Основните модели в прогнозирането на Covid-19 бяха грешни, признават учени
(снимка: CC0 Public Domain)
По време на пандемията математиците забелязаха, че броят на случаите се изменя по начини, които те не са успели да предвидят със своите епидемиологични модели. Ново проучване на учени от Университета Браун използва усъвършенствана техника за машинно самообучение, за да изследва силните и слабите страни на често използваните модели – и предлага начини за повишаване на точността на прогнозите им.
„Има една стара поговорка в областта на моделирането, че „всички модели са грешни, но някои са полезни”, казва Джордж Карниадакис, професор по приложна математика и инженерни науки в Университета Браун и старши автор на изследването, публикувано в Nature Computational Science. „Това, което показваме тук, е, че основните модели на Covid-19 бяха грешни и също така не бяха много полезни – поне по отношение на прогнозирането на хода на пандемията”, допълва ученият, цитиран от TechXplore.
За да разбере защо е така, екипът е разгледал девет често използвани модела. Тези модели разделят популацията на отделни групи: хора, които все още не са били заразени (податливи); хора, които са заразени и биха могли да разпространят вируса (инфекциозни); и хора, които са прекарали инфекцията и вече не могат да я разпространяват (отстранени). По-сложните версии на модела включват и допълнителни групи, вписвайки в изчисленията и други групи и подгрупи: карантинирани хора, хоспитализирани, починали и др. – всичко, което може да повлияе на разпространението на вируса.
Според изследването, провалът на моделирането идва от това, че се пропускат множество ключови параметри – въпреки факта, че тези фактори са се променили драстично в реалния свят. Например, степента на предаване на вируса в дадена общност варира значително в зависимост от употребата на маски, затварянето и повторното отваряне на бизнесите и др. Промени има в методите на лечение на болните, в броя на болничните легла, смъртността и т.н.
Всички тези еволюиращи фактори променят траекторията на развитие на пандемията, но известните математически модели не отчитат подобни изменения. Резултатът от това са лошите им прогнози, установяват изследователите.
От всичко това следва въпросът дали има начин да се уловят тези променящи се параметри в епидемиологичните модели. За да направи това, екипът е използвал невронни мрежи, базирани на физиката (PINN) – техника за машинно самообучение, разработена в Браун.
PINN са невронни мрежи, подобни на тези за разпознаване на изображения или транскрибиране на реч в текст. Но за разлика от стандартните невронни мрежи, PINN стъпват на уравнения, описващи физическите закони, които управляват системата. Екипът е използвал PINN с уравнения, използвани за изчисляване на това как се разпространяват патогените.
„Имайки предвид факта, че пандемиите се развиват във времето и непрекъснато се събират нови данни, PINN могат да бъдат „преквалифицирани”, когато са налице нови данни, и да актуализират моделите с течение на времето”, казва Ехсан Харазми, изследовател в Браун и сътрудник в проучването. „Изчислителното време, необходимо за повторно обучение на PINN с нови данни, е сравнително кратко в сравнение с времевия мащаб на еволюцията на пандемията”.
На база проведените експерименти се оказва, че действителните нива на ковид-случаите от януари до юни 2021 г. попадат в рамките на „прозореца на несигурност”, предвиден от моделите.
Констатациите предполагат, че макар нито един модел да не може да улови точно цялата динамика на пандемията, моделите с възможност за самокоригиране на ключови параметри в движение могат да направят по-полезни прогнози.