Maskinlæringsalgoritme kvantificerer virkningen af ​​karantæneforanstaltninger på spredning af COVID-19

Hver dag i de sidste par uger, diagrammer og grafer, der viser det forventede toppunkt for COVID-19-infektioner, er blevet sprøjtet ud over aviser og kabelnyheder. Mange af disse modeller er blevet bygget ved hjælp af data fra undersøgelser af tidligere udbrud som SARS eller MERS. Nu, et team af ingeniører ved MIT har udviklet en model, der bruger data fra COVID-19-pandemien i forbindelse med et neuralt netværk til at bestemme effektiviteten af ​​karantæneforanstaltninger og bedre forudsige spredningen af ​​virussen.

"Vores model er den første, der bruger data fra selve coronavirus og integrerer to felter:maskinlæring og standard epidemiologi, " forklarer Raj Dandekar, en ph.d. kandidat studerer civil- og miljøteknik. Sammen med George Barbastathis, professor i maskinteknik, Dandekar har brugt de seneste måneder på at udvikle modellen som en del af afgangsprojektet i klasse 2.168 (Learning Machines).

De fleste modeller, der bruges til at forudsige spredningen af ​​en sygdom, følger det, der er kendt som SEIR-modellen, som grupperer mennesker i "modtagelige, " "udsat, " "inficeret, "og "kom sig." Dandekar og Barbastathis forbedrede SEIR-modellen ved at træne et neuralt netværk til at fange antallet af inficerede individer, der er i karantæne, og spreder derfor ikke længere smitten til andre.

Modellen finder, at steder som Sydkorea, hvor der var øjeblikkelig regeringsindgreb i at implementere stærke karantæneforanstaltninger, virusspredningen plateau hurtigere. På steder, der var langsommere til at gennemføre regeringsindgreb, som Italien og USA, det "effektive reproduktionsnummer" af COVID-19 forbliver større end én, hvilket betyder, at virussen er fortsat med at sprede sig eksponentielt.

Maskinlæringsalgoritmen viser, at med de nuværende karantæneforanstaltninger på plads, plateauet for både Italien og USA ankommer et sted mellem 15.-20. april. Denne forudsigelse ligner andre fremskrivninger, som f.eks. Institute for Health Metrics and Evaluation.

"Vores model viser, at karantænebegrænsninger har succes med at få det effektive reproduktionstal fra større end én til mindre end én, " siger Barbastathis. "Det svarer til det punkt, hvor vi kan flade kurven ud og begynde at se færre infektioner."

Kvantificering af virkningen af ​​karantæne

I begyndelsen af ​​februar, da nyheder om virussens bekymrende infektionsrate begyndte at dominere overskrifter, Barbastathis foreslog et projekt til elever i klasse 2.168. I slutningen af ​​hvert semester, eleverne i klassen har til opgave at udvikle en fysisk model for et problem i den virkelige verden og udvikle en maskinlæringsalgoritme til at løse det. Han foreslog, at et hold studerende skulle arbejde på at kortlægge spredningen af ​​det, der dengang blot var kendt som "coronavirus".

"Eleverne kastede sig over muligheden for at arbejde på coronavirus, med det samme at ønske at tackle et aktuelt problem på typisk MIT-måde, " tilføjer Barbastathis.

En af disse elever var Dandekar. "Projektet interesserede mig virkelig, fordi jeg fik brugt dette nye felt af videnskabelig maskinlæring på et meget presserende problem, " han siger.

Da COVID-19 begyndte at sprede sig over hele kloden, omfanget af projektet udvidet. Hvad der oprindeligt var startet som et projekt, der kun kiggede på spredning i Wuhan, Kina voksede til også at omfatte spredningen i Italien, Sydkorea, og USA.

Duoen begyndte at modellere spredningen af ​​virussen i hver af disse fire regioner, efter at det 500. tilfælde blev registreret. Denne milepæl markerede en klar afgrænsning af, hvordan forskellige regeringer implementerede karantæneordrer.

Bevæbnet med præcise data fra hvert af disse lande, forskerholdet tog standard SEIR-modellen og udvidede den med et neuralt netværk, der lærer, hvordan inficerede personer under karantæne påvirker infektionshastigheden. De trænede det neurale netværk gennem 500 iterationer, så det derefter kunne lære sig selv at forudsige mønstre i infektionsspredningen.

Ved at bruge denne model, forskerholdet var i stand til at tegne en direkte sammenhæng mellem karantæneforanstaltninger og en reduktion i virussens effektive reproduktionstal.

"Det neurale netværk lærer det, vi kalder 'karantænekontrolstyrkefunktionen', '" forklarer Dandekar. I Sydkorea, hvor stærke foranstaltninger blev implementeret hurtigt, karantænekontrolstyrkefunktionen har været effektiv til at reducere antallet af nye infektioner. I USA, hvor karantæneforanstaltninger langsomt er blevet udrullet siden midten af ​​marts, det har været sværere at stoppe spredningen af ​​virussen.

Forudsigelse af "plateauet"

Efterhånden som antallet af sager i et bestemt land falder, prognosemodellen går fra et eksponentielt regime til et lineært. Italien begyndte at gå ind i dette lineære regime i begyndelsen af ​​april, med USA ikke langt bagefter.

Maskinlæringsalgoritmen Dandekar og Barbastathis har udviklet forudsagde, at USA vil begynde at skifte fra et eksponentielt regime til et lineært regime i den første uge af april, med en stagnation i antallet af inficerede tilfælde sandsynligvis mellem 15. april og 20. april. Det tyder også på, at infektionstallet vil nå 600, 000 i USA, før infektionsraten begynder at stagnere.

"Dette er et virkelig afgørende tidspunkt. Hvis vi slækker på karantæneforanstaltninger, det kan føre til katastrofe, " siger Barbastathis.

Ifølge Barbastathis, man behøver kun at se til Singapore for at se de farer, der kan stamme fra afslappende karantæneforanstaltninger for hurtigt. Mens holdet ikke studerede Singapores COVID-19-tilfælde i deres forskning, den anden bølge af infektion, som dette land i øjeblikket oplever, afspejler deres models konklusion om sammenhængen mellem karantæneforanstaltninger og infektionsraten.

"Hvis USA skulle følge den samme politik med at lempe karantæneforanstaltningerne for tidligt, vi har forudsagt, at konsekvenserne ville være langt mere katastrofale, " tilføjer Barbastathis.

Holdet planlægger at dele modellen med andre forskere i håb om, at den kan hjælpe med at informere COVID-19-karantænestrategier, der med succes kan bremse infektionshastigheden.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.