تحقیقات نشان می دهد که یک رویکرد پیش بینی جدید با استفاده از یادگیری ماشین و مجموعه داده های ناشناس می تواند انقلابی در ردیابی بیماری های عفونی ایجاد کند –

در ژانویه گذشته، زمانی که مدل‌ها هشدار دادند که عفونت‌های ایالات متحده به افزایش خود ادامه خواهد داد، در عوض موارد ابتلا به آن کاهش یافت. در ماه جولای، همانطور که پیش‌بینی‌ها نشان می‌داد که عفونت‌ها مسطح می‌شوند، نوع دلتا افزایش یافت و سازمان‌های بهداشت عمومی را مجبور به بازگرداندن ماسک‌ها و اقدامات فاصله‌گذاری اجتماعی کرد.

مرتضی کریم زاده، دانشمند داده های جغرافیایی، استادیار جغرافیا در CU Boulder می گوید: «مدل های پیش بینی موجود عموماً نوسانات و قله های بزرگ را پیش بینی نمی کردند. زمانی که ما بیشتر به آنها نیاز داشتیم شکست خوردند.»

تحقیقات جدید کریم زاده و همکارانش رویکرد جدیدی را پیشنهاد می‌کند که با استفاده از هوش مصنوعی و مجموعه داده‌های بی‌نام و گسترده از فیس‌بوک، نه تنها می‌توان پیش‌بینی‌های دقیق‌تری برای COVID-19 ارائه کرد، بلکه روش ردیابی سایر بیماری‌های عفونی از جمله آنفولانزا را نیز متحول کرد.

یافته های آنها، منتشر شده در مجله بین المللی علوم داده و تجزیه و تحلیلنتیجه گیری کنید که این روش پیش بینی کوتاه مدت به طور قابل توجهی بهتر از مدل های مرسوم برای پیش بینی روند کووید در سطح شهرستان عمل می کند.

تیم کریم زاده اکنون یکی از ده ها نفر از جمله تیم هایی از دانشگاه کلمبیا و موسسه فناوری ماساچوست (MIT) هستند که پیش بینی های هفتگی را به مرکز پیش بینی COVID-19 ارائه می کنند، مخزنی که بهترین داده های ممکن را برای ایجاد یک “پیش بینی گروهی” جمع آوری می کند. ” برای مراکز کنترل بیماری. پیش‌بینی‌های آن‌ها معمولاً هر هفته از نظر دقت در دو رتبه اول قرار می‌گیرند.

کریم زاده گفت: «وقتی نوبت به پیش‌بینی در سطح شهرستان می‌رسد، متوجه می‌شویم که مدل‌های ما به‌صورت دست‌پایین، بهتر از بسیاری از مدل‌های موجود در بازار کار می‌کنند.

تجزیه و تحلیل دوستی ها برای پیش بینی شیوع ویروسی

بیشتر تکنیک‌های پیش‌بینی کووید که امروزه مورد استفاده قرار می‌گیرند، وابسته به چیزی است که به عنوان «مدل بخشی» شناخته می‌شود. به بیان ساده، مدل‌سازان آخرین اعدادی را که می‌توانند در مورد جمعیت‌های آلوده و مستعد به‌دست آورند (بر اساس گزارش‌های هفتگی عفونت، بستری شدن در بیمارستان، مرگ و میر و واکسیناسیون) می‌گیرند، آن‌ها را به یک مدل ریاضی متصل می‌کنند و اعداد را خرد می‌کنند تا اتفاقات بعدی را پیش‌بینی کنند.

این روش‌ها برای دهه‌ها با موفقیت قابل قبولی مورد استفاده قرار گرفته‌اند، اما در پیش‌بینی موج‌های کووید محلی کوتاهی کرده‌اند، تا حدی به این دلیل که نمی‌توانند به راحتی نحوه رفت و آمد مردم را در نظر بگیرند.

اینجاست که داده های فیسبوک وارد می شود.

تیم کریم زاده از داده های تولید شده توسط فیس بوک و به دست آمده از دستگاه های تلفن همراه استفاده می کند تا بفهمد که چقدر مردم از شهرستانی به شهرستان دیگر سفر می کنند و تا چه حد مردم در شهرستان های مختلف در رسانه های اجتماعی با هم دوست هستند. این مهم است زیرا رفتار افراد در اطراف دوستان متفاوت است.

