Modeling COVID-19 spread in the USA using metapopulation SIR models coupled with graph convolutional neural networks
यह शोध पत्र एक हाइब्रिड ग्राफ कन्वोल्यूशनल न्यूरल नेटवर्क और ससेप्टिबल-इंफेक्टेड-रिकवर्ड (GCN-SIR) मॉडल का विस्तार करता है, जिसे पहले जापानी प्रिसिोंक्ट डेटा पर मान्य किया गया था, ताकि विशिष्ट गतिशीलता पैटर्न और नीतिगत प्रतिक्रियाओं को ध्यान में रखते हुए प्रजनन संख्या के वास्तविक समय के अनुमान और राज्यों में कोविड-19 के प्रसार की भविष्यवाणी करने में सुधार के लिए इसे महाद्वीपीय संयुक्त राज्य अमेरिका तक विस्तृत किया जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
वायरस के प्रसार को ट्रैक करना एक तूफान के मार्ग की भविष्यवाणी करने की कोशिश करने जैसा है, लेकिन हवा और बारिश के बजाय, यह तूफान एक स्थान से दूसरे स्थान पर जाने वाले लोगों से बना है। दशकों से, वैज्ञानिक इन प्रकोपों का मॉडल बनाने के लिए एक मानक पद्धति का उपयोग करते रहे हैं, जिसमें जनसंख्या को तीन समूहों में विभाजित किया जाता है: वे जो बीमारी पकड़ सकते हैं, वे जो वर्तमान में बीमार हैं, और वे जो ठीक हो गए हैं या जिनका निधन हो गया है। यह दृष्टिकोण एक एकल, अलग-थलग समुदाय के लिए अच्छा काम करता है जहाँ हर कोई समान दर पर परस्पर क्रिया करता है। हालाँकि, वास्तविक दुनिया कहीं अधिक जटिल है। लोग शहरों और राज्यों के बीच यात्रा करते हैं, वायरस को अपने साथ लेकर चलते हैं, और स्थानीय नियम या नीतियां यह बदल देती हैं कि बीमारी कितनी तेजी से फैलती है। एक विशाल देश में महामारी को समझने के लिए, शोधकर्ताओं को एक ऐसे मॉडल की आवश्यकता है जो इन संबंधों और प्रत्येक क्षेत्र की अनूठी स्थितियों को ध्यान में रखे।
हाल ही में एक अध्ययन में, शोधकर्ताओं पेट्र किसेलेव और पद्मनाभन शेषैया ने संयुक्त राज्य अमेरिका में कोविड-19 को ट्रैक करने की समस्या पर एक परिष्कृत प्रकार के कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) को लागू करके इस चुनौती का समाधान किया। उन्होंने एक पारंपरिक रोग मॉडल को एक ग्राफ कनवल्शनल न्यूरल नेटवर्क के साथ जोड़ा, जो चीजों के बीच संबंध को समझने के लिए डिज़ाइन किया गया एक उपकरण है। एक मानचित्र की कल्पना करें जहाँ प्रत्येक राज्य एक बिंदु है, और उन्हें जोड़ने वाली रेखाएं दर्शाती हैं कि उन राज्यों के बीच लोग कितनी बार यात्रा करते हैं। शोधकर्ताओं ने इस मानचित्र का उपयोग कंप्यूटर को यह सिखाने के लिए किया कि वायरस कैसे चलता है। कंप्यूटर को चालीस आठ निरंतर राज्यों के दैनिक संक्रमणों के वास्तविक डेटा को खिलाकर, उन्होंने सिस्टम को गतिशीलता और संचरण के उन छिपे हुए पैटर्न को सीखने दिया जिन्हें मानक मॉडल अक्सर छोड़ देते हैं।
टीम को शुरुआत में ही एक महत्वपूर्ण बाधा का सामना करना पड़ा: जबकि उनके पास इस बात का उत्कृष्ट डेटा था कि कितने लोग बीमार हो रहे हैं, उनके पास संयुक्त राज्य अमेरिका में कितने लोग ठीक हो रहे हैं, इसके विश्वसनीय रिकॉर्ड की कमी थी। जिस मूल मॉडल को उन्होंने अपनाया था, वह जापान के डेटा पर आधारित था, जहाँ रिकवरी (ठीक होने) के आंकड़े आसानी से उपलब्ध थे। इसे हल करने के लिए, शोधकर्ताओं ने एक वर्कअराउंड विकसित किया। उन्होंने ज्ञात संक्रमण संख्याओं और एक गणितीय सन्निकटन (एप्रोक्सिमेशन) का उपयोग किया ताकि अपने सिमुलेशन को चलाने के लिए आवश्यक रिकवरी दरों का अनुमान लगाया जा सके। इसने उन्हें हर ठीक हुए