Varje dag under de senaste veckorna, diagram och grafer som visar den beräknade toppen av covid-19-infektioner har spridits över tidningar och kabelnyheter. Många av dessa modeller har byggts med hjälp av data från studier om tidigare utbrott som SARS eller MERS. Nu, ett team av ingenjörer på MIT har utvecklat en modell som använder data från COVID-19-pandemin i samband med ett neuralt nätverk för att bestämma effekten av karantänåtgärder och bättre förutsäga spridningen av viruset.

"Vår modell är den första som använder data från själva coronaviruset och integrerar två områden:maskininlärning och standardepidemiologi, " förklarar Raj Dandekar, en doktorsexamen kandidat som studerar civil- och miljöteknik. Tillsammans med George Barbastathis, professor i maskinteknik, Dandekar har ägnat de senaste månaderna åt att utveckla modellen som en del av det sista projektet i klass 2.168 (Learning Machines).

De flesta modeller som används för att förutsäga spridningen av en sjukdom följer vad som kallas SEIR-modellen, som grupperar människor till "mottagliga, " "exponerade, " "infekterad, " och "återhämtade sig." Dandekar och Barbastathis förbättrade SEIR-modellen genom att träna ett neuralt nätverk för att fånga antalet infekterade individer som är i karantän, och sprider därför inte längre infektionen till andra.

Modellen finner att på platser som Sydkorea, där det fanns omedelbara statliga ingripanden för att genomföra starka karantänåtgärder, virusspridningen platåerades snabbare. På platser som var långsammare att genomföra statliga ingripanden, som Italien och USA, "det effektiva reproduktionsnumret" av COVID-19 förblir större än ett, vilket betyder att viruset har fortsatt att sprida sig exponentiellt.

Maskininlärningsalgoritmen visar att med de nuvarande karantänåtgärderna på plats, platån för både Italien och USA kommer någonstans mellan 15-20 april. Denna förutsägelse liknar andra prognoser som Institute for Health Metrics and Evaluation.

"Vår modell visar att karantänrestriktioner är framgångsrika för att få det effektiva reproduktionstalet från större än ett till mindre än ett, "säger Barbastathis." Det motsvarar den punkt där vi kan platta ut kurvan och börja se färre infektioner. "

Kvantifiera effekterna av karantän

I början av februari, när nyheterna om virusets oroande infektionsfrekvens började dominera rubrikerna, Barbastathis föreslog ett projekt för elever i klass 2.168. I slutet av varje termin, eleverna i klassen får i uppdrag att utveckla en fysisk modell för ett problem i den verkliga världen och utveckla en maskininlärningsalgoritm för att lösa det. Han föreslog att ett team av studenter arbetade med att kartlägga spridningen av det som då helt enkelt kallades "coronaviruset".

"Eleverna hoppade på möjligheten att arbeta med coronaviruset, omedelbart vill ta itu med ett aktuellt problem på typiskt MIT -sätt, ", tillägger Barbastathis.

En av de eleverna var Dandekar. "Projektet intresserade mig verkligen eftersom jag fick tillämpa detta nya fält av vetenskaplig maskininlärning på ett mycket pressande problem, " han säger.

När covid-19 började spridas över hela världen, omfattningen av projektet utökades. Det som ursprungligen började som ett projekt som bara tittade på spridningen inom Wuhan, Kina växte till att även omfatta spridningen i Italien, Sydkorea, och USA.

Duon började modellera spridningen av viruset i var och en av dessa fyra regioner efter att det 500:e fallet registrerades. Den milstolpen markerade en tydlig avgränsning av hur olika regeringar implementerade karantänorder.

Beväpnad med exakta uppgifter från vart och ett av dessa länder, forskargruppen tog SEIR-standardmodellen och utökade den med ett neuralt nätverk som lär sig hur infekterade individer under karantän påverkar infektionshastigheten. De tränade det neurala nätverket genom 500 iterationer så att det sedan kunde lära sig själv hur man förutsäger mönster i infektionsspridningen.

Med denna modell, forskargruppen kunde dra en direkt korrelation mellan karantänåtgärder och en minskning av virusets effektiva reproduktionsantal.

"Det neurala nätverket lär sig vad vi kallar "karantänkontrollstyrkafunktionen, '"förklarar Dandekar. I Sydkorea, där starka åtgärder genomfördes snabbt, funktionen för karantänkontrollstyrka har varit effektiv för att minska antalet nya infektioner. I USA, där karantänsåtgärder sakta har rullats ut sedan mitten av mars, det har varit svårare att stoppa spridningen av viruset.

Förutsäga "platån"

När antalet fall i ett visst land minskar, prognosmodellen övergår från en exponentiell regim till en linjär. Italien började gå in i denna linjära regim i början av april, med USA inte långt efter sig.

Maskininlärningsalgoritmen Dandekar och Barbastathis har utvecklat förutspådde att USA kommer att börja skifta från en exponentiell regim till en linjär regim den första veckan i april, med en stagnation i antalet smittade fall sannolikt mellan 15 april och 20 april. Det tyder också på att antalet infektioner kommer att nå 600, 000 i USA innan infektionstakten börjar stagnera.

"Det här är ett riktigt avgörande ögonblick. Om vi ​​slappnar av karantänåtgärder, det kan leda till katastrof, "säger Barbastathis.

Enligt Barbastathis, man behöver bara titta till Singapore för att se farorna som kan härröra från avslappnande karantänåtgärder för snabbt. Även om teamet inte studerade Singapores COVID-19-fall i sin forskning, den andra vågen av infektioner som detta land för närvarande upplever återspeglar deras modells upptäckt om korrelationen mellan karantänåtgärder och infektionsfrekvens.

"Om USA skulle följa samma policy att lätta på karantänåtgärderna för tidigt, vi har förutspått att konsekvenserna skulle bli mycket mer katastrofala, ", tillägger Barbastathis.

Teamet planerar att dela modellen med andra forskare i hopp om att den kan hjälpa till att informera COVID-19-karantänstrategier som framgångsrikt kan bromsa infektionshastigheten.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.