Oμάδα μηχανικών στο MIT έχει αναπτύξει ένα μοντέλο που χρησιμοποιεί δεδομένα από την πανδημία Covid-19 για να προσδιορίσει την αποτελεσματικότητα των μέτρων καραντίνας και να προβλέψει καλύτερα την εξάπλωση του ιού.
Πρόκειται για προσπάθεια που γεννήθηκε σε ένα από τα μαθήματα του Καθηγητή Μηχανικής του ΜΙΤ Γιώργου Μπαρμπαστάθη, ο οποίος στις αρχές Φεβρουαρίου πρότεινε στους φοιτητές του να εφαρμόσουν τις αρχές της μηχανικής μάθησης στον COVID-19, ο οποίος είχε μόλις ξεκινήσει να εξαπλώνεται. Την ευκαιρία άδραξε ο Raj Dandekar, διδακτορικός φοιτητής Πολιτικής και Περιβαλλοντικής μηχανικής, ο οποίος σε συνεργασία με τον καθηγητή του ανέπτυξε ένα μοντέλο σχετικά με την αποτελεσματικότητα των μέτρων της καραντίνας.
Τα περισσότερα μοντέλα που χρησιμοποιούνται για την πρόβλεψη της εξάπλωσης μιας ασθένειας ακολουθούν αυτό που είναι γνωστό ως μοντέλο SEIR, το οποίο ομαδοποιεί τους ανθρώπους σε «ευάλωτους», «εκτεθειμένους», «μολυσμένους» και «ιαθέντες». Ο Δρ Μπαρμπαστάθης μαζί με τον Dandekar βελτίωσαν το μοντέλο SEIR εκπαιδεύοντας ένα νευρωνικό δίκτυο για να συμπεριλάβουν τον αριθμό των μολυσμένων ατόμων που βρίσκονται σε καραντίνα, και ως εκ τούτου δεν διαδίδουν πλέον τη μόλυνση σε άλλους.
Συγκεκριμένα, μελέτησαν δεδομένα από την Wuhan της Κίνας, την Ιταλία, την Νότια Κορέα και των ΗΠΑ. Χρησιμοποιώντας αυτό το μοντέλο, η ερευνητική ομάδα μπόρεσε να αποτυπώσει την άμεση συσχέτιση μεταξύ των μέτρων καραντίνας και της μείωσης του πραγματικού αριθμού αναπαραγωγής του ιού.
Η ομάδα σχεδιάζει να μοιραστεί το μοντέλο με άλλους ερευνητές με την ελπίδα ότι μπορεί να βοηθήσει στην επικοινωνία των στρατηγικών της καραντίνας που μπορούν να επιβραδύνουν επιτυχώς τον ρυθμό μόλυνσης.
Διαβάστε συνέντευξη του Δρ Μπαρμπαστάθη:
- Μπορείτε να μας περιγράψετε το ερευνητικό σας έργο πριν από την εκδήλωση της πανδημίας; Πώς το εργαστήριό σας συμμετέχει στις έρευνες για τον COVID-19;
To έργο μου αφορά στην οπτική απεικόνιση και την επεξεργασία οπτικών πληροφοριών, δίνοντας έμφαση σε ορισμένες κατηγορίες αλγορίθμων μηχανικής μάθησης για τη μείωση των επιπτώσεων του θορύβου στα πρωτογενή δεδομένα εικόνας. Ενδιαφερόμαστε για εφαρμογές αυτών των οπτικών και υπολογιστικών μεθόδων στην ιατρική απεικόνιση, τον ολοκληρωμένο έλεγχο κυκλωμάτων και την κατασκευή κυττάρων και φαρμάκων. Είχαμε την ευκαιρία να εξετάσουμε τον Covid στο πλαίσιο ενός μαθήματος που δίδαξα για τη μηχανική μάθηση. Το μάθημα ξεκίνησε στις αρχές Φεβρουαρίου, όταν οι ειδήσεις για τον κορονοϊό διαδόθηκαν παγκοσμίως, και το πρότεινα στους μαθητές μου ως θέμα για τις τελικές τους εργασίες. Αρκετοί μαθητές άδραξαν την ευκαιρία, και το μοντέλο που έχουμε δημοσιεύσει ήταν το αποτέλεσμα αυτών των προσπαθειών. Υπάρχουν κι άλλες σε εξέλιξη.
Επομένως, η συμμετοχή μας στην έρευνα του Covid-19 έγινε με φυσικό τρόπο: τυχαία είχαμε ένα συγκεκριμένο επίπεδο εμπειρογνωμοσύνης στη μηχανική μάθηση σε ένα εντελώς διαφορετικό πλαίσιο και βρήκαμε έναν τρόπο να το χρησιμοποιήσουμε για εφαρμογή στην τρέχουσα κατάσταση.
