چگونه مدل های رایانه ای آینده،شیوع ویروس جدید «کرونا» را شبیه سازی می کنند؟
تلاش های بهداشت عمومی به شدت بستگی به پیش بینی چگونگی شیوع بیماری های واگیرداری مانند بیماری که اکنون توسط سازمان بهداشت جهانی COVID-19 نامگذاری شده است و هم اکنون در سراسر جهان گسترش یافته است، دارد. در روزهای ابتدایی شیوع یک ویروس ، هنگامی که داده های قابل اعتماد و مستدل هنوز وجود ندارند و یا بسیار کم می باشند ، محققان به مدلهای ریاضی روی می آورند که می توانند پیش بینی کنند افرادی که می توانند آلوده شوند به کجا می روند و چقدر احتمال دارند که این بیماری را با خود به همراه داشته باشند. این روش های محاسباتی از معادلات آماری شناخته شده ای استفاده می کنند که احتمال انتقال افراد را به بیمار منتقل می کند.
توانایی محاسباتی مدرن به این مدل ها اجازه می دهد تا به سرعت چندین ورودی را وارد کنند ، از جمله توانایی انتقال بیماری از فرد به فرد دیگر و الگوهای حرکتی افراد آلوده در حمل و نقل های زمینی و هوایی. این فرایند گاهی شامل فرضیاتی درباره عوامل ناشناخته ، مانند الگوی دقیق سفر افراد است. با وصل کردن نسخه های مختلف ممکن از هر ورودی ، محققان می توانند با دسترسی به اطلاعات جدید ، مدل ها را به روز کنند و نتایج خود را با الگوهای مشاهده شده برای بیماری مقایسه کنند. به عنوان مثال ، اگر محققان می خواهند مطالعه كنند كه بسته شدن یك فرودگاه خاص چگونه می تواند بر گسترش جهانی بیماری تأثیر بگذارد ، رایانه ها می توانند خطر ورود موارد مشکوک از طریق فرودگاههای دیگر را سریعاً بوسیله الگوهای تعبیه شده توسط هوش مصنوعی AI محاسبه كنند_ تنها کاری که باید برای رسیدن به انی هدف انجام داد ، بروزرسانی شبکه مسیرهای پرواز و الگوهای سفر بین المللی است.
اما هنگام کار با داده های ناقص، یک خطای کوچک در یک عامل می تواند اثر بسیار بزرگی داشته باشد. عدم اطمینان در مورد مسئله ی مهمی مانند اولین مورد مبتلا به ویروس کرونا و یا میزان تقریب انتقال ویروس از یک نفر به نفر دیگر COVID-19 (R0) – یا میانگین تعداد موارد جدید ناشی از یک فرد آلوده – می تواند نتایج یک مدل را مختل کند. دیرک بروکمن ، فیزیکدان موسسه زیست شناسی نظری در دانشگاه هومبولت برلین و انستیتوی رابرت کچ در آلمان می گوید: “اگر شما در تخمین آمار و ارقام بیماری اشتباه کنید ، تخمین شما نتایج فاجعه انگیزی را به همراه خواهد داشت.” (R0)تخمین زده شده برای ویروس جدید کرونا با تقریب 2 تا 3، هم رده ویروس سارس (با تقریب 2 تا4) که در سال 2003 انتشار یافت، و در عین حال کمتر از ویروس سرخک (با تقریب 12 تا 18) می باشد.
از آنجا که هر عامل ناشناخته عدم اطمینان بیشتری را به یک مدل تحمیل می کند ، بروکمن و برخی دیگر از محققان تمرکز خود را بر روی یک مدل محدودتر که تنها به یک عامل اصلی متکی است، گذاشته اند. گروه تحقیقاتی دکتر بروکمن با استفاده از داده های پرواز بین المللی – بدون تشخیص در انتقال شخص به فرد – متمرکز شده است تا پیش بینی کند کدام فرودگاهها بالاترین ریسک را برای گسترش کرونا ویروس در سراسر جهان دارند. بر اساس نظر بروکمن: «این مدل، خطر توالی مورد انتظار کشورهایی را که مواردی در آنها یافت می شود پیش بینی می کند».
برای بدست آوردن اطلاعات لازم ، محققان از منابع مختلفی استفاده می كنند. الساندرو وسپینیانی ، فیزیکدان و مدیر آزمایشگاه مدل سازی سیستم های بیولوژیکی و اجتماعی فنی در دانشگاه نورثوسترن ، مشغول هدایت تیمی است که با استفاده از داده های رسمی سفرهای هوایی و انتشار الگوهای سفر هوایی در حال شبیه سازی انتشار کورنوویروس است و الگوهای رفت و آمد را در بین جمعیت سرشماری پیش بینی می کند. با وجود عدم توجه به انتقال شخص به شخص (R0) ، چنین مدل هایی با تمرکز صرف بر روی مسافرت های هوایی، به طور مداوم و دقیق پیش بینی کرده اند کدام کشورها بیشترین خطر ابتلا به موارد جدید COVID-19 را دارند. وسپینانی می گوید: « اگر مدل های مختلف در یک راستا قرار داشته باشند ،” شما اطمینان بیشتری دارید که نتایج بدست آمده منطبق با واقعیت خواهد بود».
در مقاله ای که در تاریخ 31 ژانویه در لنست منتشر شد ، محققان هنگ کنگی، الگوهای سفر در تعطیلات امسال را با استفاده از اطلاعات مربوط به سفرهای ماه های قمری که در سال 2019 و توسط میلیون ها نفری که از برنامه WeChat و سایر خدمات متعلق به غول فناوری چینی Tencent استفاده کرده اند انجام شد، تخمین زدند. نتایج آن نشان می دهد COVID-19 تا 25 ژانویه در بسیاری از شهرهای بزرگ چین ریشه داشته و فرودگاه های بین المللی آن شهرها به گسترش ویروس در سطح بین المللی کمک کرده اند.
برخی از محققان روی الگوبرداری از نتایج تغییرات در رفتارهای عمومی و اقدامات دولت کار می کنند. لورن گاردنر ، مهندس عمران و مدیرعامل مرکز علم و مهندسی سیستم ها در دانشگاه جانز هاپکینز ، در حال اصلاح مدل ساختاری برای کمک به مقامات دولت ایالات متحده است که تصمیم بگیرند کدام فرودگاه ها باید به بررسی درجه دمای بدن مسافران بپردازند. این اطلاعات می تواند به دولتها اجازه دهد منابع را در جایی كه احتمالاً بیشترین نیاز را دارند توزیع كنند.
این تیم ها تنها تعداد معدودی از کسانی هستند که در حال پیش بینی گسترش آینده COVID-19 هستند. دکتر الیزابت هالوران ، مدیر مرکز بیماریهای عفونی مرکز تحقیقات سرطان فرد هوچینسون در سیاتل می گوید که در دهه 1980 ، تعداد تیم هایی که بر روی پیش بینی میزان شیوع بیماری های واگیردارد از طریق هوش مصنوعی کار می کردند، کم تر از تعداد انگشت های دست انسان بود. اما اکنون صدها تیم در سرتاسر جهان بر روی این قضیه کار می کنند. بر اساس گفته های وی، هم اکنون در سرتاسر جهان گروه های بسیار توانمندی وجود دارند که بر روی پیدا کردن مدل شیوع این بیماری کار می کننداما با این حال هیچ کس از داده های لازم برای دستیابی به اطمینان 100 درصدی در مورد دوره آینده شیوع برخوردار نیست.
هیچ دیدگاهی نوشته نشده است.