L’apprendimento automatico potrebbe aiutare a rallentare le future epidemie

In questo studio, i ricercatori hanno sviluppato un modo per migliorare le strategie di test nei focolai epidemici e, con informazioni relativamente limitate, sono stati in grado di prevedere quali individui sarebbero stati più utili per i test.

Questo potrebbe essere un primo passo verso una comunità migliore nella sua capacità di controllare future epidemie importanti di malattie e ridurre la necessità di grandi blocchi, afferma Laura Natalie, dottoranda in fisica presso l’Università di Göteborg e autrice principale dello studio pubblicato.

Controllo rapido di un’epidemia

L’apprendimento automatico è un tipo di intelligenza artificiale che può essere descritto come un modello matematico in cui i computer vengono “addestrati” per imparare a vedere le connessioni e risolvere compiti con l’aiuto di vari dati. I ricercatori hanno utilizzato l’apprendimento automatico per simulare lo scoppio di una pandemia, in cui le informazioni sui primi casi confermati vengono utilizzate per effettuare calcoli di infezione nel resto della popolazione. Tra le altre cose, vengono utilizzati dati sulle reti di comunicazione degli individui infetti: chi è stato in stretto contatto con loro, dove e per quanto tempo.

Nello studio, è possibile controllare rapidamente un’epidemia quando si utilizza il metodo, mentre un test casuale porta a focolai di malattie incontrollate con molte persone infette. In condizioni reali, è possibile aggiungere informazioni, come dati demografici, età e condizioni di salute, che possono migliorare ulteriormente l’efficacia del metodo. Inoltre, lo stesso metodo può essere utilizzato per prevenire la reinfezione nella popolazione, se l’immunità post-malattia è solo temporanea, afferma Laura Natalie.

Laura Natalie afferma che lo studio è una simulazione e che il test con dati reali è necessario per sviluppare ulteriormente il metodo. Allo stesso tempo, vede la ricerca come un primo passo verso la possibilità di compiere sforzi più specifici per limitare la diffusione dell’infezione, poiché la strategia di test basata sull’apprendimento automatico si adatta automaticamente alle caratteristiche specifiche della malattia. Ad esempio, ha indicato che è possibile prevedere più facilmente se un particolare gruppo di età deve essere testato o se un’area geografica limitata si trova in una zona pericolosa, come una scuola, un’area urbana o un quartiere particolare.

Localizzazione più precisa dell’infezione

Quando un’epidemia inizia in modo importante, è importante trovare rapidamente ed efficacemente le persone infette. Nei test randomizzati c’è un alto rischio che ciò non accada, ma con una strategia di test più mirata è possibile trovare più individui infetti e acquisire così le conoscenze necessarie per limitare la diffusione dell’infezione. Stiamo dimostrando che l’apprendimento automatico può essere utilizzato per sviluppare questa strategia di test, afferma.

Ci sono alcuni studi precedenti che esaminano come l’apprendimento automatico è stato utilizzato nelle epidemie, in particolare con questo chiaro focus sulla ricerca delle migliori strategie di test.

Dimostriamo che è possibile partire da informazioni relativamente semplici e limitate per fare previsioni sugli individui più utili per il test. Offre l’opportunità di fare un uso migliore delle risorse di test disponibili.

Materiale scientifico:

Migliora i test epidemici e le strategie di contenimento utilizzando l’apprendimento automatico.

Contatto:

Laura Natali, dottoranda presso il Dipartimento di Fisica, Università di Göteborg, [email protected]