Modeling COVID-19 spread in the USA using metapopulation SIR models coupled with graph convolutional neural networks
Diese Arbeit erweitert ein hybrides Graph Convolutional Neural Network und Susceptible-Infected-Recovered (GCN-SIR)-Modell, das zuvor an japanischen Präfekturdaten validiert wurde, auf die kontinentalen Vereinigten Staaten, um die Echtzeitschätzung der Reproduktionszahl zu verbessern und die Ausbreitung von COVID-19 über Bundesstaaten hinweg vorherzusagen, indem unterschiedliche Mobilitätsmuster und politische Reaktionen berücksichtigt werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Die Verfolgung der Ausbreitung eines Virus ist wie der Versuch, den Pfad eines Sturms vorherzusagen, doch anstelle von Wind und Regen besteht der Sturm aus Menschen, die sich von Ort zu Ort bewegen. Seit Jahrzehnten verwenden Wissenschaftler eine Standardmethode, um diese Ausbrüche zu modellieren, indem sie eine Bevölkerung in drei Gruppen unterteilen: diejenigen, die die Krankheit einfangen können, diejenigen, die derzeit krank sind, und diejenigen, die genesen oder verstorben sind. Dieser Ansatz funktioniert gut für eine einzelne, isolierte Gemeinschaft, in der alle mit der gleichen Rate interagieren. Die reale Welt ist jedoch weitaus komplexer. Menschen reisen zwischen Städten und Bundesstaaten hin und her und tragen das Virus mit sich, was die Geschwindigkeit der Krankheitsausbreitung beeinflusst. Um eine Pandemie über ein riesiges Land hinweg zu verstehen, benötigen Forscher ein Modell, das diese Verbindungen und die einzigartigen Bedingungen jeder Region berücksichtigt.
In einer kürzlich durchgeführten Studie befassten sich die Forscher Petr Kisselev und Padmanabhan Seshaiyer mit dieser Herausforderung, indem sie eine hochentwickelte Art der künstlichen Intelligenz auf das Problem der Verfolgung von COVID-19 in den Vereinigten Staaten anwandten. Sie kombinierten ein traditionelles Krankheitsmodell mit einem Graph Convolutional Neural Network, einem Werkzeug, das darauf ausgelegt ist, Zusammenhänge zu verstehen. Stellen Sie sich eine Landkarte vor, auf der jeder Bundesstaat ein Punkt ist und die Linien, die sie verbinden, repräsentieren, wie oft Menschen zwischen diesen Bundesstaaten reisen. Die Forscher nutzten diese Karte, um einem Computer beizubringen, wie sich das Virus bewegt. Indem sie den Computer mit realen Daten über tägliche Infektionen aus den achtundvierzig zusammenhängenden Bundesstaaten fütterten, ermöglichten sie dem System, die verborgenen Muster von Mobilität und Übertragung zu erlernen, die Standardmodelle oft übersehen.
Das Team sah sich von Beginn an mit einer erheblichen Hürde konfrontiert: Während sie über exzellente Daten darüber verfügten, wie viele Menschen erkrankten, fehlten ihnen zuverlässige Aufzeichnungen darüber, wie viele Menschen in den Vereinigten Staaten genesen waren. Das ursprünglich von ihnen adaptierte Modell basierte auf Daten aus Japan, wo Genesungszahlen leicht verfügbar waren. Um dies zu lösen, entwickelten die Forscher einen Umweg. Sie nutzten die bekannten Infektionszahlen und eine mathematische Annäherung, um die Genesungsraten zu schätzen, die für die Durchführung ihrer Simulation erforderlich waren. Dies ermöglichte es ihnen, das Modell am Laufen zu halten, ohne auf perfekte Daten über jeden genesenen Patienten angewiesen zu sein. Zudem mussten sie die Berechnung des Reiseverkehrs anpassen. In Japan war die Distanz zwischen den Regionen der primäre Faktor dafür, wie sich Menschen bewegten. In den Vereinigten Staaten jedoch fliegen Menschen unabhängig von der Entfernung über lange Strecken zwischen großen Knotenpunkten. Die Forscher fügten einen neuen Begriff zu ihren Berechnungen hinzu, um diesen Flugverkehr zu berücksichtigen, wodurch sichergestellt wurde, dass dicht besiedelte Bundesstaaten mit großen Entfernungen zwischen ihnen im Modell korrekt verknüpft wurden.
Sobald das System trainiert war, zeigten die Ergebnisse, dass dieser hybride Ansatz bei der Vorhersage der Zukunft signifikant besser war als die Standardmethode. Wenn die Forscher das Modell einen Tag und sieben Tage im Voraus testeten, übertraf es den traditionellen Ansatz konsequent, indem es die spezifischen Unterschiede zwischen den Bundesstaaten berücksichtigte. Das Modell lernte, dass sich das Virus in einer überfüllten Stadt wie New York anders verhält als in einem ländlichen Gebiet wie North Dakota. Die Genauigkeit dieser Vorhersagen war jedoch nicht überall gleichmäßig. Das Modell funktionierte außergewöhnlich gut für Bundesstaaten mit großen Bevölkerungen, in denen die schiere Anzahl der Datenpunkte dem Computer half, die Muster klar zu erlernen. Für kleinere Bundesstaaten waren die Vorhersagen weniger präzise, was darauf hindeutet, dass das Modell detailliertere Daten benötigt, um in weniger bevölkerungsreichen Gebieten effektiv zu arbeiten.
Über die bloße Vorhersage täglicher Infektionszahlen hinaus nutzten die Forscher ihr Modell, um die Reproduktionszahl zu verfolgen, eine Schlüsselmetrik, die dem Gesundheitswesen mitteilt, wie viele neue Fälle eine infizierte Person voraussichtlich verursachen wird. Durch die Beobachtung, wie das Modell seine internen Parameter in Echtzeit anpasste, konnten sie diese Zahl schätzen, während sich die Pandemie entwickelte. Die resultierende Grafik zeigte die Auf und Abs der Ausbreitung des Virus und erfasste die allgemeinen Trends der Pandemie im ganzen Land. Während die Schätzung auf nationaler Ebene zuverlässig war, stellten die Forscher fest, dass es schwierig war, diese Zahl auf einzelne Bundesstaaten herunterzubrechen, da die Daten für kleinere Regionen wahrscheinlich zu spärlich waren, um eine solch granulare Sichtweise zu unterstützen.
Die Studie kommt zu dem Schluss, dass diese Methode der Kopplung eines netzwerkbasierten künstlichen Intelligenz-Modells mit der Krankheitsmodellierung großes Potenzial für das Verständnis von Infektionskrankheiten besitzt. Sie hat erfolgreich demonstriert, dass Wissenschaftler, indem sie einen Computer lehren, das komplexe Geflecht menschlicher Bewegungen zu erkennen, präzisere Prognosen als je zuvor erstellen können. Die Forscher räumen ein, dass das Modell nicht perfekt ist, insbesondere bei der Anwendung auf kleinere Populationen, und dass zukünftige Arbeiten darauf abzielen müssen, die Schätzung der Mobilität zu verfeinern und die Analyse möglicherweise auf die Ebene der Landkreise (Counties) zu übertragen. Für den Moment stellt diese Arbeit einen bedeutenden Schritt nach vorn dar und beweist, dass wir mit den richtigen Werkzeugen und genügend Daten ein klareres Bild davon zeichnen können, wie ein Virus durch eine Nation reist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.