمیت دارد. مطمئناً درک تعامل این ویروس با محیط زیست ممکن است به توضیحی برای ظهور این الگوها کمک کند و یادگیری ماشین و هوش مصنوعی ما را قادر خواهند ساخت تا به این درک دست یابیم.”.
به اعتقاد این تیم میزان گسترش کووید-19 در نیمکره جنوبی نسبت به نیمکره شمالی کندتر است. برادی گفت: “اگرچه عوامل بالقوه دیگری نیز وجود دارند که با گسترش ویروس ارتباط دارند اما محققان در تلاش هستند تا به این سؤالات پاسخ دهند که با نزدیک شدن مناطق نیمکره جنوبی به زمستان، سرعت انتقال افزایش خواهد داشت یا نه؟ و در زمستان 2020 و در صورتی که مداخلات مناسب صورت نگیرد اوج گرفتن دوباره کووید-19 را شاهد خواهیم بود؟”
این تیم اکنون داده‌های کافی برای درک چگونگی تأثیر عوامل محیطی بر گسترش کووید-19 را در دسترس دارد. محققان امیدوارند که اواخر تابستان یا اوایل پاییز اولین مرحله از تجزیه و تحلیل خود را به انجام برسانند. گام بعدی مطالعه با کمک یادگیری ماشین، تدوین پیش‌بینی‌های مختلف در سناریوهای متفاوتی است تا بتوان به تصمیم‌گیری در مورد بهداشت عمومی کمک کرد.
