Прогнозирование краткосрочного развития эпидемии с помощью машинного обучения
Исследователи из Университета Ватерлоо и Университета Далхаузи разработали метод прогнозирования краткосрочного развития эпидемии с использованием крайне ограниченного объема данных.
Их модель, Sparsity and Delay Embedding-based Forecasting model (SPADE4), применяет машинное обучение для предсказания хода эпидемии, используя только ограниченные данные об инфекциях. SPADE4 была протестирована как на смоделированных эпидемиях, так и на реальных данных по пятой волне пандемии COVID-19 в Канаде и успешно предсказала развитие эпидемий с 95% доверительной вероятностью. Исследование опубликовано в Bulletin of Mathematical Biology.
"COVID научил нас, что нам действительно нужны методы, которые могут предсказывать с наименьшим количеством информации", — сказала аспирант по прикладной математике Эша Саха, ведущий автор исследования. — "Если появляется новый вирус и тестирование только началось, мы должны знать, что делать в краткосрочной перспективе".
Когда происходит вспышка заболевания — будь то новая инфекция, как COVID-19, или существующая, как Эбола, — способность предсказать ее развитие крайне важна для принятия решений в области государственной политики.
"Это именно то, что нужно политикам в самом начале", — отметила Саха. — "Что нам делать в следующие семь дней? Как мне распределить ресурсы?"
Традиционно эпидемиологи предпочитают строить и использовать сложные модели для понимания развития эпидемий. Однако у этих моделей есть несколько недостатков.
Они требуют сложной демографической информации, которая часто недоступна в начале вспышки. Даже если такая детальная информация есть, модели могут неточно отражать сложность популяции или динамику заболевания.
Новая модель исследовательской группы из Ватерлоо решает эти проблемы.
"К тому времени, когда мы работаем над вакцинами и лекарствами, мы смотрим на долгосрочные данные", — сказала Саха. — "Но когда появляется новое заболевание, этот метод может помочь понять, как действовать".