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

In de complexe wereld van de volksgezondheid is het voorspellen van de toekomst vaak een kwestie van leven of dood. Wanneer een virus zich verspreidt, moeten overheden niet alleen weten hoeveel mensen er vandaag ziek zijn, maar ook hoeveel mensen er morgen ziek kunnen worden. Dit is het domein van tijdreeksmodellering, een methode waarbij naar patronen uit het verleden wordt gekeken om te voorspellen wat er volgt. Decennialang hebben wetenschappers statistische instrumenten gebruikt om lijnen door datapunten te trekken, in de hoop de vorm van de komende gebeurtenissen te kunnen zien. De verspreiding van een ziekte verloopt echter zelden in een rechte lijn; het is een chaotisch, verschuivend fenomeen dat wordt beïnvloed door menselijk gedrag, beleidswijzigingen en biologische factoren. Om deze complexiteit te navigeren, hebben onderzoekers zich gericht op kunstmatige intelligentie, specif wel een type computerprogramma dat een neuraal netwerk wordt genoemd. Denk bij een neuraal netwerk aan een digitaal brein dat leert van voorbeelden en zijn interne verbindingen aanpast totdat het patronen kan herkennen die traditionele wiskunde wellicht mist. Toch kunnen zelfs deze digitale breinen vastlopen of fouten maken als ze niet correct worden begeleid. Hier komt een nieuwere klasse van probleemoplossende instrumenten, bekend als metaheuristische algoritmen, in beeld. Dit zijn computationele strategieën geïnspireerd door de natuur — zoals hoe vogels in zwermen vliegen of hoe walvissen jagen — die computers helpen om door een enorme hoeveelheid mogelijkheden te zoeken naar de best mogelijke oplossing, waarbij ze doodlopende wegen en lokale vallen vermijden.

Tegen deze achtergrond van dringende noodzaak en technologische innovatie, zette een onderzoeker van de Khatam Universiteit in Teheran zich scharpe om te verfijnen hoe we de dodelijke tol van de COVID-19-pandemie voorspellen. Met de focus op Nederland, een land dat aanzienlijke golven van infecties doormaakte, analyseerde de studie dagelijkse sterftecijfers vanaf het begin van de uitbraak in februari 2020 tot en met april 2021. Het doel was niet enkel om de doden te tellen, maar om een nauwkeuriger voorspellingsmachine te bouwen. De onderzoeker begon door de computer een breed scala aan datapunten te voeden, afgeleid van de dagelijkse sterftecijfers. In plaats van alleen het ruwe aantal sterfgevallen te gebruiken, transformeerde het team deze data naar zestien verschillende wiskundige indicatoren, vergelijkbaar met hoe een financieel analist naar voortschrijdende gemiddelden of momentum zou kijken om aandelenkoersen te voorspellen. Deze indicatoren hielpen de computer om de trends, de snelheid van verandering en de volatiliteit van de pandemische curve te zien. Om te voorkomen dat de computer werd overweldigd door onnodige informatie, maakte de onderzoeker gebruik van een genetisch algoritme, een proces dat biologische evolutie nabootst, om door de data te zeven en alleen de meest relevante indicatoren voor het uiteindelijke model te selecteren.

Met de data voorbereid, testte de studie verschillende manieren om het voorspellingsmodel te trainen. De basislijn was een standaard kunstmatig neuraal netwerk, een krachtig instrument op zichzelf. De onderzoeker introduceerde vervolgens vier verschillende metaheuristische algoritmen om te zien of zij het neurale netwerk naar een beter antwoord konden leiden. Deze omvatten de Moth-Flame Optimization, die simuleert hoe motten navigeren via licht; het Whale Optimization Algorithm, dat de strategie van het jagen met bellennetten van bultrugwalvissen nabootst; het Giza Pyramids Construction algoritme, dat put uit de fysica van het omhoog bewegen van zware stenen over een helling; en een nieuwere methode genaamd Future Search Optimization. Dit laatste algoritme is uniek in zijn benadering, waarbij het modelleert hoe mensen in de samenleving proberen hun leven te verbeteren door het imiteren van de meest succesvolle individuen, waarbij ze hun pad constant aanpassen richting een globaal ideaal. De computer kreeg de opdracht om deze verschillende strategieën duizenden keren uit te voeren, waarbij telkens werd geprobeerd de fout tussen de voorspelling en de werkelijke historische data te minimaliseren.

De resultaten van dit uitgebreide digitale experiment waren duidelijk en besluitvaardig. Hoewel het standaard neurale netwerk een redelijke voorspelling gaf, werd het overtroffen door de algoritmen die gebruikmaakten van natuurgeïnspireerde begeleiding. Onder de verschillende geteste methoden kwam het Future Search Optimization algoritme als het meest precieze instrument naar voren. Het bereikte een nauwkeurigheidsniveau dat orden van grootte beter was dan de andere methoden, inclusioneel de walvis- en mot-geïnspireerde strategieën. De studie vond dat dit algoritme de chaotische data van de pandemie kon navigeren met een mate van precisie die de andere modellen niet konden evenaren, waarbij het effectief de optimale weg vond door de ruis van dagelijkse fluctuaties. Het onderzoek toonde aan dat door de patroonherkennende kracht van neurale netwerken te combineren met het strategische zoekvermogen van deze geavanceerde algoritmen, het mogelijk is om een model te creëren dat zowel sneller als nauwkeuriger is. De studie concludeert dat voor toekomstige pandemieën het vertrouwen op deze hybride methoden overheden de betrouwbare vooruitblik kan bieden die nodig is om tijdig beslissingen te nemen, wat potentieel levens kan redden door vroegtijdige en effectievere interventies mogelijk te maken. Het werk suggereert dat de sleutel tot het begrijpen van de toekomst van de verspreiding van ziekten niet alleen ligt in het kijken naar het verleden, maar in het gebruik van de juiste computationele instrumenten om het te interpreteren.