نقش مدل های محاسباتی و هوش مصنوعی در پیش بینی رفتار شیوع ویروس کرونا
دانشمندان کامپیوتری که به دنبال ردیابی اپیدمی ویروس کرونا هستند، با جدیت برای پیش‌بینی رفتارهای بعدی این ویروس تلاش می‌کنند. این ویروس جدید که باعث بیماری تنفسی به نام COVID-19 می‌شود جان بیش از ۲۴۰۰ نفر را گرفته است. این ویروس اولین بار در ماه دسامبر در شهر ووهان چین ظاهر شد و از آن زمان به بعد بیش از ۷۵۰۰۰ نفر را مبتلا کرده که بیشتر این افراد چینی هستند. تعداد موارد جدید در چین کاهش پیدا کرده اما نگرانی برای گسترش شیوع COVID-19 در سنگاپور، ژاپن، کره‌ی جنوبی، هنگ کنگ و تایلند رو به افزایش است.
الساندرو وسپینانی، دانشمند کامپیوتر دانشگاه نورث ایسترن در شهر بوستون که مدل پیش‌بینی اپیدمی را توسعه داده درباره‌ی تلاش‌های محاسباتی برای خنثی کردن پاندمی جهانی گفتگو کرده است. تیم او ابزاری به نام اِپی‌ریسک را توسعه داده‌اند که احتمال انتقال بیماری توسط افراد مبتلا به دیگر نقاط دنیا با سفر کردن را تخمین می‌زند. همچنین این ابزاز تاثیر ممنوعیت‌های سفر را نیز می‌سنجد.
وضعیت COVID-19 در حال حاضر چگونه است؟
در چند روز اخیر، ما چند سیگنال مثبت به لحاظ کاهش گزارش‌ها از چین دریافت کردیم. در حال حاضر ترس ما از احتمال زنجیره‌ی انتقال در کشورهای دیگر نزدیک به چین که ما شناسایی نکرده‌ایم می‌باشد. کشورهایی مانند هنگ کنگ تصمیمات جدی مانند محدودیت حمل و نقل و تعطیلی مدارس اتخاذ کرده‌اند. اما دیگر مناطق چنین اقداماتی را در پیش نگرفته‌اند. اگر این کشورها شاهد مواردی باشند که از چین وارد نشده، می‌تواند نشان از این باشد که اپیدمی در مناطق دیگر رو به گسترش بوده و ممکن است این مناطق تبدیل به مرکزهای جدید شوند.
در حال حاضر دو ماه از اپیدمی COVID-19 گذشته، مدلسازی بیماری اکنون روی چه چیزی متمرکز هستند؟
همه چیز. ما به رویکردی همه جانبه نیازمندیم. ما بایستی بفهمیم چه چیز در چین در حال وقوع بوده و تاثیر مداخلات به چه شکل است. اگر این سیگنال‌ها در جای دیگری در حال گسترش هستند و مرکزهای جدیدی وجود دارد، ما بایستی در جریان آن قرار بگیریم. هیچ تکه‌ای از این پازل در حال حاضر بی اهمیت نیست. به همین دلیل است که در این لحظه همه‌ی ما از حداکثر توانایی هایمان استفاده می‌کنیم.
لطفا در مورد اِپی‌ریسک و عملکرد آن برایمان توضیح دهید.
رویکرد مدل سازی ما استفاده از تمامی منابع داده‌ی ممکن است. در این لحظه، تمرکز ما روی داده‌های مراقبتی فرستاده شده از چین و کشورهای مجاور آن است. رسانه‌های اجتماعی و منابع خبری نیز مدنظرمان هستند. نخست، ما جهت دستیابی به آگاهی موقعیتی به ویژه خارج از چین، این اپیدمی را مدل سازی می‌کنیم. از آنجاییکه ما تعداد افرادی که از مناطق آلوده در چین سفر می‌کنند را می‌دانیم، استنتاج اندازه‌ی اپیدمی از روی موارد شناسایی شده در سطح بین المللی ممکن است. ما می‌توانیم زودتر از سیستم‌های گزارش دهی بر اساس واقعیت این پیش بینی‌ها را انجام دهیم، چراکه این گزارش‌دهی‌ها اغلب به تاییدیه‌ی رسمی بستگی دارد. مدل‌های ما به چگونگی تاثیر محدودیت‌های مسافرتی بر انتقال این بیماری نگاه ویژه‌ای دارد. فرودگاه‌های اطراف ووهان بسته شده‌اند، حمل و نقل بلند بُرد متوقف شده و مدارس تعطیل هستند. ما در تلاشیم تا احتمال جلوگیری از شیوع بیماری به واسطه‌ی این سنجش‌ها را در چین و احتمال مشاهده‌ی موارد خارج از چین را بفهمیم.
