چگونه رایانه ها یاد گرفتند که پیش بینی کننده شیوع COVID-19 باشند

زمانی را تصور کنید که پوشش ضد ویروس شما مانند یک چتر است. بیشتر روزها در کمد شما می ماند یا در جایی در ماشین شما انبار می شود. اما زمانی که شیوع کووید-۱۹ در پیش‌بینی است، می‌توانید از آن استفاده کنید.

فراتر از آن، یک پیش‌بینی ویروسی نامطلوب ممکن است شما را به انتخاب یک میز در فضای باز هنگام ملاقات با یک دوست برای قهوه ترغیب کند. اگر احتمال ابتلا به کروناویروس شما را به شدت بیمار می‌کند، ممکن است تصمیم بگیرید که از خانه کار کنید یا تا زمانی که تهدید برطرف نشود، در مراسم کلیسا به صورت آنلاین شرکت کنید.

چنین آینده ای فرض می کند که آمریکایی ها به هشدارهای بهداشت عمومی در مورد ویروس همه گیر توجه خواهند کرد – و این یک امر بزرگ است. اگر. همچنین وجود سیستمی را فرض می‌کند که می‌تواند به‌طور قابل‌اطمینانی شیوع قریب‌الوقوع را با هشدارهای نادرست کمی، و با به موقع بودن و دقت جغرافیایی کافی پیش‌بینی کند که مردم به پیش‌بینی‌های آن اعتماد کنند.

گروهی از پیش‌بینی‌کنندگان احتمالی می‌گویند که شرایط ساخت چنین سیستمی را دارند. پیشنهاد آنها برای ساخت یک گزارش آب و هوای ویروسی این هفته در مجله Science Advances منتشر شد.

مانند مدل‌های هواشناسی که پیش‌بینی‌های آب‌وهوا را هدایت می‌کنند، سیستم پیش‌بینی شیوع کووید-۱۹ از رودخانه‌ای از داده‌هایی که توسط صدها جریان اطلاعات محلی و جهانی تغذیه می‌شود پدید می‌آید. آنها شامل جستجوهای اینترنتی با مهر زمان برای علائمی مانند تنگی قفسه سینه، از دست دادن بویایی یا خستگی هستند. توییت‌های جغرافیایی که شامل عباراتی مانند «کرونا»، «همه‌گیری» یا «خرید وحشت‌زده» است. داده‌های مکان جمع‌آوری شده از تلفن‌های هوشمند که نشان می‌دهد چند نفر در حال سفر هستند. و کاهش درخواست‌های آنلاین برای مسیرها، که نشان می‌دهد افراد کمتری بیرون می‌روند.

حجم اطلاعات به دست آمده برای انسان بسیار زیاد است که نمی‌توان آن را مدیریت کرد، چه رسد به تفسیر. اما با کمک کامپیوترها و نرم افزارهای قدرتمندی که برای دریافت، تفسیر و یادگیری از داده ها آموزش دیده اند، نقشه ای شروع به ظهور می کند.

اگر این نقشه را با داده های تاریخی بررسی کنید – در این مورد، تجربه دو ساله بیماری همه گیر در 93 کشور – و بر اساس آن به روز رسانی کنید، ممکن است سیستم پیش بینی شیوع بیماری را داشته باشید.

این دقیقاً همان کاری است که تیم به رهبری یک دانشمند کامپیوتر دانشگاه نورث ایسترن انجام داده است. در تلاش خود برای ایجاد یک سیستم هشدار اولیه برای شیوع کووید-19، نویسندگان این مطالعه یک سیستم “یادگیری ماشینی” ساخته اند که قادر به جویدن میلیون ها ردپای دیجیتالی است، پیشرفت های محلی جدید را ترکیب می کند، تمرکز خود را بر سیگنال های دقیق بیماری اصلاح می کند و ایجاد اخطارهای به موقع درباره موج های محلی قریب الوقوع COVID-19.

