Веб-сайт COVIDcast, Собранный учеными машинного обучения из группы Delphi Карнеги-Меллона, он объединяет несколько точек самоотчетов, представленных в целях «текущего прогноза», картины болезни в реальном времени, которая будет использоваться для создания новых прогнозов.
Университет Карнеги Меллон.
Исправление: Quidel предоставляет тесты на грипп, а не на COVID-19, как указано в предыдущей версии этой статьи. Группа Delphi планирует начать вещание через несколько недель.
Врачи, исследователи и правительства никогда не имеют полного представления о вспышке заболевания в любой данный момент времени. Действительно, в полной мере, в конечном счете, это может быть непостижимо, как отмечают ученые.
И степень нехватки знаний общества обнаруживается при изучении моделей COVID-19.
Ежедневные брифинги губернатора Нью-Йорка Эндрю Куомо показывают неопределенность в нескольких моделях болезни. Популярные средства массовой информации указали, где модели ошибаются, в том числе «скрытые» вспышки, распространяющиеся по американским городам, и число случаев заболевания значительно выше, чем в официальных подсчетах.
Проблема заключается в способе оценки COVID-19, и Созданные прогнозы — довольно тупой инструмент, основанный на подходе эпидемиологического прогнозирования, созданном 100 лет назад.
Это скоро изменится.
В четверг ученые из Университета Карнеги-Меллона, одного из двух «центров передового опыта» в области исследований гриппа (другой — UMass в Амхерсте), представили комбинацию из пяти карт симптомов, зарегистрированных людьми по всей стране. которые чувствуют что-то, что может быть COVID-19, хотя это может быть что-то другое.
Вы можете увидеть пять карт на COVIDcast, веб-сайте CMU, созданном лабораторией, проводящей эксперимент, Delphi, под руководством профессоров Рони Розенфельда и Райана Тибширани, оба из отдела машинного обучения CMU. Тибширани также назначен на должность в Департамент статистики КМУ.
Эта комбинированная карта симптомов в COVIDcast является примером цифрового наблюдения, имеющего информацию в реальном времени, с помощью которой можно отслеживать возникновение заболевания и видеть его тонкости и нюансы в масштабе населенных пунктов. Источники включают в себя опросы, заполненные пользователями Facebook, пользователями Google Opinion Rewards и Quidel Corp (производитель медицинских тестов, который регистрирует, когда люди заказывают тест на грипп, что может быть возможным показателем того, что человек чувствует симптомы, схожие с симптомами COVID-19).
Сбор этих данных в режиме реального времени в конечном итоге приведет к тому, что называется «прогнозом текущей погоды», — практикой, которая развивается в течение последнего десятилетия как способ обойти медленные темпы какие эпидемиологические данные накапливаются. Команда COVID-19 в Delphi в течение восьми лет совершенствовала прогнозирование текущей погоды для прогнозирования сезонного гриппа от имени Центров по контролю заболеваний.
Их подход к гриппу основывался на зарегистрированных случаях, переданных от медицинских работников. Этим данным, помеченным ILINet, неделя, то есть пациенты, которых видят врачи, не сообщаются до пятницы следующей недели.
Команда Delphi разработала прогнозирование текущей погоды как способ объединения данных в реальном времени, таких как данные поиска Google, о том, сколько людей ищут симптомы гриппа. Используя статистический подход, они усиливают то, что говорят медицинские отчеты, складывая в них то, что говорят отчеты в режиме реального времени.
Группа Delphi в настоящее время использует этот опыт с гриппом для создания нового подхода к прогнозированию COVID. -19. Используя цифровые данные наблюдения о добровольном сообщении и метод объединения датчиков, объединяющий несколько источников данных, они начнут предоставлять прогнозы заболевания в ближайшие недели на основе текущей картины событий. Как только они начнут делать прогнозы, Delphi намеревается добавить прогноз COVID-19 в настоящее время.
Деятельность COVID-19 — это не просто расширение прогноза по гриппу. Это потребует новых статистических подходов, поскольку COVID-19 отличается от сезонного гриппа.