- Είναι τα μαθηματικά μοντέλα ικανά να μάς εξηγήσουν το μέλλον ενός ιού;
Παραθέτοντας τον διάσημο στατιστικολόγο George Box (1919-2013): "Όλα τα μοντέλα είναι λανθασμένα, μερικά είναι χρήσιμα." Προσπαθήσαμε να κάνουμε το μοντέλο μας χρήσιμο χρησιμοποιώντας πρώιμα δεδομένα από την τρέχουσα επιδημία για να προβλέψουμε το μέλλον της ίδιας επιδημίας. Αυτή ήταν η καινοτομία στην προσέγγισή μας.
- Επαληθεύονται προς το παρόν οι εκτιμήσεις σας για την Αμερική, βάσει του μοντέλου που έχετε αναπτύξει;
Μέχρι στιγμής, περίπου ναι. Η καμπύλη πρόβλεψης που δημιουργήθηκε από το μοντέλο μας στις 5 Απριλίου για τις ΗΠΑ φαίνεται να κινείται στα ίδια επίπεδα με τα πραγματικά δεδομένα για νέες μολύνσεις, μέχρι σήμερα.
- Έχετε εξετάσει και το ενδεχόμενο χαλάρωσης των μέτρων στις περιοχές ενδιαφέροντος. Τι συνέπειες θα μπορούσε να επιφέρει προώρη άρση των μέτρων;
Εξετάσαμε τι θα συνέβαινε στις ΗΠΑ εάν οι τρέχουσες πολιτικές, που συνοψίζονται στη λογική “μένουμε σπίτι”, είχαν χαλαρώσει στις 5 Απριλίου. Διαπιστώσαμε ότι οι λοιμώξεις θα αυξάνονταν εκθετικά και πάλι. Ευτυχώς, αυτό δεν συνέβη.
- Όπως ίσως γνωρίζετε, η Ελλάδα ετοιμάζεται για σταδιακή άρση των μέτρων μέσα στο Μάιο. Τι μπορούμε να μάθουμε από αυτό το μοντέλο για την έξοδο από την καραντίνα;
Παρακολουθώ τα γεγονότα στην Ελλάδα μόνο εξ αποστάσεως μέσω των ειδήσεων. Δεν μπορώ να σχολιάσω την ελληνική διαχείριση της καραντίνας, καθώς δεν έχουμε συμπεριλάβει την Ελλάδα στο μοντέλο μας.
Σε γενικές γραμμές, και τονίζω το «γενικές»: εάν υπάρχουν πολλά άτομα που έχουν μολυνθεί, τα οποία δεν είναι καταγεγραμμένα, μετά τη χαλάρωση των μέτρων, υπάρχει σοβαρό ενδεχόμενο οι νέες μολύνσεις να αρχίσουν να αυξάνονται και πάλι και μπορεί να καταστεί απαραίτητη μια δεύτερη καραντίνα. Προφανώς, η περιοχή του Χοκάιντο στην Ιαπωνία είναι το απόλυτο παράδειγμα προς αποφυγή. Επομένως, οι εκτεταμένοι έλεγχοι είναι εξαιρετικά σημαντικοί
Πάντως, ο κώδικάς μας είναι διαθέσιμος στο κοινό και άλλοι ερευνητές είναι ευπρόσδεκτοι να τον κατεβάσουν και να τον δοκιμάσουν, για παράδειγμα, με ελληνικά ή περιφερειακά δεδομένα. Εδώ είναι ο σύνδεσμος.
Ποια είναι τα επόμενα βήματα στις έρευνές σας;
Το μοντέλο που είδατε ισχύει σε επίπεδο περιοχής ή χώρας. Προσπαθούμε να αναπτύξουμε πιο αναλυτικά μοντέλα που θα ισχύουν και για μικρότερες κοινότητες, π.χ. πόλεις, κομητείες και χωριά. Ένα προκαταρκτικό παράδειγμα είναι εδώ.
Ποια είναι η τελευταία Καλή Είδηση που ακούσατε;
Ότι τις τελευταίες μέρες ο καιρός στη Βοστώνη είναι καλός! Οπότε μπορώ να πηγαίνω έξω για μια βόλτα, φυσικά φορώντας μάσκα και αποφεύγοντας άλλους ανθρώπους σε απόσταση τουλάχιστον έξι μέτρων, χωρίς να αγγίζω επιφάνειες εκτός σπιτιού όσο είναι δυνατόν.
Από επιστημονικής άποψης, διάβασα στην εφημερίδα ότι μία από τις μεγαλύτερες φαρμακευτικές εταιρείες, αφού τεθούν σε εφαρμογή οι κατάλληλες διαδικασίες δεοντολογίας, ενδέχεται να ξεκινήσει σύντομα δοκιμές για την ανάπτυξη εμβολίου. Υποθέτοντας ότι πράγματι οι δοκιμές σε ανθρώπους σε αυτό το στάδιο γίνονται με αυστηρούς κανόνες και έχουν την έγκριση των ειδικών στη βιοηθική, τότε αυτά είναι πράγματι καλά νέα!