در میان بسیاری از جستجوهای اینترنتی که مورد بررسی قرار گرفت، یکی از آنها به‌ویژه علامت هشداردهنده خوبی برای شیوع قریب‌الوقوع بود: «کووید چقدر طول می‌کشد؟»

زمانی که روش یادگیری ماشینی محققان در برابر داده‌های دنیای واقعی آزمایش شد، افزایش شیوع ویروسی محلی را تا شش هفته قبل پیش‌بینی کرد. زنگ خطر آن تقریباً در نقطه‌ای به صدا در می‌آید که احتمال دارد هر فرد آلوده ویروس را به حداقل یک نفر دیگر منتقل کند.

این برنامه با آزمایش پیش‌بینی 367 ​​شیوع واقعی در سطح شهرستان، هشدارهای اولیه دقیقی را در مورد 337 – یا 92٪ – از آنها ارائه کرد. از 30 شیوع باقی مانده، 23 مورد را شناسایی کرد، درست همانطور که برای مقامات بهداشت انسان آشکار می شد.

هنگامی که نوع Omicron به طور گسترده در ایالات متحده شروع به گردش کرد، سیستم هشدار اولیه توانست شواهد اولیه 87٪ از شیوع را در سطح شهرستان شناسایی کند.

یک سیستم پیش‌بینی با این قابلیت‌ها ممکن است برای مقامات بهداشت عمومی محلی، ایالتی و ملی مفید باشد که نیاز به برنامه‌ریزی برای شیوع کووید-19 دارند و به شهروندان آسیب‌پذیر هشدار می‌دهند که ویروس کرونا یک تجدید حیات محلی قریب‌الوقوع را تهدید می‌کند.

مائوریسیو سانتیلانا، مدیر گروه هوش ماشینی Northeastern برای بهبود سلامت و محیط زیست، گفت: “ما به دنبال فراتر از کووید هستیم”.

او گفت: «هدف کار ما مستندسازی این است که چه تکنیک‌ها و رویکردهایی ممکن است نه فقط برای این، بلکه برای همه‌گیری بعدی مفید باشد». “ما در حال جلب اعتماد مقامات بهداشت عمومی هستیم تا آنها نیازی به قانع کننده بیشتر نداشته باشند” زمانی که بیماری دیگری در سراسر کشور شیوع پیدا کرد.

این ممکن است فروش آسانی به آژانس‌های بهداشت عمومی دولتی و مراکز کنترل و پیشگیری از بیماری‌ها نباشد، که همگی برای همگام شدن با داده‌های همه‌گیر و ترکیب روش‌های جدید برای ردیابی شیوع ویروس تلاش کردند. ناتوانی CDC در انطباق و برقراری ارتباط موثر در طول همه‌گیری منجر به برخی از “اشتباهات بسیار چشمگیر و بسیار عمومی” شد. روشل والنسکی، مدیر آژانس، اذعان کرده است. او هشدار داد که تنها “تغییر فرهنگ” آژانس فدرال را برای همه گیری بعدی آماده می کند.

تلاش‌های کم‌رنگ CDC برای توسعه ابزارهای پیش‌بینی نیز راه را برای پذیرش آسان هموار نکرده است. ارزیابی سال 2022 از تلاش‌های پیش‌بینی مورد استفاده CDC به این نتیجه رسید که اکثر آنها «در پیش‌بینی قابل اعتماد تغییرات سریع» در موارد کووید-19 و بستری شدن در بیمارستان شکست خورده‌اند. نویسندگان آن ارزیابی هشدار دادند که سیستم‌های توسعه‌یافته تا به امروز «نباید برای تصمیم‌گیری در مورد امکان یا زمان‌بندی تغییرات سریع در روندها به آن‌ها اعتماد کرد».

آناس باری، متخصص یادگیری ماشینی در دانشگاه نیویورک، سیستم هشدار اولیه جدید را “بسیار امیدوارکننده” خواند، هرچند “هنوز آزمایشی”.

