الگوریتم پیش‌بینی موج‌های کرونا

ضربه به اقتصاد، بحران تمام‌عیار و جهانی شیوع نوع جدید ویروس کرونا در کشورهای مختلف است. هر کشوری هم مشکلات خاص خودش را دارد. در برخی ایالت‌های آمریکا کم یا زیاد کردن محدودیت‌های فاصله‌گذاری اجتماعی با کم و بیش شدن میزان موارد ابتلا رابطه نزدیکی دارد. اما نکته اصلی این است که وقتی 70درصد تخت‌های بیمارستانی با بیماران کووید-19 اشغال می‌شود، برای اعلام وضعیت قرمز در شهرها و ایالت‌ها دیگر دیر شده است. تاکنون موارد مرگ‌ومیر ویروس کرونا بسیار زیاد بوده است.
به‌گزارش نیویورک‌تایمز، دولتمردان ایالت‌هایی مانند فلوریدا، کالیفورنیا و تگزاس در روزهای اخیر دریافتند چنین معیارهایی تنها باعث هشدار‌های ضعیف می‌شود. وقتی ویروس کرونا به جان یک جمعیت می‌افتد و بیمارستان‌ها و آزمایشگاه‌ها و کلینیک‌ها را درگیر خود می‌کند، زمان زیادی می‌برد تا برای مقابله با آن کاری انجام داد و از شیوع بیشتر آن پیشگیری کرد.

ساخت یک مدل
حالا، یک تیم بین‌المللی از دانشمندان مدلی ساخته‌اند ـ یا حداقل الگویی از یک مدل ـ که می‌تواند 2 هفته قبل از بروز یک شیوع آن را پیش‌بینی کند. این بازه زمانی در ایجاد قوانین و مقررات و جلوگیری از شیوع افسارگسیخته بسیار مناسب است.
 در مقاله‌ای که در سایت arXiv.org به چاپ رسید، این تیم به رهبری مائوریتسیو سانتیلانا و نیکول گوگان از هاروارد، الگوریتمی را معرفی کرد‌ه‌اند که می‌تواند خطر را 14روز و حتی بیشتر، پیش از افزایش موارد ابتلا ثبت ‌کند. این سیستم با استفاده از نظارت زنده توییتر، جست‌وجوی گوگل و دیتای متحرک گوشی‌های هوشمند در کنار سایر اطلاعات به این قابلیت دست پیدا می‌کند.
به نوشته محققان این الگوریتم می‌تواند مانند یک ترموستات به فعال‌سازی‌ آرامش و پایداری مداخلات بهداشت عمومی کمک کند که به این ترتیب بازگشایی مجدد و برطرف شدن محدودیت‌ها راحت‌تر و امن‌تر خواهد بود.
دکتر سانتیلانا مدیر آزمایشگاه Machine Intelligence در بیمارستان کودکان بوستون و استادیار طب اطفال و اپیدمیولوژی در هاروارد می‌گوید: در بیشتر مدل‌های بیماری عفونی شما سناریوهای مختلفی را براساس فرضیات پیش ساخته طراحی می‌کنید. آنچه ما در اینجا انجام می‌دهیم، مشاهدات بدون فرضیات است. با این تفاوت که روش‌های ما به تغییرات سریع در رفتار جواب می‌دهد و می‌توانیم آن را به ثبت برسانیم.
کارشناسان می‌گویند که ارزش زمان حقیقی مانند شبکه‌های اجتماعی در پیشرفت مدل حاضر، به اثبات رسیده است. به گفته لارن آنکل میرز، زیشت شناس و آمارشناس دانشگاه تگزاس این مطالعه نشان داد که این جایگزین‌ها، با منبع اطلاعات ژن بعدی ممکن است سیگنال‌های جدیدی از افزایش شیوع کووید-19 فراهم کند. به‌ویژه اگر شمارش موارد ابتلای تأیید شده با تأخیر در درمان و گرفتن نتایج آزمایش عقب بیفتد.
روش استفاده از تجزیه اطلاعات زمان حقیقی برای سنجش پیشرفت بیماری به سال2008  بازمی‌گردد، زمانی که مهندسان گوگل با دنبال کردن کلمات و ترکیبات رایج جست‌وجو شده مانند احساس خستگی، درد مفاصل، دوز تامی فلو و... میزان مراجعه به پزشک برای سرماخوردگی را تخمین زدند.



