Come l’AI può aiutarci a prepararci per la seconda ondata – Leader di pensiero

Di Eric Paternoster, CEO di Infosys Public Services

Finora, i modelli di data science esistenti non hanno fatto un buon lavoro nel prevedere la facilità di trasmissione del COVID-19, l’estensione del suo sviluppo e le epidemie in nuove aree calde. Molti sono stati sviluppati in fretta, con informazioni limitate.

Un modello di intelligenza artificiale, tuttavia, sarebbe adattivo, costruito per scalare e automatizzato, analizzando insieme dati sociologici, economici e sanitari relativi al COVID per consentire alle economie di riaprire con successo in caso di un’altra ondata.

I dati utilizzati in questo modello dovrebbero essere sia accurati che statisticamente significativi. Devono anche essere affidabili. Finora, cose come i valori R, i livelli di immunità di gregge e i tassi di mortalità sono stati molto difficili da stimare in tutto il mondo, soprattutto in luoghi senza una strategia di test e tracciamento dei contatti coerente. Un altro problema è stato che, anche quando sono stati eseguiti test di buona qualità, ci sono state grandi differenze nei tassi di sensibilità e specificità, causate dalla varianza nei tipi di test immunodiagnostici e nelle tecniche di raccolta dei campioni.

Non solo i dati sono scadenti, ma i modelli stessi sono stati difettosi. Il modello utilizzato dalla Casa Bianca, costruito dall’Istituto per la valutazione delle metriche sanitarie, non ha tenuto conto delle differenze nei parametri regionali chiave e ha assunto che il virus avrebbe colpito la popolazione nello stesso modo in cui lo ha fatto in Cina, Spagna e Italia. Naturalmente, gli Stati Uniti hanno caratteristiche di popolazione molto diverse, livelli di quarantena e disponibilità di test.

Altri modelli, spesso sviluppati da università leader in tutto il mondo, hanno fatto un po’ meglio. Hanno incorporato stime di contagio, insieme a fattori che aumentano il rischio di malattia grave o morte. Ma anche questi si basavano su ipotesi inaccurate, portando a errori nel modello di lavoro. Ad esempio, il modello inizialmente sviluppato dal Imperial College London non ha inferito il cambiamento ovvio nel comportamento della popolazione che sarebbe ancora sorto in assenza di interventi governativi. Non ha nemmeno compreso come il numero di riproduzione del virus (R0) sarebbe cambiato a causa di questo comportamento.

Non c’è da meravigliarsi, quindi, che sia sorto tanto caos, soprattutto negli Stati Uniti e nel Regno Unito. Allentare i controlli senza prepararsi alle conseguenze è stato costoso, anche se la malattia è probabilmente destinata a tornare. Devono essere adottate misure per informare la presa di decisioni a un livello più granulare. Le popolazioni devono essere stratificate per determinare chi esce per primo dal lockdown. Deve essere implementata una strategia per abilitare il tracciamento dei contatti su larga scala e garantire che l’assistenza sanitaria sia sufficiente in futuro.

Per aiutare in questo, le tecniche di apprendimento profondo e di reti neurali artificiali dovrebbero essere utilizzate, aumentando i modelli epidemiologici esistenti e rendendoli più dinamici e reattivi in tempo reale. Questo modello di intelligenza artificiale utilizzerebbe l’apprendimento semi-supervisionato o non supervisionato e potrebbe funzionare anche con input limitati da rapporti di test su larga scala. Sarebbe autosufficiente e richiederebbe una quantità ridotta di dati per apprendere e prevedere, rispetto ai modelli attuali. Continuando ad aggiustare i parametri di input e continuando ad apprendere, il modello genererebbe previsioni che non soffrirebbero di ritardi di aggiustamento inevitabili.

Con l’apprendimento profondo, l’AI potrebbe scoprire modelli complessi, autoapprendere e auto-risanare automaticamente. Potrebbe anche rilevare automaticamente le anomalie e sarebbe in grado di giudicare l’accuratezza delle variabili, producendo risultati molto più affidabili rispetto ai modelli di data science del COVID-19 esistenti.

I parametri chiave in questo modello di intelligenza artificiale attingerebbero da rapporti di test clinici, dati di tracciamento dei contatti e grandi set di dati regionali e includerebbero caratteristiche di popolazione regionali, stato socioeconomico e fattori di rischio come il fumo, la dipendenza da droghe e l’obesità. Il numero di individui infetti che si sono messi in quarantena e non potevano più diffondere l’infezione sarebbe incorporato nel modello.

Ciò fornirebbe ai leader delle task force le informazioni necessarie per arginare questa malattia pericolosa in modo proattivo, consentendo loro di prendere decisioni razionali in tempo quasi reale, fornendo alle economie mondiali una strategia di uscita robusta e ben informata.