Modeling COVID-19 spread in the USA using metapopulation SIR models coupled with graph convolutional neural networks
توسع هذه الورقة نموذج الشبكة العصبية التلافيفية الرسومية الهجين ونموذج المعرض للإصابة-المصاب-المتعافي (GCN-SIR)، الذي تم التحقق من صحته مسبقاً على بيانات المناطق اليابانية، ليشمل الولايات المتحدة القارية بهدف تحسين التقدير في الوقت الفعلي لعدد التكاثر والتنبؤ بانتشار كوفيد-19 عبر الولايات من خلال مراعاة أنماط التنقل المتميزة والاستجابات السياساتية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
إن تتبع انتشار فيروس ما يشبه محاولة التنبؤ بمسار عاصفة، ولكن بدلاً من الرياح والأمطار، تتكون العاصفة من بشر ينتقلون من مكان إلى آخر. لعقود من الزمن، استخدم العلماء طريقة قياسية لنمذجة هذه الفاشيات، حيث قسموا السكان إلى ثلاث مجموعات: أولئك الذين يمكن أن يصابوا بالمرض، وأولئك المصابون حالياً، وأولئك الذين تعافوا أو توفوا. يعمل هذا النهج بشكل جيد لمجتمع واحد معزل حيث يتفاعل الجميع بنفس المعدل. ومع ذلك، فإن العالم الحقيقي أكثر تعقيداً؛ فالناس يسافرون بين المدن والولايات، حاملين الفيروس معهم، كما أن القواعد أو السياسات المحلية تغير سرعة انتشار المرض. ولفهم جائحة عبر بلد شاسع، يحتاج الباحثون إلى نموذج يأخذ في الاعتبار هذه الروابط والظروف الفريدة لكل منطقة.
في دراسة حديثة، واجه الباحثان بيتر كيسيليف وبادمانابان سيشايير هذا التحدي من خلال تطبيق نوع متطور من الذكاء الاصطناعي على مشكلة تتبع كوفيد-19 عبر الولايات المتحدة. لقد دمجوا نموذجاً تقليدياً للمرض مع شبكة عصبية تلافيفية رسومية (graph convolutional neural network)، وهي أداة مصممة لفهم كيفية ترابط الأشياء. تخيل خريطة حيث تمثل كل ولاية نقطة، وتمثل الخطوط التي تربط بينها مدى تكرار سفر الناس بين تلك الولايات. استخدم الباحثون هذه الخريطة لتعليم الكمبيوتر كيف يتحرك الفيروس. ومن خلال تغذية الكمبيوتر ببيانات حقيقية عن الإصابات اليومية من الولايات الثماني والأربعين المتصلة، سمحوا للنظام بتعلم الأنماط الخفية للتنقل والانتقال التي غالباً ما تغفلها النماذج القياسية.
واجه الفريق عقبة كبيرة منذ البداية: فبينما كان لديهم بيانات ممتازة حول عدد المصابين، افتقروا إلى سجلات موثوقة حول عدد المتعافين في الولايات المتحدة. كان النموذج الأصلي الذي اقتبسوه مبنياً على بيانات من اليابان، حيث كانت أرقام التعافي متاحة بسهولة. ولحل هذه المشكلة، طور الباحثون حلاً بديلاً؛ حيث استخدموا أرقام الإصابات المعروفة وتقريباً رياضياً لتقدير معدلات التعافي اللازمة لتشغيل محاكاتهم. سمح هذا للنموذج بالاستمرار في العمل دون الحاجة إلى بيانات مثالية عن كل مريض متعافٍ. كما توجب عليهم تعديل كيفية حساب النموذج للسفر؛ ففي اليابان، كانت المسافة بين المناطق هي العامل الأساسي في حركة الناس، أما في الولايات المتحدة، فيسافر الناس لمسافات طويلة بين المراكز الكبرى بغض النظر عن مدى بعدهم عن بعضهم البعض. لذا أضاف الباحثون حداً جديداً لحساباتهم لأخذ السفر الجوي في الاعبعتبار، مما ضمن ربط الولايات ذات الكثافة السكانية العالية والمسافات الطويلة ببعضها البعض بشكل صحيح في النموذج.
بمجرد تدريب النظام، أظهرت النتائج أن هذا النهج الهجين كان أفضل بكثير في التنبؤ بالمستقبل من الطريقة القياسية. فعندما اختبر الباحثون النموذج ليوم واحد للأمام وسبعة أيام للأمام، تفوق باستمرار على النهج التقليدي من خلال مراعاة الاختلافات المحددة بين الولايات. تعلم النموذج أن الفيروس يتصرف بشكل مختلف في مدينة مزدحمة مثل نيويورك مقارنة بمنطقة ريفية مثل نورث داكوتا. ومع ذلك، لم تكن دقة هذه التنبؤات موحدة في جميع المجالات؛ فقد عمل النموذج بشكل استثنائي جيد في الولايات ذات التعداد السكاني الكبير، حيث ساعد العدد الهائل من نقاط البيانات الكمبيوتر على تعلم الأنماط بوضوح. أما بالنسبة للولايات الأصغر، فكانت التنبؤات أقل دقة، مما يشير إلى أن النموذج يحتاج إلى بيانات أكثر تفصيلاً ليعمل بفعالية في المناطق الأقل سكاناً.
وبعيداً عن مجرد التنبؤ بأعداد الإصابات اليومية، استخدم الباحثون نموذجهم لتتبع رقم التكاثر، وهو مقيأ رئيسي يخبر مسؤولي الصحة العامة بعدد الحالات الجديدة التي قد يسببها الشخص المصاب الواحد. ومن خلال مراقبة كيفية تعديل النموذج لمعلماته الداخلية في الوقت الفعلي، تمكنوا من تقدير هذا الرقم مع تطور الجائحة. أظهر الرسم البيتي الناتج تقلبات انتشار الفيروس، ملتقطاً الاتجاهات العامة للجائحة في جميع أنحاء البلاد. وبينما كان التقدير على المستوى الوطني موثوقاً، وجد الفريق أن تقسيم هذا الرقم لكل ولاية على حدة كان أمراً صعباً، ويرجع ذلك على الأرجح إلى أن البيانات الخاصة بالمناطق الصغيرة كانت شحيحة جداً لدعم رؤية دقيقة كهذه.
تخلص الدراسة إلى أن هذه الطريقة التي تجمع بين الذكاء الاصطناعي القائم على الشبكات ونمذجة الأمراض تحمل وعوداً كبيرة لفهم الأمراض المعدية. لقد نجحت في إثبات أنه من خلال تعليم الكمبيوتر التعرف على الشبكة المعقدة للحركة البشرية، يمكن للعلماء تقديم توقعات أكثر دقة من أي وقت مضى. ويقر الباحثون بأن النموذج ليس مثالياً، خاصة عند تطبيقه على المجموعات السكانية الصغيرة، وأن العمل المستقبلي سيتعين عليه التركيز على تحسين كيفية تقدير التنقل، وربما نقل التحليل إلى مستوى المقاطعات. وفي الوقت الحالي، يعد هذا العمل خطوة هامة للأمام، مما يثبت أنه مع الأدوات المناسبة والقدر الكافي من البيانات، يمكننا بناء صورة أوضح لكيفية انتقال الفيروس عبر أمة ما.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.