• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • El algoritmo de aprendizaje automático cuantifica el impacto de las medidas de cuarentena en la propagación de COVID-19

    Esta figura muestra la predicción del modelo del recuento de casos infectados para los Estados Unidos siguiendo su modelo actual con control de cuarentena y la explosión exponencial en el recuento de casos infectados si se relajaran las medidas de cuarentena. Por otra parte, cambiar a medidas de cuarentena más estrictas implementadas en Wuhan, Italia, y Corea del Sur podría llevar a una meseta en el recuento de casos infectados antes. Crédito:Instituto de Tecnología de Massachusetts

    Todos los días durante las últimas semanas, Los cuadros y gráficos que trazan el vértice proyectado de las infecciones por COVID-19 se han difundido en periódicos y noticias por cable. Muchos de estos modelos se han construido a partir de datos de estudios sobre brotes anteriores como el SARS o el MERS. Ahora, un equipo de ingenieros del MIT ha desarrollado un modelo que utiliza datos de la pandemia COVID-19 junto con una red neuronal para determinar la eficacia de las medidas de cuarentena y predecir mejor la propagación del virus.

    "Nuestro modelo es el primero que utiliza datos del propio coronavirus e integra dos campos:aprendizaje automático y epidemiología estándar, "explica Raj Dandekar, un doctorado candidato a estudiar ingeniería civil y ambiental. Junto con George Barbastathis, profesor de ingeniería mecánica, Dandekar ha pasado los últimos meses desarrollando el modelo como parte del proyecto final de la clase 2.168 (Máquinas de aprendizaje).

    La mayoría de los modelos utilizados para predecir la propagación de una enfermedad siguen lo que se conoce como modelo SEIR, que agrupa a las personas en "susceptibles, "" expuesto, " "infectado, "y" recuperado ". Dandekar y Barbastathis mejoraron el modelo SEIR al entrenar una red neuronal para capturar la cantidad de individuos infectados que están en cuarentena, y por lo tanto ya no contagiará la infección a otras personas.

    El modelo encuentra que en lugares como Corea del Sur, donde hubo una intervención gubernamental inmediata en la implementación de fuertes medidas de cuarentena, la propagación del virus se estabilizó más rápidamente. En lugares que fueron más lentos para implementar intervenciones gubernamentales, como Italia y Estados Unidos, el "número de reproducción efectivo" de COVID-19 sigue siendo mayor que uno, lo que significa que el virus ha seguido propagándose exponencialmente.

    El algoritmo de aprendizaje automático muestra que con las medidas de cuarentena vigentes, la meseta tanto para Italia como para Estados Unidos llegará entre el 15 y el 20 de abril. Esta predicción es similar a otras proyecciones como la del Institute for Health Metrics and Evaluation.

    "Nuestro modelo muestra que las restricciones de cuarentena logran que el número de reproducción efectivo sea mayor que uno a menor que uno, ", dice Barbastathis." Eso corresponde al punto en el que podemos aplanar la curva y comenzar a ver menos infecciones ".

    Cuantificar el impacto de la cuarentena

    A principios de febrero a medida que las noticias sobre la preocupante tasa de infección del virus comenzaron a dominar los titulares, Barbastathis propuso un proyecto a los alumnos de la clase 2.168. Al final de cada semestre, Los estudiantes de la clase tienen la tarea de desarrollar un modelo físico para un problema en el mundo real y desarrollar un algoritmo de aprendizaje automático para abordarlo. Propuso que un equipo de estudiantes trabajara en el mapeo de la propagación de lo que entonces se conocía simplemente como "el coronavirus".

    "Los estudiantes aprovecharon la oportunidad de trabajar en el coronavirus, querer abordar de inmediato un problema de actualidad de la manera típica del MIT, "añade Barbastathis.

    Uno de esos estudiantes fue Dandekar. "El proyecto me interesó mucho porque pude aplicar este nuevo campo del aprendizaje automático científico a un problema muy urgente, " él dice.

    A medida que COVID-19 comenzó a extenderse por todo el mundo, se amplió el alcance del proyecto. Lo que originalmente había comenzado como un proyecto que solo buscaba propagarse dentro de Wuhan, China creció para incluir también el spread en Italia, Corea del Sur, y Estados Unidos.

    Esquema de la red neuronal informada por la física utilizada para codificar información sobre la función de fuerza de cuarentena, Q (t). Crédito:Instituto de Tecnología de Massachusetts

    El dúo comenzó a modelar la propagación del virus en cada una de estas cuatro regiones después de que se registrara el caso número 500. Ese hito marcó una clara delimitación de cómo los diferentes gobiernos implementaron las órdenes de cuarentena.

    Armados con datos precisos de cada uno de estos países, el equipo de investigación tomó el modelo SEIR estándar y lo aumentó con una red neuronal que aprende cómo los individuos infectados en cuarentena impactan la tasa de infección. Entrenaron la red neuronal a través de 500 iteraciones para que luego pudiera enseñarse a sí misma cómo predecir patrones en la propagación de la infección.

    Usando este modelo, el equipo de investigación pudo establecer una correlación directa entre las medidas de cuarentena y una reducción en el número de reproducción efectiva del virus.

    "La red neuronal está aprendiendo lo que llamamos 'función de fuerza de control de cuarentena, '", explica Dandekar. En Corea del Sur, donde se implementaron medidas fuertes rápidamente, la función de control de la fuerza de cuarentena ha sido eficaz para reducir el número de nuevas infecciones. En los Estados Unidos, donde las medidas de cuarentena se han implementado lentamente desde mediados de marzo, ha sido más difícil detener la propagación del virus.

    Predecir la "meseta"

    A medida que disminuye el número de casos en un país en particular, el modelo de pronóstico pasa de un régimen exponencial a uno lineal. Italia comenzó a entrar en este régimen lineal a principios de abril, Estados Unidos no se queda atrás.

    El algoritmo de aprendizaje automático que han desarrollado Dandekar y Barbastathis predijo que Estados Unidos comenzará a pasar de un régimen exponencial a un régimen lineal en la primera semana de abril. con un estancamiento en el recuento de casos infectados probablemente entre el 15 y el 20 de abril. También sugiere que el recuento de infecciones llegará a 600, 000 en los Estados Unidos antes de que la tasa de infección comience a estancarse.

    "Este es un momento realmente crucial. Si relajamos las medidas de cuarentena, podría conducir al desastre, "dice Barbastathis.

    Según Barbastathis, uno solo tiene que mirar a Singapur para ver los peligros que podrían derivarse de relajar las medidas de cuarentena demasiado rápido. Si bien el equipo no estudió los casos de COVID-19 de Singapur en su investigación, la segunda ola de infección que está experimentando este país refleja el hallazgo de su modelo sobre la correlación entre las medidas de cuarentena y la tasa de infección.

    "Si Estados Unidos siguiera la misma política de relajar las medidas de cuarentena demasiado pronto, hemos predicho que las consecuencias serían mucho más catastróficas, "Añade Barbastathis.

    El equipo planea compartir el modelo con otros investigadores con la esperanza de que pueda ayudar a informar las estrategias de cuarentena de COVID-19 que pueden reducir con éxito la tasa de infección.

    Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.




    © Ciencia https://es.scienceaq.com