मरीज के लिए सटीक डेटा की आवश्यकता के बिना मॉडल को चालू रखने में सक्षम बनाया। उन्हें यह भी गणना करने के तरीके को समायोजित करना पड़ा कि यात्रा कैसे की जाती है। जापान में, क्षेत्रों के बीच की दूरी लोगों के घूमने का प्राथमिक कारक थी। हालाँकि, संयुक्त राज्य अमेरिका में, लोग कितनी भी दूरी होने के बावजूद प्रमुख केंद्रों के बीच लंबी दूरी की उड़ान भरते हैं। शोधकर्ताओं ने अपनी गणनाओं में एक नया शब्द जोड़ा ताकि हवाई यात्रा को ध्यान में रखा जा सके, जिससे यह सुनिश्चित हुआ कि घनी आबादी वाले राज्य, जिनके बीच लंबी दूरी है, मॉडल में सही ढंग से जुड़े रहें।
एक बार जब सिस्टम प्रशिक्षित हो गया, तो परिणामों ने दिखाया कि यह हाइब्रिड दृष्टिकोण मानक पद्धति की तुलना में भविष्य की भविष्यवाणी करने में काफी बेहतर था। जब शोधकर्ताओं ने मॉडल का एक दिन और सात दिन पहले परीक्षण किया, तो इसने राज्यों के बीच विशिष्ट अंतरों को ध्यान में रखते हुए पारंपरिक दृष्टिकोण को लगातार पछाड़ दिया। मॉडल ने सीखा कि वायरस न्यूयॉर्क जैसे भीड़भाड़ वाले शहर की तुलना में नॉर्थ डकोटा जैसे ग्रामीण क्षेत्र में अलग तरह से व्यवहार करता है। हालाँकि, इन भविष्यवाणियों की सटीकता सभी के लिए समान नहीं थी। मॉडल बड़े जनसंख्या वाले राज्यों के लिए असाधारण रूप से अच्छा काम करता था, जहाँ डेटा बिंदुओं की बड़ी संख्या ने कंप्यूटर को पैटर्न स्पष्ट रूप से सीखने में मदद की। छोटे राज्यों के लिए, भविष्यवाणियां कम सटीक थीं, जिससे पता चलता है कि कम आबादी वाले क्षेत्रों में प्रभावी ढंग से काम करने के लिए मॉडल को अधिक विस्तृत डेटा की आवश्यकता है।
केवल दैनिक संक्रमण संख्याओं की भविष्यवाणी करने के अलावा, शोधकर्ताओं ने अपने मॉडल का उपयोग 'रेप्रोडक्शन नंबर' को ट्रैक करने के लिए किया, जो एक प्रमुख मीट्रिक है जो स्वास्थ्य अधिकारियों को बताता है कि एक संक्रमित व्यक्ति से कितने नए मामले होने की संभावना है। यह देखते हुए कि मॉडल वास्तविक समय में अपने आंतरिक मापदंडों को कैसे समायोजित करता है, वे इस संख्या का अनुमान लगा सकते थे कि महामारी कैसे विकसित हो रही है। परिणामी ग्राफ ने वायरस के प्रसार के उतार-चढ़ाव को दिखाया, जिसने देश भर में महामारी के सामान्य रुझानों को पकड़ा। जबकि राष्ट्रीय स्तर का अनुमान विश्वसनीय था, टीम ने पाया कि इस संख्या को व्यक्तिगत राज्यों के लिए विभाजित करना कठिन था, संभवतः इसलिए क्योंकि छोटे क्षेत्रों के लिए डेटा बहुत विरल था जो इतने सूक्ष्म दृश्य का समर्थन कर सके।
अध्ययन निष्कर्ष निकालता है कि नेटवर्क-आधारित आर्टिफिशियल इंटेलिजेंस को रोग मॉडलिंग के साथ जोड़ने की यह विधि संक्रामक रोगों को समझने के लिए बहुत आशाजनक है। इसने सफलतापूर्वक प्रदर्शित किया कि कंप्यूटर को मानव आंदोलन के जटिल जाल को पहचानने के लिए सिखाकर, वैज्ञानिक पहले से कहीं अधिक सटीक पूर्वानुमान लगा सकते हैं। शोधकर्ता स्वीकार करते हैं कि मॉडल पूर्ण नहीं है, विशेष रूप से छोटी आबादी पर लागू होने पर, और भविष्य के कार्य को गतिशीलता के अनुमान को परिष्कृत करने और शायद विश्लेषण को काउंटी स्तर तक ले जाने पर ध्यान केंद्रित करने की आवश्यकता होगी। फिलहाल, यह कार्य एक महत्वपूर्ण कदम के रूप में खड़ा है, जो यह सिद्ध करता है कि सही उपकरणों और पर्याप्त डेटा के साथ, हम एक राष्ट्र के माध्यम से वायरस कैसे यात्रा करता है, इसकी एक स्पष्ट तस्वीर बना सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।