Questa figura mostra la previsione del modello del conteggio dei casi infetti per gli Stati Uniti seguendo il modello attuale con il controllo della quarantena e l'esplosione esponenziale del conteggio dei casi infetti se le misure di quarantena sono state allentate. D'altra parte, passare a misure di quarantena più forti attuate a Wuhan, Italia, e la Corea del Sud potrebbe portare prima a un plateau nel conteggio dei casi infetti. Credito:Massachusetts Institute of Technology
Ogni giorno nelle ultime settimane, grafici e grafici che tracciano l'apice previsto delle infezioni da COVID-19 sono stati sparsi su giornali e notizie via cavo. Molti di questi modelli sono stati costruiti utilizzando dati provenienti da studi su precedenti epidemie come SARS o MERS. Ora, un team di ingegneri del MIT ha sviluppato un modello che utilizza i dati della pandemia di COVID-19 in combinazione con una rete neurale per determinare l'efficacia delle misure di quarantena e prevedere meglio la diffusione del virus.
"Il nostro modello è il primo che utilizza i dati del coronavirus stesso e integra due campi:apprendimento automatico ed epidemiologia standard, " spiega Raj Dandekar, un dottorato di ricerca candidato che studia ingegneria civile e ambientale. Insieme a George Barbastathis, professore di ingegneria meccanica, Dandekar ha trascorso gli ultimi mesi a sviluppare il modello come parte del progetto finale nella classe 2.168 (Macchine di apprendimento).
La maggior parte dei modelli utilizzati per prevedere la diffusione di una malattia segue il cosiddetto modello SEIR, che raggruppa le persone in "suscettibili, " "esposto, " "infetto, " e "recuperato". Dandekar e Barbastathis hanno migliorato il modello SEIR addestrando una rete neurale per catturare il numero di individui infetti che sono in quarantena, e quindi non diffondendo più l'infezione ad altri.
Il modello rileva che in posti come la Corea del Sud, dove c'è stato un intervento immediato del governo nell'attuazione di forti misure di quarantena, la diffusione del virus si è stabilizzata più rapidamente. Nei luoghi più lenti nell'attuazione degli interventi del governo, come l'Italia e gli Stati Uniti, il "numero effettivo di riproduzione" di COVID-19 rimane maggiore di uno, il che significa che il virus ha continuato a diffondersi in modo esponenziale.
L'algoritmo di apprendimento automatico mostra che con le attuali misure di quarantena in atto, l'altopiano sia per l'Italia che per gli Stati Uniti arriverà da qualche parte tra il 15 e il 20 aprile. Questa previsione è simile ad altre proiezioni come quella dell'Institute for Health Metrics and Evaluation.
"Il nostro modello mostra che le restrizioni di quarantena hanno successo nell'ottenere il numero effettivo di riproduzione da più grande di uno a più piccolo di uno, "dice Barbastathis. "Ciò corrisponde al punto in cui possiamo appiattire la curva e iniziare a vedere meno contagi".
Quantificare l'impatto della quarantena
All'inizio di febbraio, quando le notizie sul preoccupante tasso di infezione del virus hanno iniziato a dominare i titoli, Barbastathis ha proposto un progetto agli studenti della classe 2.168. Alla fine di ogni semestre, gli studenti della classe hanno il compito di sviluppare un modello fisico per un problema nel mondo reale e sviluppare un algoritmo di apprendimento automatico per risolverlo. Ha proposto che un team di studenti lavori sulla mappatura della diffusione di quello che allora era semplicemente noto come "il coronavirus".
"Gli studenti hanno colto al volo l'opportunità di lavorare sul coronavirus, volendo subito affrontare un problema di attualità in tipico stile MIT, " aggiunge Barbastathis.
Uno di quegli studenti era Dandekar. "Il progetto mi ha davvero interessato perché ho avuto modo di applicare questo nuovo campo del machine learning scientifico a un problema molto urgente, " lui dice.
Quando il COVID-19 ha iniziato a diffondersi in tutto il mondo, ampliato l'ambito del progetto. Quello che era iniziato originariamente come un progetto che cercava solo di diffondersi all'interno di Wuhan, La Cina è cresciuta includendo anche la diffusione in Italia, Corea del Sud, e gli Stati Uniti.
Schema della rete neurale informata dalla fisica utilizzata per codificare le informazioni sulla funzione di forza della quarantena, Q(t). Credito:Massachusetts Institute of Technology
Il duo ha iniziato a modellare la diffusione del virus in ciascuna di queste quattro regioni dopo che è stato registrato il 500° caso. Quella pietra miliare ha segnato una chiara delineazione del modo in cui i diversi governi hanno implementato gli ordini di quarantena.
Armati di dati precisi da ciascuno di questi paesi, il team di ricerca ha preso il modello SEIR standard e lo ha potenziato con una rete neurale che apprende come gli individui infetti in quarantena influenzano il tasso di infezione. Hanno addestrato la rete neurale attraverso 500 iterazioni in modo che potesse quindi insegnare a se stessa come prevedere i modelli nella diffusione dell'infezione.
Utilizzando questo modello, il team di ricerca è stato in grado di tracciare una correlazione diretta tra le misure di quarantena e una riduzione del numero effettivo di riproduzione del virus.
"La rete neurale sta imparando quella che chiamiamo la 'funzione di forza del controllo della quarantena, '", spiega Dandekar. In Corea del Sud, dove misure forti sono state attuate rapidamente, la funzione di forza del controllo della quarantena è stata efficace nel ridurre il numero di nuove infezioni. Negli Stati Uniti, dove le misure di quarantena sono state lentamente attuate da metà marzo, è stato più difficile fermare la diffusione del virus.
Prevedere l'"altopiano"
Man mano che il numero di casi in un determinato paese diminuisce, il modello di previsione passa da un regime esponenziale a uno lineare. L'Italia ha iniziato ad entrare in questo regime lineare all'inizio di aprile, con gli Stati Uniti non molto indietro.
L'algoritmo di apprendimento automatico sviluppato da Dandekar e Barbastathis prevede che gli Stati Uniti inizieranno a passare da un regime esponenziale a un regime lineare nella prima settimana di aprile, con una stagnazione nel conteggio dei casi infetti probabile tra il 15 aprile e il 20 aprile. Suggerisce inoltre che il conteggio delle infezioni raggiungerà 600, 000 negli Stati Uniti prima che il tasso di infezione inizi a ristagnare.
"Questo è un momento davvero cruciale. Se allentiamo le misure di quarantena, potrebbe portare al disastro, "dice Barbastathis.
Secondo Barbastathis, basta guardare a Singapore per vedere i pericoli che potrebbero derivare dall'allentamento delle misure di quarantena troppo rapidamente. Sebbene il team non abbia studiato i casi COVID-19 di Singapore nella loro ricerca, la seconda ondata di infezioni che questo paese sta attualmente vivendo riflette la scoperta del loro modello sulla correlazione tra le misure di quarantena e il tasso di infezione.
"Se gli Stati Uniti dovessero seguire la stessa politica di allentamento delle misure di quarantena troppo presto, abbiamo previsto che le conseguenze sarebbero state molto più catastrofiche, " aggiunge Barbastathis.
Il team prevede di condividere il modello con altri ricercatori nella speranza che possa aiutare a informare le strategie di quarantena COVID-19 che possono rallentare con successo il tasso di infezione.
Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.
