پیش بینی اثربخشی قرنطینه بر مهار کووید-19با استفاده از یادگیری ماشین

محققان در تلاش هستند تا با استفاده از مدل‌های “یادگیری ماشین” به درک روشنی از چگونگی تأثیر اقداماتی مانند “قرنطینه” در مهار کووید-19 دست یابند. در این دیدگاه، مروری بر نتایج مطالعات صورت گرفته در این حوزه خواهیم داشت.

در تلاش جهانی برای کُندکردن شیوع کووید-19، بسیاری از کشورها اقداماتی از جمله “فاصله‌گذاری اجتماعی” و “قرنطینه” را برای کاهش شیوع این بیماری اتخاذ کرده‌اند. اکنون محققان، فناوری یادگیری ماشین را برای تعیین “میزان اثربخشی” این دسته از اقدامات در مناطقی از جهان به کار گرفته‌اند.

تیمی از دانشگاه MIT با بهره‌گیری از داده‌های کووید-19 و “یک شبکه عصبی” و با استفاده از فناوری یادگیری ماشین تلاش کردند تا اثربخشی قرنطینه را تعیین کرده و شیوع کووید-19 را پیش‌بینی نمایند.

بیش‌تر ابزارهایی که برای پیش‌بینی شیوع یک بیماری به کار گرفته می‌شود از “مدل SEIR” پیروی می‌کنند که افراد را به چهار گروه مشکوک، مواجه شده با ویروس، آلوده به ویروس یا بهبودیافته طبقه‌بندی می‌نماید. تیم مطالعاتی MIT با کمک آموزش یک شبکه عصبی این مدل را ارتقا دادند تا بتوانند افراد آلوده‌ای را شناسایی کنند که تحت قرنطینه بوده و عفونت را به دیگران انتقال نداده‌اند.

راج دندکار –عضو این تیم مطالعاتی- گفت: “مدل ما اولین مدلی است که از داده‌های کووید-19 استفاده کرده و دو حوزه “یادگیری ماشین” و “اپیدمیولوژی” را ادغام می‌کند.”

این مدل نشان می‌دهد در مناطقی مانند “کره جنوبی” که مداخلات فوری دولت به اتخاذ اقدامات سختگیرانه قرنطینه منجر شده است، کووید-19 سریع‌تر به نقطه ثبات رسید؛ این در حالی است که در مناطقی مانند “ایتالیا” و “ایالات متحده” که مداخلات دولت با سرعت کم‌تری اِعمال شده است، میزان تکثیر کووید-19 بیش از یک بوده است؛ به این معنا که ویروس به صورت نمایی گسترش یافته است.

محققان با استفاده از الگوریتم یادگیری ماشین، دریافتند که با اقدامات قرنطینه فعلی، ایتالیا و آمریکا در بازه‌ زمانی “15 تا 20 آوریل” به نقطه ثبات می‌رسند. این مدل همچنین نشان می‌دهد که در ایالات متحده تعداد افراد مبتلا “قبل” از رسیدن به نقطه ثبات به 600000 برسد.

جورج بارباستاتیس –استاد تمام در مهندسی مکانیک- گفت: “این مدل نشان می‌دهد که اعمال محدودیت‌های قرنطینه در رسیدن نرخ تکثیر به کمتر از یک، موفقیت آمیز است. این، نقطه‌ای است که می‌توانیم شاهد این باشیم که منحنی به یک “نقطه ثابت” رسیده و تکثیر عفونت “سیر نزولی” طی می‌کند.” این تیم مطالعاتی قصد دارد تا با به اشتراک‌گذاشتن این مدل با دیگر متخصصان بتواند اقدامات مرتبط با قرنطینه را به منظور کاهش سرعت شیوع کووید-19 قوت بخشد.

در موسسه پلی تکنیک (Rensselaer (RPI، محققان همچنین از فناوری یادگیری ماشین برای تجزیه و تحلیل تأثیرات “فاصله اجتماعی” در سطوح خُرد بهره برده‌اند. این تیم مطالعاتی با استفاده از داده‌های “موسسه سلامت و بهداشت روان نیویورک”، مدل‌های یادگیری ماشین را برای پیش‌بینی “شاخص‌های موقعیتی و محلی” این همه‌گیری به کار بسته‌اند.

Magdon-Ismail –پروفسور علوم کامپیوتر، متخصص در حوزه یادگیری ماشین و داده‌کاوی- گفت: “هیچ ابزار ساده، قدرتمند و قابل تعمیمی وجود ندارد که مثلاً مسئولان آلبانی بتوانند از آن‌ها برای پیش‌بینی استفاده کنند؛ چراکه، براساس این مدل‌ها مشخص شده که پیش‌بینی‌ها از یک شهر به شهر دیگر بسیار متفاوت است. دانش ارائه شده توسط مدل مذکور این امکان را فراهم می‌آورد که برخی تردیدها و موانع مقابل “تدوین سیاست‌ها” برطرف شوند.”

Magdon-Ismail تا تاریخ “10 آوریل” الگویی را برای نیویورک تهیه کرد که داده‌های چهار منطقه را شامل می‌شود. با در نظر گرفتن 855000 فرد در معرض خطر بالا و همینطور اعمال قرنطینه برای “50 درصد” از مردم، مشخص شد که نقطه اوج “ابتلا روزانه” برابر بوده با 8 ژوئن و با 1490 نفر مبتلا؛ براساس این مدل مجموع افراد مبتلا 58000 نفر خواهد بود. در صورتی که “75 درصد” از مردم “در خانه بمانند” نرخ روزانه افراد مبتلا در تاریخ 28 ماه می به 750 نفر خواهد رسید و مجموع افراد مبتلا 29000 نفر خواهد بود.

استفاده از یادگیری ماشین برای مدل‌سازی شهرهای کوچک‌تر چالش برانگیز است؛ زیرا در مقایسه با کشور، “داده‌های محدودتری” در دسترس خواهند بود و به روزرسانی این اطلاعات دیرتر خواهد بود. از این رو، Magdon-Ismail از مدل‌های ساده‌تر استفاده کرد.

این محقق افزود: “برای ارائه یک پیش‌بینی قدرتمند، ما مجموعه‌ای از مدل‌ها را در نظر می‌گیریم که “سازگاری بهینه‌ای” با داد‌ه‌ها دارند. مدل‌های متنوعی را پیدا کردم که با داده‌ها سازگار و مطابق هستند، سپس همه آن مدل‌ها را ادغام کرده و برای پیش‌بینی استفاده می‌کنم. “

Magdon-Ismail در تحقیقات اولیه، مدل خود را با استفاده از داده‌های مرتبط با “آغاز همه‌گیری” در ایالات متحده مورد آزمایش قرار داده است. اطلاعات اولیه به “پیامدهای عدم اجرای قرنطینه” معطوف بودند که در صورت عدم اتخاذ تدابیر قرنطینه برای کاهش شیوع ویروس، چه اتفاقی خواهد افتاد.

Magdon-Ismail معتقد است که روزهای ابتدایی شروع همه‌گیری “بهترین فرصت” برای “شناخت” رفتار این ویروس است؛ زیرا هیچ‌کس واقعاً نمی‌داند چه رخ خواهد داد یا همه‌گیری تا چه اندازه جدی است. بنابراین کسی اقدامی نکرده و فرصت خوبی است تا بتوانید رفتار ویروس را مشاهده کنید.