عملکرد ضعیف
الگوریتم The Google Flu Trends همانطور که می‌دانید، بسیار ضعیف عمل کرد. طی ارزیابی‌های بعدی مشخص شد که به‌طور مستمر مراجعه به پزشک را بیش از حد تخمین زده بود؛ چرا که محدودیت‌های اطلاعاتی و تأثیر فاکتورهای خارجی را درنظر نگرفته بودند.
از آن زمان، محققان برای چنین رویکردی سازگاری‌های چندگانه ایجاد کردند و جست‌وجوی گوگل را با سایر اطلاعاتی از همان دست ترکیب کردند.
تیم‌هایی از دانشگاه کارنگی ملون، کالج لندن و تگزاس در میان سایرین، مدل‌هایی داشتند که در تجزیه و تحلیل‌های اطلاعات زمان حقیقی مشارکت داشت. مادهاو مارت، دانشمند کامپیوتر از دانشگاه ویرجینا می‌گوید: ما می‌دانیم که هیچ جریان داده‌ای جداگانه مفید نیست. انتشار این مقاله نشان می‌دهد که آنها جریان‌های خوب، وسیع و متنوعی دارند.
در یک مقاله جدید، این تیم داده‌های زمان واقعی را از 4منبع به علاوه گوگل مورد تجزیه و تحلیل قرار داد؛ توییت‌های مربوط به کووید، مکان جغرافیایی، جست‌وجوی پزشکان در پلتفرم مخصوص دکترها به نام UpToDate و اطلاعات متغیر ناشناس از گوشی‌های هوشمند. اینها به همراه آن دسته از جریان‌های اطلاعاتی با مدل پیچیده پیش‌بینی تولید شده در دانشگاه نورث ایسترن، بر پایه اینکه مردم چگونه در جوامع حرکت می‌کنند و با یکدیگر در ارتباط هستند ترکیب شد.
این تیم تحقیقاتی، تمام منابع داده خود را با هم ترکیب کرده و در واقع هر کدام را با توجه به میزان ارتباط آن با افزایش موارد ابتلا در آینده مورد بررسی قرار می‌دهد. طبق تحقیقات انجام شده این الگوریتم هماهنگ‌سازی‌ شده به ‌طور میانگین می‌تواند شیوع را در 21روز قبل پیش‌بینی کند. با این الگوریتم، پیش‌بینی می‌شود که اگر اقدامات بعدی صورت نگیرد، نبراسکا و نیوهمپشایر احتمالا در هفته‌های آینده شاهد افزایش موارد هستند، اگرچه تعداد موارد هم‌اکنون تغییری نداشته و ثابت است است.
دکتر سانتیلانا می‌گوید: من فکر می‌کنم با توجه به میزان تغییر رفتار ویروس کرونا، می‌توانیم انتظار داشته باشیم که این الگوریتم حداقل یک یا 2 هفته زودتر زمان شیوع بعدی را هشدار بدهد. او افزود: البته که از نظر ما این اطلاعات جایگزین نظارت سنتی نمی‌شود بلکه آن را تأیید می‌کند. این نوعی از اطلاعات است که به تصمیم‌گیرندگان این توانایی را می‌دهد خیلی زودتر دست به اقدامات پیشگیرانه بزنند. آژانس‌های بهداشت عمومی مانند مرکز کنترل و پیشگیری از بیماری‌ها که از اطلاعات زمان حقیقی شبکه‌های اجتماعی و سایر منابع مشاوره می‌گیرند، هنوز موفق نشده‌اند چنین الگوریتم مرکزی‌ای برای پیش‌بینی‌های خود بسازند.
شوتا بانسال، زیست‌شناس دانشگاه جورج تاون می‌گوید: داشتن این اطلاعات بسیار ارزشمند است. اما من نمی‌خواهم وارد این بازی پیش‌بینی شوم، ممکن است ضرر آن از فوایدش بیشتر باشد. ما به زمان نیاز داریم تا این مدل بتواند خودش را تأیید و اثبات کند.
به‌گفته کارشناسان با توجه به چالش‌های مداوم و مکرر ویروس کرونا و ناکافی بودن زیرساخت‌های بهداشت عمومی فعلی، ناموفق بودن این الگوریتم بعید نیست.


تأیید نظارت سنتی
با توجه به میزان تغییر رفتار ویروس کرونا، می‌توانیم انتظار داشته باشیم که الگوریتم جدید حداقل یک یا 2 هفته زودتر زمان شیوع بعدی را هشدار بدهد. البته که این اطلاعات جایگزین نظارت سنتی نمی‌شود بلکه آن را تأیید می‌کند


مانند یک ترموستات
محققان گفته‌اند که الگوریتم ابداعی آنها، می‌تواند مانند یک ترموستات به فعال‌سازی‌ آرامش و پایداری مداخلات بهداشت عمومی کمک کند که به این ترتیب بازگشایی مجدد و برطرف شدن محدودیت‌ها راحت‌تر و امن‌تر خواهد بود