In che modo l’intelligenza artificiale può aiutarci a prepararci per la seconda ondata: leader del pensiero
Affinché i paesi possano pianificare come riavviare con successo le proprie economie, è necessario un nuovo modello di dati, basato sull’intelligenza artificiale.
Finora, i modelli di data science esistenti non hanno svolto il lavoro migliore nel prevedere la facilità di trasmissione di COVID-19, l’entità del suo sviluppo, il potenziale di mutazione e le epidemie in nuovi punti caldi. Molti sono stati sviluppati in fretta, con dati imperfetti basati su una capacità di test limitata.
Un modello di intelligenza artificiale, tuttavia, sarebbe adattivo, costruito per scalare e automatizzato, raccogliendo dati sociologici, economici e sanitari per consentire alle economie di riaprirsi con successo in caso di un’altra ondata.
I dati utilizzati in questo modello dovrebbero essere accurati e statisticamente significativi. Deve anche essere affidabile. Finora, cose come i valori R, i livelli di immunità della mandria e i tassi di mortalità sono stati molto difficili da stimare in diverse aree geografiche, specialmente in luoghi senza una strategia di test coerente. Un altro problema è stato che, anche quando sono stati effettuati buoni test, ci sono state differenze selvagge nei tassi di sensibilità e specificità, causate dalla varianza nei tipi di test immunodiagnostici e dalle tecniche di raccolta dei campioni.
Non solo i dati sono poco brillanti, ma i modelli stessi sono stati difettosi. Il modello utilizzato dalla Casa Bianca, costruito dall’Institute for Health Metrics and Evaluation, non ha tenuto conto delle differenze nei parametri regionali chiave e ha ipotizzato che il virus avrebbe influenzato la popolazione nello stesso modo in cui ha fatto in Cina, Spagna e Italia . Ovviamente, gli Stati Uniti hanno caratteristiche della popolazione, livelli di quarantena e disponibilità di test molto diversi. Gran parte della popolazione non ha accesso immediato alle strutture di terapia intensiva, come si è visto a New York ad aprile.
Altri modelli, spesso sviluppati dalle principali università di tutto il mondo, hanno fatto un po ‘meglio. Hanno incorporato stime di contagio, insieme a fattori che aumentano il rischio di malattie gravi o morte. Ma anche questi erano basati su ipotesi imprecise, che portavano a errori nel modello di lavoro. Ad esempio, il modello inizialmente sviluppato dall’Imperial College di Londra non è riuscito a dedurre l’ovvio cambiamento nel comportamento della popolazione che sarebbe comunque insorto in assenza di interventi su mandato del governo. Inoltre mancava la comprensione di come il numero di riproduzione del virus (R0) sarebbe cambiato a causa di questo comportamento.
Non c’è da stupirsi quindi che sia stata creata tanta confusione, specialmente negli Stati Uniti e nel Regno Unito. Facilitare i controlli senza prepararsi per il fallout è stato costoso, anche quando è probabile che la malattia ritorni entro l’autunno o all’inizio dell’inverno. Ora è necessario adottare misure per informare il processo decisionale a un livello più granulare. Le popolazioni devono essere stratificate per determinare chi esce per primo dal blocco. È necessario implementare una strategia per consentire la tracciabilità dei contatti su larga scala e garantire che l’assistenza sanitaria sia sufficiente in futuro.
Per aiutare in questo, dovrebbero essere utilizzate reti neurali artificiali e tecniche di apprendimento profondo , aumentando i modelli epidemiologici esistenti e rendendoli più dinamici e reattivi in tempo reale. Questo modello di intelligenza artificiale utilizzerebbe l’ apprendimento semi-supervisionato o non supervisionato e potrebbe funzionare anche senza input immediato da rapporti di test su larga scala. Sarebbe autosufficiente e richiederebbe una quantità ridotta di dati da apprendere e prevedere, rispetto ai modelli attuali. Regolando continuamente i parametri di input e apprendendo continuamente, il modello genererebbe previsioni che non subirebbero inevitabili ritardi di aggiustamento.
Con il deep learning, l’intelligenza artificiale potrebbe scoprire modelli complessi, autoapprendimento e auto-guarigione automaticamente. Può rilevare automaticamente le anomalie e sarebbe anche in grado di giudicare l’accuratezza delle variabili, producendo risultati molto più affidabili rispetto ai modelli di data science esistenti.
I parametri chiave in questo modello di intelligenza artificiale trarrebbero da rapporti di test clinici e ampi set di dati regionali e includerebbero caratteristiche della popolazione regionale, stato socioeconomico e fattori di rischio come il fumo, la dipendenza dalla droga e l’obesità. Il numero di individui infetti che sono stati messi in quarantena e non potevano più diffondere l’infezione sarebbe stato incorporato nel modello.
Ciò darebbe ai leader della task force le intuizioni necessarie per arginare questa pericolosa malattia in modo proattivo, consentendo loro di prendere decisioni razionali in tempo quasi reale, fornendo alle economie mondiali una strategia di uscita solida e ben informata.
