แมชชีนเลิร์นนิงสามารถช่วยชะลอการแพร่ระบาดได้

แมชชีนเลิร์นนิงสามารถช่วยชะลอการแพร่ระบาดได้

แมชชีนเลิร์นนิงสามารถช่วยหยุดการแพร่ระบาดในอนาคตได้ด้วยการระบุว่าบุคคลใดควรได้รับการตรวจหาโรค นั่นคือการค้นพบของนักฟิสิกส์ที่มหาวิทยาลัยโกเธนบอร์ก ประเทศสวีเดน และ CNR-IPCF ประเทศอิตาลี ซึ่งวิธีการที่ได้รับโครงข่ายประสาทเทียมได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพมากกว่ากลยุทธ์การติดตามผู้สัมผัสแบบมาตรฐานในการยับยั้งการระบาดที่จำลองขึ้น แม้ว่าแบบจำลอง

จะยังไม่ได้

รับการทดสอบภายใต้สถานการณ์จริง แต่ผู้เขียนนำกล่าวว่าอาจมีประโยชน์อย่างยิ่งในช่วงแรกของการแพร่ระบาด ซึ่งเป็นช่วงที่การทดสอบหายากและไม่ค่อยมีใครรู้ว่าโรคชนิดใหม่แพร่กระจายอย่างไร ในการศึกษาของพวกเขา นาตาลีและเพื่อนร่วมงานเริ่มต้นด้วยการแบ่งประชากรจำลอง 100,000 คน

ออกเป็นสามกลุ่ม ได้แก่ กลุ่มที่ไวต่อโรค (S) กลุ่มที่ติดเชื้อ (I) และกลุ่มที่หายดีแล้ว (R) ในระหว่างการจำลอง บุคคลเหล่านี้จะเคลื่อนที่แบบสุ่มไปรอบ ๆ ส่วนย่อยของโครงตาข่ายขนาด 320 x 320 ของเซลล์ ในแต่ละขั้นตอนของเวลา บุคคลที่อยู่ภายในรัศมีที่กำหนดของผู้ติดเชื้อมีโอกาสβที่จะติดเชื้อ 

และความน่าจะเป็น γ ที่จะฟื้นตัวและมีภูมิคุ้มกันหลังจากนั้น เพื่อจับผลกระทบของพาหะนำโรคที่ไม่แสดงอาการ  ลักษณะสำคัญของการระบาดใหญ่ของโควิด-19 นักวิจัยกำหนดอุณหภูมิจำลองให้กับแต่ละคน โดยเฉลี่ยแล้วอุณหภูมิของผู้ติดเชื้อจะสูงกว่าคนที่มีสุขภาพดี อย่างไรก็ตาม การกระจายตัว

ของอุณหภูมิ “สุขภาพดี” และ “ติดเชื้อ” ทับซ้อนกันอย่างมาก ทำให้ไม่สามารถระบุสถานะของแต่ละบุคคลได้ด้วยอุณหภูมิเพียงอย่างเดียว ซึ่งหมายความว่าจำเป็นต้องมีการทดสอบเพื่อระบุว่าบุคคลใดติดเชื้อ แบบจำลองสันนิษฐานว่าการทดสอบเหล่านี้มีความแม่นยำ แต่ไม่สามารถใช้ได้อย่างกว้างขวาง 

เช่น จำนวนบุคคลที่สามารถทดสอบได้ (และหากติดเชื้อ แยกตัว) ในแต่ละขั้นตอนtจะน้อยกว่าจำนวนประชากรทั้งหมดเสมอกลยุทธ์ต่างกัน ผลลัพธ์ก็ต่างกัน เมื่อใช้แบบจำลองนี้ นักวิจัยได้สำรวจสถานการณ์ที่เป็นไปได้ 4 สถานการณ์ ในตอนแรก โรคนี้แพร่ระบาดอย่างไร้การควบคุมผ่านประชากร 

โดยไม่มี

มาตรการควบคุม ที่t =150 เกือบทุกคนในสถานการณ์นี้ติดเชื้อ ในสถานการณ์ที่สอง นักวิจัยมุ่งเน้นไปที่ความสามารถในการทดสอบที่จำกัดของพวกเขากับบุคคลที่มีการติดต่อมากที่สุด (หมายถึงอยู่ในเซลล์เดียวกัน) กับคนอื่นๆ ที่เคยมีผลการทดสอบเป็นบวก โดยใช้ข้อมูลอุณหภูมิเพื่อทำลายความสัมพันธ์ใดๆ 

ตั้งแต่เวลาt = 20 เป็นต้นไป บุคคลทั้งหมดที่ทดสอบผลบวกภายใต้กลยุทธ์นี้จะถูก “แช่แข็ง” ในสถานที่ และไม่ได้รับอนุญาตให้โต้ตอบกับผู้อื่น สถานการณ์นี้อิงตามวิธีการติดตามผู้สัมผัสมาตรฐาน และทำให้อัตราการติดเชื้อสูงสุดต่ำกว่ามาก ถึงกระนั้น โรคนี้ก็ยังไม่ถูกกำจัด: ที่t =150, ประมาณ 20%

