抗击下一波新冠病毒的ai增强预测模型

经过Eric Paternoster，苏丹博士，哈里凯利斯休斯 2020年6月|POV |14分钟阅读|通过电子邮件发送本文|下载

开放的速度应该有多快?

需要关键信息来决定各国应如何重启经济。关于病毒传播的容易程度、在新地点发展的程度、突变的可能性以及潜在热点的实时识别等方面的可靠数据都是必需的。

然而，迄今为止已经开发的数据科学模型遭受了不断发展的数据点，有时是不可靠的。¹许多早期的统计模型都是匆忙开发出来的²基于有限的测试能力缺点数据。^3./^4.

需要一种不同的方法，一个内置于尖端人工智能的一个，该智能是适应性的，建立在规模和自动化。该模型将优于当前模型，因为它需要更少的数据来学习和预测当发生第二波时病毒的路径。希望是公共部门领导人可以使用该模型更有效地预测Covid-19动态，制定更好的大流行控制程序，并为当前波浪和超越设计强大的退出策略。

为什么当前数据失败了？

需要良好的数据来跟踪和响应这种幅度的大流行。该数据必须准确且统计学意义。诸如死亡率，r值，病毒传输速率和畜群免疫水平的事情，迄今为止越来越无法估计地理位置。新病毒引起的爆发开始时的可靠数据是罕见的，并且对这些值的预测是不确定的。^5.

还需要良好的观察数据。这在美国和其他国家一直很困难，大规模测试一直在挑战。另一个问题是由免疫诊断测试类型和样本收集技术的差异引起的敏感性和特异性率的差异。具有如此高的可变性，很难理解感染者的人数，那些已经收缩病毒并恢复的人。

此外，用于检测过去感染的抗体也可能由其他形式的冠状病毒产生，包括普通感冒和季节性流感。

通过这些不确定性，很难确定谁是免疫，谁是无症状或症状轻微的症状。有些人可能是对症的，但尚未进行测试。如果事情打开太快，这些运营商可能很容易引发大流行的新浪潮。

还必须了解哪些人特别容易感染该病毒。新的数据显示，肥胖、糖尿病、心脏病和维生素D缺乏会使情况变得更糟。然而，关于传播是否有任何季节性影响或天气依赖性，目前尚无定论。目前的模型处理如此多的未知变量很可能是有问题的。

当前模型的问题

存在用于跟踪病毒的计算模型基于数据不足和朦胧假设。

美国卫生计量与评估研究所建立的一个模型假设，大流行的发展将步中国、西班牙和意大利等国的后尘。白宫使用了该模型。但它没有考虑到关键地区参数的任何差异。人口特征、COVID-19检测的可获得性和差异性、重症护理设施的可获得性、隔离级别以及社交距离生效的日期都是基于世界其他地方的情况。这样一个非机械性的模型受到了法尔定律的谬误，^6.这表称所有流行病都是对称的，并均匀缩放。然后，难怪IHME的预测导致了与美国政策制定者和美国更广泛的公众混淆。^7.

“许多现有模型基于错误的数据，并且无法考虑到关键区域参数”

一些大学采取了不同的路线。这些早期模型纳入了传染病，传输和R值的估计，以及增加严重疾病或死亡风险的因素。他们还将时间框架纳入感染到实际临床恢复。该工作模型被称为SEIR，它将人群分为四个桶（易感，暴露，感染，抗性）。虽然比ihme样本模型更精确，但这些模型不会因素不断发展病毒的知识和对人口的风险。它们还低估了疾病的蔓延，因为没有考虑到人口行为，地方环境因素和政治决策的影响。此外，这些模型尚未明确提到其创世纪中已包含的关键假设。不准确的假设可能导致工作模型中的错误。^8.

伦敦帝国学院的模型，预测高感染和死亡率实际上未能推断出仍然在没有政府任务的干预措施的情况下仍然存在的人口行为的明显变化。它还缺乏了解如何由于这种行为而如何改变病毒繁殖（R0）。

根据明尼苏达大学的说法，基于其他冠状病毒的其他模型 - 例如SARS-COV-1（导致严重的急性呼吸道综合征）和中东呼吸综合征冠状病毒，称为MERS-COV - 同样未能提供有用的关于从Covid-19预测的内容的指导。^9.最近的Umass Amherst的集合型模型（通常用于天气预报）三角形比较多种模型的比较预测。这种方法可以将已经集成到的现有模型中的不确定性和错误包含，它已引用以开发其预测假设。

建模正确的退出策略

这一切的意义是既没有正确的数据也没有正确的模型，可以讲述政府何时以及如何开放。这具有触发社会混乱和稳定的市场的敲击效果。即使是现在，一些领导者也通过削弱了控制而在没有多少准备潜在的辐射的情况下搬进来。

“人工智能模型将使领导者能够根据自动失效的实时数据提前制定计划。”

世界卫生组织警告说，如果世界各地突然停止封锁，可能会爆发新的疫情。^10.有些专家表示，新浪潮可能会在2020年晚上或2020年初期袭击，甚至更快，具体取决于现在处理重新开放。

在这种不确定时期，需要一种新的型号，帮助政府和特遣部队领导人根据故障安全，实时数据确定未来的计划。该模型（以及它确定的计划）应根据第二波的可能性以及该波可能的可能性。这将告知企业和各国政府如何以及何处采购必要的供应，例如呼吸机和个人防护设备。它还将讲述政府如何管理连续住院和ICU招生，同时提供有关经济如何恢复正常的指导，如果发生第二波，那么如果发生较少的经济中断。

