A Future Search Optimization based Hybrid Meta-Heuristic Algorithm for Pandemic Spread and Mortality Prediction

Nel complesso mondo della salute pubblica, prevedere il futuro è spesso una questione di vita o di morte. Quando un virus si diffonde, i governi hanno bisogno di sapere non solo quante persone sono malate oggi, ma quante potrebbero ammalarsi domani. Questo è il regno della modellazione delle serie temporali, un metodo che consiste nell'osservare gli schemi passati per prevedere ciò che verrà dopo. Per decenni, gli scienziati hanno utilizzato strumenti statistici per tracciare linee attraverso i punti dati, sperando di vedere la forma delle cose da venire. Tuttavia, la diffusione di una malattia è raramente una linea retta; è un fenomeno caotico e mutevole influenzato dal comportamento umano, dai cambiamenti nelle politiche e da fattori biologici. Per navigare in questa complessità, i ricercatori si sono rivolti all'intelligenza artificiale, specificamente a un tipo di programma informatico chiamato rete neurale. Pensate a una rete neurale come a un cervello digitale che impara dagli esempi, regolando le sue connessioni interne finché non riesce a riconoscere schemi che la matematica tradizionale potrebbe perdere. Eppure, anche questi cervelli digitali possono incagliarsi o commettere errori se non vengono guidati correttamente. È qui che entra in gioco una nuova classe di strumenti di risoluzione dei problemi, noti come algoritmi meta-euristici. Si tratta di strategie computazionali ispirate alla natura — come il modo in cui gli uccelli si spostano in stormo o come le balene cacciano — che aiutano i computer a cercare tra vaste possibilità per trovare la migliore soluzione possibile, evitando vicoli ciechi e trappole locali.

Contro questo sfondo di urgente necessità e innovazione tecnologica, un ricercatore della Khatam University di Teheran si è proposto di perfezionare il modo in cui prevediamo il tragico bilancio della pandemia di COVID-19. Concentrandosi sui Paesi Bassi, un paese che ha vissuto significative ondate di infezione, lo studio ha analizzato i registri giornalieri dei decessi dall'inizio del focolaio nel febbraio 2020 fino ad aprile 2021. L'obiettivo non era semplicemente contare i morti, ma costruire una macchina di previsione più accurata. Il ricercatore ha iniziato fornendo al computer una vasta gamma di punti dati derivati dai numeri dei decessi giornalieri. Invece di utilizzare solo il conteggio grezzo dei decessi, il team ha trasformato questi dati in sedici diversi indicatori matematici, in modo simile a come un analista finanziario potrebbe osservare le medie mobili o il momentum per prevedere i prezzi delle azioni. Questi indicatori hanno aiutato il computer a vedere i trend, la velocità del cambiamento e la volatilità della curva pandemica. Per garantire che il computer non fosse sopraffatto da informazioni non necessarie, il ricercatore ha impiegato un algoritmo genetico, un processo che imita l'evoluzione biologica, per setacciare i dati e selezionare solo gli indicatori più rilevanti per il modello finale.

Con i dati preparati, lo studio ha testato diversi modi per addestrare il modello di previsione. La base di partenza era una rete neurale artificiale standard, uno strumento potente di per sé. Tuttavia, il ricercatore ha poi introdotto quattro diversi algoritmi meta-euristici per vedere se potessero guidare la rete neurale verso una risposta migliore. Questi includevano l'Ottimizzazione Farfalla-Fiamma (Moth-Flame Optimization), che simula come le falene si orientano con la luce; l'Algoritmo di Ottimizzazione delle Balene (Whale Optimization Algorithm), che modella la strategia di caccia a rete di bolle delle megattere; l'algoritmo di Costruzione delle Piramidi di Giza (Giza Pyramids Construction), che trae ispirazione dalla fisica dello spostamento di pesanti pietre su una rampa; e un metodo più recente chiamato Ottimizzazione della Ricerca Futura (Future Search Optimization). Quest'ultimo algoritmo è unico nel suo approccio, modellando come le persone nella società cerchino di migliorare la propria vita emulando gli individui di maggior successo, regolando costantemente il proprio percorso verso un ideale globale. Al computer è stato chiesto di eseguire queste diverse strategie migliaia di volte, cercando ogni volta di minimizzare l'errore tra la sua previsione e i dati storici reali.

I risultati di questo esteso esperimento digitale sono stati chiari e decisivi. Sebbene la rete neurale standard fornisse una previsione discreta, è stata superata dagli algoritmi che utilizzavano la guida ispirata alla natura. Tra i vari metodi testati, l'algoritmo di Ottimizzazione della Ricerca Futura è emerso come lo strumento più preciso. Ha raggiunto un livello di accuratezza di ordini di grandezza superiore rispetto agli altri metodi, inclusi le strategie ispirate alle balene e alle falene. Lo studio ha scoperto che questo algoritmo poteva navigare nei dati caotici della pandemia con un grado di precisione che gli altri modelli non potevano eguagliare, trovando efficacementamente il percorso ottimale attraverso il rumore delle fluttuazioni giornaliere. La ricerca ha dimostrato che combinando il potere di riconoscimento dei pattern delle reti neurali con la capacità di ricerca strategica di questi algoritmi avanzati, è possibile creare un modello che sia sia più veloce che più accurato. Lo studio conclude che, per le future pandemie, affidarsi a questi metodi ibridi potrebbe fornire ai governi la lungimiranza affidabile necessaria per prendere decisioni tempestive, salvando potenzialmente vite umane permettendo interventi più precoci ed efficaci. Il lavoro suggerisce che la chiave per comprendere il futuro della diffusione delle malattie risiede non solo nel guardare al passato, ma nell'utilizzare gli strumenti computazionali giusti per interpretarlo.