Μελετώντας την εξέλιξη της πανδημίας στην χώρα μας, αυτό που πλέον ονομάζουμε “δεύτερο κύμα” της πανδημίας, αναπτύξαμε ένα μοντέλο που συνδιάζει την κατανόηση του φαινομένου, μέσα από ένα απλό μαθηματικό επιδημιολογικό μοντέλο, με τις προσαρμοστικές δυνατότητες της τεχνητής νοημοσύνης. Έτσι, το μοντέλο μας ενσωματώνει την φυσική του φαινομένου μέσα από το επιδημιολογικό μοντέλο, SIR – Susceptibles (άτομα επιδεκτικά μόλυνσης), Infected (άτομα που είναι μολυσμένα) και Removed (άτομα που μολύνθηκαν και ιάθηκαν ή δυστυχώς απεβίωσαν) σε ένα μοντέλο τεχνητής νοημοσύνης που προσπαθεί να βρει τον βέλτιστο τρόπο περιγραφής της εξέλιξης του αριθμού των ημερήσιων καταγεγραμμένων κρουσμάτων. Στα πλαίσια αυτά το μοντέλο μας λαμβάνει υπόψιν του την μεταδοτικότητα του ιού και μάλιστα σαν συνάρτηση του χρόνου, a(t).
Η μεταδοτικότητα του ιού είναι κρίσιμη παράμετρος για την εξέλιξη της πανδημίας. Μεγάλη μεταδοτικότητα συνεπάγεται ραγδαία εξάπλωση του ιού, ενώ μικρή μεταδοτικότητα συρρικνώνει την πανδημία και στο τέλος την εξαφανίζει. Ο υπολογισμός της μεταδοτικότητας του ιού είναι δύσκολος μιας και εξαρτάται από πολλές παραμέτρους όπως η πιθανότητα μετάδοσης του ιού μεταξύ δύο ατόμων και ο αριθμός επαφών ανά άτομο, μεγέθη που μόνο στατιστικά μπορούν να εκτιμηθούν. Στο μοντέλο μας η μεταδοτικότητα στον χρόνο μπαίνει ως μια παράμετρος που η τεχνητή νοημοσύνη αναλαμβάνει να αποκαλύψεις μέσα από τα δεδομένα των καταγεγραμμένων κρουσμάτων και να χρησιμοποιήσει για να κάνει προβλέψεις της εξέλιξης της πανδημίας. Με δεδομένο πως η μεταδοτικότητα εξαρτάται από τον χρόνο, χρησιμοποιούμε το μοντέλο μας για να κάνουμε βραχυπρόθεσμες προβλέψεις διάρκειας μίας εβδομάδας. Χρονική διάρκεια που θεωρούμε πως η μέση μεταδοτικότητα δεν αλλάζει πολύ. Έτσι, οι εβδομαδιαίες προβλέψεις του μοντέλου μας γίνονται με την υπόθεση πως η μεταδοτικότητα της μόλυνσης της επόμενης εβδομάδας θα είναι παρόμοια με την μέση μεταδοτικότητα των προηγούμενων εβδομάδων.
Στην γραφική παράσταση (Αριστερά: πλήρης εξέλιξη δεύτερου κύματος, Δεξιά: Μεγέθυνση τελευταίων εβδομάδων) φαίνεται η εξέλιξη των καταγεγραμμένων κρουσμάτων (πράσινες τελείες), οι εβδομαδιαίες (ανοικτοί πορτοκαλί κύκλοι) και οι μακροπρόθεσμες προβλέψεις (διακεκομμένη πορτοκαλί γραμμή) μετά την επιβολή των μέτρων. Σε κάθε περίπτωση οι προβλέψεις υποδεικνύουν πως θα εξελισσόταν η πανδημία αν δεν άλλαζε η μεταδοτικότητα του ιού. Στην προκειμένη περίπτωση η μεταδοτικότητα του ιού άλλαξε μέσω των μέτρων.
Παρατηρούμε λοιπόν από τις εβδομαδιαίες προβλέψεις πως πριν την επιβολή των μέτρων κοινωνικής αποστασιοποίησης το μοντέλο έκανε εξαιρετικές προβλέψεις μιας και η υπόθεση της μικρής μεταβολής της μεταδοτικότητας, a(t), από εβδομάδα σε εβδομάδα ήταν σωστή. Μετά την εφαρμογή των μέτρων η μεταδοτικότητα αλλάζει πολύ από εβδομάδα σε εβδομάδα και έτσι το μοντέλο αργεί να προσαρμοστεί στην αλλαγή αυτή. Συγκεκριμένα, το μοντέλο μας λανθασμένα υπερεκτιμά των αριθμό των κρουσμάτων της επόμενης εβδομάδας και κατ’ επέκταση την εξέλιξη της πανδημίας για τον επόμενο μήνα (μακροπρόθεσμες προβλέψεις). Μετά την επιβολή των μέτρων, στις 7 Νοεμβρίου, το μοντέλο συνεχώς υπερεκτιμά τον αριθμό των κρουσμάτων, μιας και διαρκώς υποθέτει πως η μέση μεταδοτικότητα είναι μεγαλύτερη από την πραγματική, υποδεικνύοντας πως η μεταδοτικότητα συνεχώς μειώνεται.
Πρέπει να παρατηρήσουμε ένα ακόμα κρίσιμο σημείο στην γραφική παράσταση. Την συμπεριφορά του αριθμού των κρουσμάτων την εβδομάδα από 19 έως 26 Οκτωβρίου που για πρώτη φορά, το μοντέλο αποτυγχάνει να προβλέψει την εξέλιξη της πανδημίας στην χώρα μας. Κατά την διάρκεια αυτής της εβδομάδας φαίνεται το μοντέλο να υποεκτιμά τον αριθμό των κρουσμάτων δείχνοντας πως η μεταδοτικότητα αυξήθηκε απότομα. Στην συνέχεια η μεταδοτικότητα παρέμεινε σταθερή σε μεγάλες τιμές για τις επόμενες δύο εβδομάδες, με αποτέλεσμα την εκτόξευση του αριθμού των κρουσμάτων και σταμάτησε να μεγαλώνει με την επιβολή των μέτρων.
Τέλος, φαίνεται πως από τις 13 Νοεμβρίου έχουμε περάσει το μέγιστο του “δεύτερου κύματος” και έχουμε μπει σε μια τροχιά σταθερής μείωσης των κρουσμάτων του ιού.
Περισσότερες λεπτομέρειες για την εργασία αυτή, που βρίσκεται υπό κρίση, μπορούν να βρεθούν στην σύνδεση https://arxiv.org/abs/2008.08162
Βιβλιογραφία: G. D. Barmparis and G. P. Tsironis, Physics-informed machine learning for the COVID-19 pandemic: Adherence to social distancing and short-term predictions for eight countries, arXiv 2008.08162.
Επιμέλεια-Συγγραφή: Γεώργιος Δ. Μπαρμπαρής, Μεταδιδακτορικός ερευνητής, μέλος του Ινστιτούτου Θεωρητικής και Υπολογιστικής Φυσικής του Πανεπιστημίου Κρήτης, Τμήμα Φυσικής, Πανεπιστήμιο Κρήτης και Γιώργος Τσιρώνης, Kαθηγητής Φυσικής και Διευθυντής του Ινστιτούτου Θεωρητικής και Υπολογιστικής Φυσικής του Πανεπιστημίου Κρήτης, Τμήμα Φυσικής, Πανεπιστήμιο Κρήτης