باری که در این تحقیق شرکت نداشت، گفت: «روش‌های یادگیری ماشینی ارائه شده در مقاله خوب، بالغ و بسیار خوب مطالعه شده‌اند. اما او هشدار داد که در شرایط اضطراری که یک بار در زندگی اتفاق می‌افتد مانند همه‌گیری، اتکا به یک مدل جدید برای پیش‌بینی رویدادها خطرناک است.

برای شروع، باری خاطرنشان کرد، اولین برخورد کروناویروس با بشر، رکورد تاریخی طولانی مورد نیاز برای آزمایش کامل دقت مدل را ایجاد نکرده است. و بازه سه ساله این بیماری همه گیر، زمان کمی را برای محققان فراهم کرده است تا “سر و صدای” را که هنگام ریختن داده های زیادی در یک گلدان ایجاد می شود، تشخیص دهند.

CDC و ادارات بهداشت ایالتی تنها شروع به استفاده از تکنیک های اپیدمیولوژیک مانند توالی یابی ژنتیکی فیلودینامیک و نظارت بر فاضلاب برای نظارت بر گسترش ویروس کرونا کرده اند. سانتیلانا گفت که استفاده از یادگیری ماشینی برای پیش‌بینی مکان افزایش‌های ویروسی ممکن است جهشی دیگر برای این آژانس‌ها داشته باشد.

در واقع، پذیرش ابزارهای هشدار اولیه مانند ابزاری که توسط گروه سانتیلانا ساخته شده است، می‌تواند نیازمند جهش‌های ایمانی نیز باشد. همانطور که برنامه‌های رایانه‌ای حجم وسیعی از داده‌ها را هضم می‌کنند و شروع به تشخیص الگوهایی می‌کنند که می‌توانند آشکار شوند، اغلب «ویژگی‌های» شگفت‌انگیزی ایجاد می‌کنند – متغیرها یا عبارات جستجویی که به پیش‌بینی یک رویداد مهم، مانند موج ویروسی کمک می‌کنند.

حتی اگر ثابت شود که این تابلوهای راهنما آشکار چنین رویدادی را به طور دقیق پیش‌بینی می‌کنند، ارتباط آنها با یک وضعیت اضطراری بهداشت عمومی ممکن است فوراً مشخص نباشد. یک سیگنال غافلگیرکننده ممکن است اولین نشانه یک روند جدید باشد – برای مثال یک علامت قبلاً دیده نشده ناشی از یک نوع جدید. اما همچنین ممکن است برای مقامات بهداشت عمومی آنقدر تصادفی به نظر برسد که توانایی یک برنامه برای پیش‌بینی شیوع قریب الوقوع را مورد تردید قرار دهد.

سانتیلانا، که در دانشکده بهداشت عمومی هاروارد نیز تدریس می‌کند، گفت که بازبینان کارهای اولیه گروهش با شک و تردید به تعدادی از سیگنال‌هایی که به‌عنوان نشانه‌های هشداردهنده شیوع آینده ظاهر می‌شوند، پاسخ دادند. سانتیلانا گفت که یکی از آنها – توییت‌هایی که به «خرید وحشت‌زده» اشاره می‌کنند – مانند سیگنال اشتباهی از ماشین‌هایی به نظر می‌رسید که به یک رویداد تصادفی چسبیده بودند و به آن معنا می‌دادند.

او از گنجاندن سیگنال “خرید وحشت” به عنوان نشانه آشکار شیوع محلی قریب الوقوع دفاع کرد. (به هر حال، روزهای ابتدایی همه‌گیری با کمبود اقلام اصلی از جمله برنج و دستمال توالت همراه بود.) اما او اذعان کرد که یک سیستم هشدار اولیه که بیش از حد “جعبه سیاه” است می‌تواند با مقاومت مقامات بهداشت عمومی روبرو شود. که باید به پیش بینی های آن اعتماد کند.

سانتیلانا گفت: “من فکر می کنم ترس تصمیم گیرندگان یک نگرانی قانونی است.” “وقتی سیگنالی را پیدا می کنیم، باید قابل اعتماد باشد.”