کریم زاده گفت: «افراد ممکن است هنگام رفتن به محل کار یا خرید، نقاب بپوشند و فاصله اجتماعی را رعایت کنند، اما ممکن است هنگام گذراندن وقت با دوستان، فاصله اجتماعی یا ماسک را رعایت نکنند.

به عنوان مثال، همه این موارد می تواند بر میزان شیوع بیماری در شهرستان دنور به شهرستان بولدر تأثیر بگذارد. اغلب، شهرستان هایی که در کنار یکدیگر نیستند می توانند به شدت بر یکدیگر تأثیر بگذارند.

در مقاله قبلی در ارتباطات طبیعت، تیم دریافتند که داده‌های رسانه‌های اجتماعی ابزار بهتری برای پیش‌بینی شیوع ویروسی نسبت به نظارت ساده بر حرکت افراد از طریق تلفن‌های همراهشان است. با 2 میلیارد کاربر فیس بوک در سراسر جهان، داده های فراوانی برای استخراج وجود دارد، حتی در مناطق دورافتاده جهان که داده های تلفن همراه در دسترس نیست.

کریم زاده تاکید کرد: قابل ذکر است که داده ها از حریم خصوصی محافظت می شود.

“ما به صورت جداگانه کسی را ردیابی نمی کنیم.”

وعده هوش مصنوعی

خود این مدل نیز جدید است، زیرا بر تکنیک‌های یادگیری ماشینی تثبیت‌شده برای بهبود خود در زمان واقعی استوار است، و روندهای در حال تغییر در اعدادی را به تصویر می‌کشد که مواردی مانند قفل‌های جدید، کاهش مصونیت یا سیاست‌های پوشاندن را منعکس می‌کنند.

در یک افق پیش‌بینی چهار هفته‌ای، این مدل به طور متوسط ​​50 مورد در هر شهرستان دقیق‌تر از پیش‌بینی مجموعه از مرکز پیش‌بینی کووید-19 بود.

او گفت: «این مدل از شرایط گذشته برای پیش‌بینی آینده درس می‌گیرد و دائماً در حال بهبود است.

Thoai Ngo، معاون تحقیقات علوم اجتماعی و رفتاری برای شورای جمعیت غیرانتفاعی، که به تامین مالی این تحقیق کمک کرد، گفت که پیش‌بینی دقیق برای جلب اعتماد عمومی، اطمینان از اینکه جوامع آزمایش‌ها و تخت‌های بیمارستانی کافی برای افزایش موج‌ها دارند و سیاست‌گذاران را قادر می‌سازد که قبل از اینکه دیر شود، چیزهایی مانند دستورات ماسک را اجرا کنید.” انگو گفت: “جهان با COVID-19 بازی می کند. ما همیشه 10 قدم عقب هستیم.”

انگو گفت که مدل های سنتی بدون شک نقاط قوت خود را دارند، اما، در آینده، او مایل است آنها را با روش های جدیدتر هوش مصنوعی ترکیب کند تا از مزایای منحصر به فرد هر دو بهره مند شود.

او و کریم زاده اکنون از تکنیک های پیش بینی جدید خود برای پیش بینی میزان بستری شدن در بیمارستان استفاده می کنند، که به گفته آنها تماشای آن با بومی شدن ویروس مفیدتر خواهد بود.

کریم زاده می گوید: «هوش مصنوعی همه چیز را متحول کرده است، از نحوه تعامل ما با تلفن هایمان گرفته تا توسعه وسایل نقلیه خودران، اما ما واقعاً در زمینه پیش بینی بیماری از آن همه استفاده نکرده ایم. پتانسیل های بکر زیادی در آنجا وجود دارد.

از دیگر دست اندرکاران این پژوهش می توان به: بنجامین لوکاس، دانشیار پژوهشی فوق دکتری گروه جغرافیا، بهزاد واحدی، دانشجوی دکتری گروه جغرافیا، و حمیدرضا زورقین، کارشناس پژوهشی شورای جمعیت، اشاره کرد.