Искусственный интеллект может стать одним из ключей к ограничению распространения инфекции в будущих пандемиях. В новом исследовании исследователи из Университета Гетеборга изучали, как машинное обучение можно использовать для поиска эффективных методов тестирования во время эпидемических вспышек, тем самым помогая лучше контролировать вспышки.
В ходе исследования исследователи разработали метод улучшения стратегий тестирования во время вспышек эпидемий и, обладая относительно ограниченной информацией , могут предсказать, какие люди обладают наибольшим потенциалом для тестирования.
«Это может быть первым шагом на пути к тому, чтобы общество могло лучше контролировать будущие крупные вспышки и уменьшить потребность в отключении общества», — говорит Лаура Натали, докторант физики в Университете Гетеборга и ведущий автор опубликованного исследования.
Моделирование показывает быстрый контроль над вспышкой
Машинное обучение — это тип искусственного интеллекта, который можно описать как математическую модель, в которой компьютеры обучаются видеть связи и решать проблемы с использованием различных наборов данных. Исследователи использовали машинное обучение в моделировании вспышки эпидемии, где информация о первых подтвержденных случаях использовалась для оценки инфекций среди остального населения. Использовались данные о сети контактов зараженного человека и другая информация: с кем он находился в тесном контакте, где и как долго.
«Согласно исследованию, вспышку можно быстро взять под контроль, если использовать этот метод, в то время как случайное тестирование приводит к неконтролируемому распространению вспышки среди гораздо большего числа инфицированных людей. В реальных условиях можно добавлять информацию, такую как демографические данные, возраст и связанные со здоровьем состояния, которые могут еще больше повысить эффективность метода. Тот же метод можно также использовать для предотвращения повторных инфекций среди населения, если иммунитет после болезни носит временный характер ».
Более точная локализация инфекции
Она подчеркивает, что исследование представляет собой моделирование и что тестирование с реальными данными необходимо для еще большего улучшения метода. В то же время она рассматривает это исследование как первый шаг к реализации более целенаправленных инициатив по сокращению распространения инфекции , поскольку стратегия тестирования на основе машинного обучения автоматически адаптируется к конкретным характеристикам заболевания. В качестве примера она упоминает возможность легко предсказать, следует ли тестировать определенную возрастную группу или является ли ограниченная географическая область зоной риска, например школа, община или конкретный район.
«Когда началась крупная вспышка , важно быстро и эффективно идентифицировать инфекционных лиц. При случайном тестировании существует значительный риск, что этого не удастся, но с более целенаправленной стратегией тестирования мы можем найти больше инфицированных людей и тем самым также получить необходимую информацию, чтобы уменьшить распространение инфекции. Мы показываем, что машинное обучение можно использовать для разработки стратегии тестирования этого типа », — говорит она.