«То, что мы наблюдаем сейчас, совсем не похоже на то, что мы наблюдали при историческом гриппе», — отметил Тибширани во время презентации на конференции COVID-19 и AI 1 апреля, организованной Институтом человека при Стэнфордском университете. В центре внимания AΙ. «По определению пандемии, [COVID-19 is] ничего похожего на то, что мы наблюдали, точка».
Для статистического анализа массы данных наблюдения, команда Delphi на протяжении многих лет уточняла кучу статистических и машинных данных. подходы к обучению. Они включают в себя то, что называется дельта-плотностью, которая включает в себя подходы, основанные на «марковских процессах», в соответствии с которыми определенное положение дел может быть выведено из предыдущих состояний. Последующие данные могут быть ретроспективно использованы для пересмотра предыдущих предположений о состоянии дел таким образом, чтобы постоянно уточнять модель заболевания.
Существует определенное мастерство в том, как комбинируются различные сигналы, способность знать как обрабатывать и рассматривать данные, как объяснил Тибширани ZDNet в электронном письме.
«Эти сигналы не измеряют одно и то же, — писал Тибширани, — и они даже не нарисованы в отношении одного и того же населения (Facebook против пользователей Google)».
Delphi Группа не рассматривает сигналы от опросов как «основную правду», фразу в статистике, которая означает объективно правдивую. Скорее, «именно их индивидуальные временные тенденции нас больше всего интересуют», — писал Тибширани.
«Например, если в данном округе мы видим всплеск обоих этих сигналов, то это может быть значимым показателем повышенной активности COVID-19. Это означает, что их индивидуальные отклонения постоянны во времени, что является разумным допущением. "
Чтобы понять значение усилий по прогнозированию текущей погоды и прогнозов, которые из этого выйдут, подумайте об ограничениях существующих моделей, включая модели из Имперского колледжа в Лондоне и Колумбии. Университет.
Все эти модели являются так называемыми «механистическими» моделями, потому что они основаны на очень общем понимании механизма, посредством которого распространяются все инфекционные заболевания, «динамики передачи», как ее иногда называют.
Механистические модели, используемые сегодня, в основном основаны на одном математическом подходе, модели, называемой компартментальной моделью. Наиболее знакомой формой компартментальной модели является так называемая восприимчивая, инфекционная, восстановленная или SIR-математическая модель. SIR был впервые представлен в 1927 году учеными Уильямом Огилви Кермаком и Андерсоном Греем МакКендриком.
Модель SIR — и многие варианты, которые используются сегодня, такие как SEIR, который включает в себя «разоблаченных» людей — представляют собой наборы уравнений, в которые входят значения для переменных, таких как число зараженных в настоящее время люди, чтобы придумать убедительную кривую для прогрессирования заболевания. Эти модели стали доминировать в мышлении людей о распространении болезни. Рейх Лаборатория в UMass, другом центре передового опыта, блестяще объединила модели, чтобы показать людям расхождения в своих прогнозах.
Эти модели, основанные на SIR, доказали свою ценность на протяжении десятилетий, но у них есть ограничения. Наиболее явным ограничением является зависимость этих моделей от данных из официальных источников, таких как количество подтвержденных случаев. Другим большим ограничением является то, что все модели довольно жесткие, и делают схожие предположения о механизме распространения болезни.
Статистический подход COVIDcast группы Delphi, вероятно, выявит нюансы COVID-19. Мы уже знаем, что эта болезнь поражает людей по-разному в зависимости от возраста и ранее существовавших хронических состояний, таких как ожирение. Мы также знаем, что существует разная генетическая структура заболевания, при котором разные штаммы смешиваются в инфицированной популяции, причем разные белки придают заболеванию антигенную сигнатуру, которая со временем может меняться.
По мере того, как все больше и больше данных включаются в качестве сигналов, выявляется все больше специфичности того, как распространяется COVID-19. Вместо того, чтобы рассматривать одно заболевание, которое равномерно распространяется среди населения, вполне возможно, что врачи и правительства могут рассматривать комплекс условий, которые необходимо решать различными способами.
Эпидемиология узнает о слежении за болезнями в результате этой пандемии в результате цифрового наблюдения и прогнозирования текущей погоды в самом крупном из когда-либо предпринятых масштабов. Практика отслеживания и борьбы с болезнями уже никогда не будет прежней.