ของประชากรยังคงติดเชื้อ ดังนั้นจึงสามารถส่งต่อไปยังบุคคลที่อ่อนแอที่เหลือได้ สถานการณ์ที่สามเลียนแบบการล็อกดาวน์ที่เข้มงวดซึ่งหลายประเทศนำมาใช้เพื่อต่อสู้กับการแพร่กระจายของไวรัสโคโรนา ซึ่งเป็นสาเหตุของโควิด-19 จากt= 20 บุคคลทั้งหมดในสถานการณ์ “ล็อกดาวน์” ถูกแช่แข็ง

อยู่กับที่ 

การกระทำที่รุนแรงนี้ การแยกประชากรทั้งหมดในคราวเดียว ทำให้อัตราการติดเชื้อต่ำมากและกำจัดโรคโดยสิ้นเชิงที่t =120 อย่างไรก็ตาม นักวิจัยสังเกตว่าการกักกันแบบครอบคลุมดังกล่าวจะ “ไม่สมจริง” ในทางปฏิบัติ เข้าเครื่องในสถานการณ์สุดท้าย และเพื่อนร่วมงานสำรวจว่าเป็นไปได้หรือไม่

ที่จะกำจัดโรคในขณะที่แยกประชากรเพียงบางส่วน ด้วยเหตุนี้ พวกเขาจึงใช้โครงข่ายประสาทเทียมเพื่อเลือกบุคคลที่จะทดสอบ “โดยทั่วไปแล้ว โครงข่ายประสาทเทียมจะรับข้อมูลเข้าบางส่วน อธิบายเพิ่มเติมผ่านชุดของเซลล์ประสาทเทียมที่ซ่อนอยู่หลายชั้น แล้วส่งกลับผลลัพธ์ออกมา” พวกเขาอธิบาย 

“ในกรณีของเรา อินพุตประกอบด้วยข้อมูลการติดตามผู้สัมผัสสำหรับแต่ละบุคคลnสำหรับ 10 ขั้นตอนล่าสุด” ขึ้นอยู่กับจำนวนผู้ติดเชื้อที่ทราบภายในระยะต่างๆ ของบุคคลnจำนวนการติดต่อจริงระหว่างnกับผู้ติดเชื้อที่รู้จักเหล่านี้ และจำนวนผู้ติดต่อทั้งหมดของn โครงข่ายประสาทเทียมจะแสดงค่า p : 

เพื่อเพิ่มความแม่นยำของการคาดคะเนของเครือข่าย นักวิจัย “ฝึกฝน” เครือข่ายโดยใช้ข้อมูลจากt =20 เมื่อการทดสอบเริ่มต้นขึ้น ต้องขอบคุณการฝึกอบรมนี้ พลังการทำนายของเครือข่ายดีขึ้นเมื่อเวลาผ่านไป ด้วยผลลัพธ์ที่โดดเด่น: อัตราการติดเชื้อสูงสุดที่ 5.1% ของประชากร และลดลงอย่างรวดเร็ว

จนเหลือศูนย์หลังจากนั้น แม้ว่าจะมีประชากรไม่เกิน 25% ที่โดดเดี่ยวก็ตาม “เราแสดงให้เห็นว่ามีความเป็นไปได้ที่จะใช้ข้อมูลที่ค่อนข้างเรียบง่ายและจำกัดในการคาดการณ์ว่าใครจะได้รับประโยชน์สูงสุดในการทดสอบ” “สิ่งนี้ช่วยให้สามารถใช้ทรัพยากรการทดสอบที่มีอยู่ได้ดีขึ้น”

ปรับตัวได้สูง นักวิจัยทราบว่าเครือข่ายของพวกเขาไม่ได้ตั้งสมมติฐานเกี่ยวกับโรคหรือแบบจำลอง SIR (อ่อนแอ ติดเชื้อ และหายเป็นปกติ) พวกเขาอ้างว่าสิ่งนี้หมายความว่าควรปรับการคาดการณ์โดยอัตโนมัติให้เข้ากับโรคระบาดที่มีพลวัตที่ซับซ้อนมากขึ้น เช่น โรคที่มีระยะฟักตัว ความล่าช้าในกระบวนการ

ทดสอบ หรือรูปแบบการเคลื่อนไหวที่แตกต่างกันของแต่ละบุคคล และเพื่อนร่วมงานแสดงให้เห็นว่าแบบจำลองของพวกเขายังมีประสิทธิภาพในการยับยั้งการแพร่ระบาดเมื่อบุคคลสามารถติดโรคได้มากกว่าหนึ่งครั้ง “ในกรณีของการสร้างภูมิคุ้มกันโรคชั่วคราว กลยุทธ์ที่ได้รับข้อมูลจากเครือข่ายประสาท

สามารถป้องกันการระบาดของโรคไม่ให้กลายเป็นโรคเฉพาะถิ่นได้” พวกเขาสรุป ความน่าจะเป็นที่บุคคลnติดเชื้อ ถ้าp = 0 ถือว่ามีสุขภาพดี ถ้า p>0.995 พวกมันจะถูกแยกทันที ค่าระหว่าง 0.5 ถึง 0.995 หมายความว่ามีการจัดลำดับความสำคัญสำหรับการทดสอบ โดยเริ่มจากบุคคลที่แสดงอุณหภูมิสูงสุด

จนกว่าการทดสอบที่มีอยู่ทั้งหมดจะหมดลง

credit : เว็บแท้ / ดัมมี่ออนไลน์