De afgelopen weken elke dag grafieken en grafieken die de verwachte top van COVID-19-infecties uitzetten, zijn verspreid over kranten en kabelnieuws. Veel van deze modellen zijn gebouwd op basis van gegevens uit onderzoeken naar eerdere uitbraken zoals SARS of MERS. Nutsvoorzieningen, een team van ingenieurs van MIT heeft een model ontwikkeld dat gegevens van de COVID-19-pandemie gebruikt in combinatie met een neuraal netwerk om de doeltreffendheid van quarantainemaatregelen te bepalen en de verspreiding van het virus beter te voorspellen.

"Ons model is het eerste dat gegevens van het coronavirus zelf gebruikt en twee velden integreert:machine learning en standaard epidemiologie, " legt Raj Dandekar uit, een doctoraat kandidaat die civiele en milieutechniek studeert. Samen met George Barbastathis, hoogleraar werktuigbouwkunde, Dandekar heeft de afgelopen maanden het model ontwikkeld als onderdeel van het eindproject in klas 2.168 (Learning Machines).

De meeste modellen die worden gebruikt om de verspreiding van een ziekte te voorspellen, volgen het zogenaamde SEIR-model, die mensen groepeert in "vatbare, " "blootgesteld, " "besmet, " en "hersteld." Dandekar en Barbastathis verbeterden het SEIR-model door een neuraal netwerk te trainen om het aantal geïnfecteerde personen vast te leggen die in quarantaine zijn, en daardoor de infectie niet meer naar anderen verspreidt.

Het model stelt vast dat in plaatsen als Zuid-Korea, waar er onmiddellijk overheidsinterventie was bij het implementeren van strenge quarantainemaatregelen, het virus verspreidde zich sneller. Op plaatsen die langzamer waren om overheidsinterventies uit te voeren, zoals Italië en de Verenigde Staten, het "effectieve reproductiegetal" van COVID-19 blijft groter dan één, wat betekent dat het virus zich exponentieel heeft blijven verspreiden.

Het machine learning-algoritme laat zien dat met de huidige quarantainemaatregelen, het plateau voor zowel Italië als de Verenigde Staten zal ergens tussen 15 en 20 april aankomen. Deze voorspelling is vergelijkbaar met andere projecties zoals die van het Institute for Health Metrics and Evaluation.

"Ons model laat zien dat quarantainebeperkingen succesvol zijn om het effectieve reproductiegetal van groter dan één naar kleiner dan één te krijgen, " zegt Barbastathis. "Dat komt overeen met het punt waarop we de curve kunnen afvlakken en minder infecties gaan zien."

De impact van quarantaine kwantificeren

Begin februari, toen het nieuws over de verontrustende infectiegraad van het virus de krantenkoppen begon te domineren, Barbastathis stelde een project voor aan leerlingen in klas 2.168. Aan het einde van elk semester, studenten in de klas krijgen de taak een fysiek model te ontwikkelen voor een probleem in de echte wereld en een machine learning-algoritme te ontwikkelen om dit aan te pakken. Hij stelde voor dat een team van studenten zou werken aan het in kaart brengen van de verspreiding van wat toen simpelweg bekend stond als 'het coronavirus'.

"Studenten grepen de kans om aan het coronavirus te werken, onmiddellijk een actueel probleem willen aanpakken op typische MIT-manier, ", voegt Barbastathis toe.

Een van die studenten was Dandekar. "Het project interesseerde me echt omdat ik dit nieuwe gebied van wetenschappelijke machine learning kon toepassen op een zeer dringend probleem, " hij zegt.

Toen COVID-19 zich over de hele wereld begon te verspreiden, de omvang van het project uitgebreid. Wat oorspronkelijk was begonnen als een project dat alleen naar verspreiding binnen Wuhan keek, China groeide en omvatte ook de spreiding in Italië, Zuid-Korea, en de Verenigde Staten.

Het duo begon de verspreiding van het virus in elk van deze vier regio's te modelleren nadat het 500e geval was geregistreerd. Die mijlpaal markeerde een duidelijke afbakening in hoe verschillende regeringen quarantaineorders implementeerden.

Gewapend met nauwkeurige gegevens uit elk van deze landen, het onderzoeksteam nam het standaard SEIR-model en breidde het uit met een neuraal netwerk dat leert hoe geïnfecteerde personen in quarantaine de infectiesnelheid beïnvloeden. Ze trainden het neurale netwerk door 500 iteraties, zodat het zichzelf kon leren hoe patronen in de verspreiding van infecties te voorspellen.

Met behulp van dit model, het onderzoeksteam kon een direct verband leggen tussen quarantainemaatregelen en een vermindering van het effectieve reproductiegetal van het virus.

"Het neurale netwerk leert wat we de 'quarantainecontrole-sterktefunctie' noemen, '" legt Dandekar uit. In Zuid-Korea, waar snel krachtige maatregelen werden genomen, de krachtfunctie voor quarantainecontrole is effectief geweest in het verminderen van het aantal nieuwe infecties. In de Verenigde Staten, waar sinds half maart quarantainemaatregelen langzaam worden uitgerold, het was moeilijker om de verspreiding van het virus te stoppen.

Het "plateau" voorspellen

Naarmate het aantal gevallen in een bepaald land afneemt, het voorspellingsmodel gaat over van een exponentieel regime naar een lineair regime. Italië begon begin april toe te treden tot dit lineaire regime, met de VS niet ver achter zich.

Het machine learning-algoritme dat Dandekar en Barbastathis hebben ontwikkeld, voorspelt dat de Verenigde Staten in de eerste week van april zullen beginnen te verschuiven van een exponentieel regime naar een lineair regime. met een stagnatie in het aantal geïnfecteerde gevallen waarschijnlijk tussen 15 april en 20 april. Het suggereert ook dat het aantal infecties de 600 zal bereiken, 000 in de Verenigde Staten voordat het besmettingspercentage begint te stagneren.

"Dit is echt een cruciaal moment. Als we de quarantainemaatregelen versoepelen, het kan tot een ramp leiden, ' zegt Barbastathis.

Volgens Barbastathis, je hoeft alleen maar naar Singapore te kijken om de gevaren te zien die zouden kunnen voortvloeien uit het te snel versoepelen van de quarantainemaatregelen. Hoewel het team de COVID-19-gevallen in Singapore in hun onderzoek niet heeft bestudeerd, de tweede infectiegolf die dit land momenteel doormaakt, weerspiegelt de bevinding van hun model over de correlatie tussen quarantainemaatregelen en het infectiepercentage.

"Als de VS hetzelfde beleid zouden volgen om de quarantainemaatregelen te snel te versoepelen, we hebben voorspeld dat de gevolgen veel rampzaliger zouden zijn, ' voegt Barbastathis toe.

Het team is van plan het model met andere onderzoekers te delen in de hoop dat het kan helpen bij het informeren van COVID-19-quarantainestrategieën die de infectiesnelheid met succes kunnen vertragen.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.