当然，在第一个实例中，某些型号比其他型号更成功。在新西兰，为了让经济备份和运行，已经提出了良好的建议，增加了对脆弱人的测试，社会疏散和保护。但在更广泛的规模上，缺少更粒度水平的决策。例如，如果锁定在某些位置继续锁定以保护弱势群体？如何分类，以确定谁从锁定首先从锁定中出现以及未来将需要哪些社会疏散措施，以便将大流行抑制在卫生系统的能力之下？最后，需要在规模实施接触跟踪的策略，并确保其他波浪发生卫生保健就足够了吗？

AI模型导航下一个波

公共卫生决策者需要更好的信息和更好地了解预警指标，以导航各种锁定场景。许多最强大的新模式都在科学审查下。

但他们可以做得更好，克服了早期模型的一些缺点。

一个想法是采用ai，其中人工神经网络和深度学习技术可以增加现有的流行病学模型，使其在实时变得更加动态，更响应。此AI模型将是自适应的，建立在规模，自动化和使用“半监督”或无监督的学习中。即使没有普遍接受的和大规模的Covid-19测试报告，即使没有普遍接受和大规模的Covid-19测试报告，也可以立即获得更全面的结果。^11.

这个AI模型将是自我维持的。与许多当前模型相比，它需要减少的数据量来学习和预测（其长期学习曲线并要求所有培训数据严格并正确标记 - 由于有限的测试和Covid-19死亡的泄露而困难的壮举外部医院）。AI系统将具有持续调整对输入参数，不会持续学习，不会遭受当前模型的不可避免的“调整延迟”。此外，通过深入学习，AI可以发现复杂的模式，自动检测异常，自动学习和自我愈合。它还能够判断变量的准确性（例如，测试结果中的差异），产生比我们目前所见的任何东西更可靠的结果。

Because the spread of the disease is different in different places, the key parameters in the AI model would include regional population characteristics such as age distribution, socioeconomic status, population risk factors (e.g., smoking, obesity, drug dependencies) and the percentage of older adults with comorbidities. It would also include regional and environmental factors such as population size, density, individual mobility and social-distancing effects.

此外，该模型将超越一个群体子集中的每个个体都有相同的感染机会的假设。相反，输入数据将根据人口的社会经济、人口、教育水平、不健康习惯和健康状况来考虑。被隔离和不再能够传播感染的被感染者的数量也将被纳入模型。

“人工智能将使各国政府能够实施一项软的、有方向性的计划，重新开放经济。”

我们在哪里可以获得此数据？管道将由与Medicare和Medicaid收集的大型区域数据集组成，并包括个人的人口统计详细信息以及Covid-19测试报告和临床数据（治疗记录，健康风险和实验室结果）等临床变量。所有这一切都应增强健康的社会决定因素，并与流行病学因素相结合，如感染率随时间，接触率，病例报告和卫生因素（手工洗涤，面部面具采用，社会疏散）。

在这些指导原则的指导下，这种人工智能模型将为疾病的进展提供现实的见解。它还可以为个体行为建模，以应对疾病不断变化的影响。这些见解将用于指导工作组领导人主动发现、追踪和隔离covid -19易感人群，将感染传播控制在可控水平。通过对病毒中心和疾病热点趋势的早期预测，该模型有助于PPE的优化配置。它还将确保地区在第二波浪潮到来时做好准备。这种由人工智能驱动的智能将使各国政府能够实施一项软的、有指导意义的计划，以重新开放本国经济，而不是实行严厉而广泛的隔离政策。

一项知情的退出策略

Covid-19是一个未知的实体，比西班牙流感以来的任何东西更危险。^12.

直到政府有标准的测试机制，更好的测试覆盖率和经过验证的治疗制度，模型需要用于留在局势之上，并制定基于数据的决策。这种决定需要无偏见，一致和现实。不幸的是，大多数现有模型都没有提供关于如何管理流行前进的粒度指导。现在是采用新的深度学习AI模型，该模型具有理想的流行病学，生物信息学和健康经济学。这种模型将为病毒的实际性质和过程提供更统计相关的预测。如果迅速发展，这些智慧将是一个福音为政府，使他们能够在“旁边的实时”中作出理性决策，减轻大流行的效果，并提供经济，并提供强大而且信息良好的退出策略。

参考

1. 谁是John Ioannidis？，Edward Peter Stringham，4月19日2020年，美国经济研究所
2. 特别报告：推动世界对Covid-19的回应的模拟大卫·亚当，2020年4月2日，自然网站
3. Covid-19测试：改进的挑战，限制和建议，胡，E.，4月9日，2020年，预印迹。
4. Covid-19测试：克服了流行病的下一阶段的挑战，Arjun K. Manrai＆Kenneth D. Mandl，3月31日，2020年3月31日，统计新闻
5. 预测新型冠状病毒COVID-19, Fotios Petropoulos & Spyros Makridakis，3月31日，2020年，Plos一个
6. 谨慎保证：使用健康指标研究所和评估模型预测Covid-19大流行过程Nicholas P. Jewell & Joseph A. Lewnard & Britta L. Jewell, 2020年4月14日，《内科学年鉴》
7. 有影响力的Covid-19模型使用有缺陷的方法，不应该引导美国政策，批评者说，沙龙突南，4月17日，2020年4月，统计新闻
8. COVID-19大流行的预测数学模型:预测的基本原则和价值， Nicholas P. Jewell & Joseph A. Lewnard & Britta L. Jewell, 2020年4月16日，JAMA
9. Covid-19：CIDRAP观点2020年4月30日CIDRAP
10. Coronavirus：如果遏制太早举起，那么'致命的复兴''BBC新闻
11. 估算Covid-19死亡率的分母很重要，Bamba Gaye＆Anouar Fanidi＆Xavier Jouven，2020年4月7日，欧洲心脏杂志
12. 专家预测美国的“重要的Covid-19活动”长达2年Amanda Woods, 2020年5月1日，《纽约邮报》