طبق مدل شما آیا محدودیت‌های مسافرتی آنطور که باید موثر هستند؟
زمانیکه لغو سفرها در ووهان تصویب شد، بسیار دیر شده بود و تاثیر کمی روی چین داشت. بذر این بیماری در حال حاضر در بسیاری از استان‌ها کاشته شده است. اما لغو سفرهای ایالات متحده از چین و به چین تاثیر بسیار زیادی بر انتقال بیماری از چین داشته است. این موضوع برای ما کمی زمان می‌خرد، در حالیکه ما امیدواریم چین بتواند بیماری را در آنجا متوقف کند. متاسفانه محدودیت مسافرتی به دلیل هزینه‌ی اقتصادی بسیار بالا، در این سطح تا همیشه ادامه نخواهد داشت. اگر این اپیدمی به کشورهای دیگر راه پیدا کند، در آن زمان محدودیت‌های مسافرتی تاثیر کمی خواهد داشت چراکه شما نمی‌توانید دنیا را فریز کنید.
شما ساعت‌هاست که کار می‌کنید. اینکه در طول یک اپیدمی شما مدل ساز محاسباتی بیماری باشید چه احساسی دارد؟
در رشته‌ی ما دو نوع مختلف از فعالیت وجود دارد: پژوهش در زمان صلح که هیچ فوریت سلامتی یا تهدید وجود ندارد و پژوهش در زمان بحران، یعنی همین زمانی که در آن هستیم. متاسفانه زمانیکه فوریت‌هایی مانند اپیدمی COVID-19 پیش می‌آید، ما بایستی با داده‌های محدود کار کنیم، و چشم اندازی که دائما تغییر می‌کند و فرضیه‌های بسیار. شاید چیزی که شما دیروز تولید کردید، امروز با داده‌های جدید به کلی تغییر کند. بنابراین این مسئله بسیار گیج کننده است. اما جنگجویان این مبارزه پزشکان، پرستاران و کارشناسان سلامت عمومی این شاخه هستند. اینان کسانی هستند که زندگی خود را به خطر می‌اندازند. ما به عنوان دانشمندان کامپیوتر و اپیدمولوژیست‌های محاسباتی هوش پیش‌بینی حرکت بعدی دشمن را در اختیار آن‌ها می‌گذاریم.
چند تیم از دانشمندان روی مدلسازی COVID-19 کار می‌کنند؟
ما با تیم‌ها و آژانس‌های پژوهشی تماس‌های کنفرانسی برقرار می‌کنیم و من حداقل ۸۰ تا ۱۰۰ تیم را در این تماس‌ها دیده‌ام. این تیم‌ها تمامی متخصصان را گرد هم می‌آورند. افرادی هستند که تحلیل‌های فیلوژنتیک و مدلسازی تحرک انجام می‌دهند و افرادی پیش‌بینی و کنون بینی کرده و تحلیل‌های پیش‌بینی بلند مدت را انجام می‌دهند. ما نسبت به ایپدمی‌های گذشته، همکاری و ارتباط بیشتری با تیم‌ها و آژانس‌ها داریم.
آیا بعضی از این گروه‌ها شروع به یکپارچه سازی کارهای خود کرده‌اند؟
خیر. پیش‌بینی آب و هوا و طوفان را در نظر بگیرید. اگر تمامی مدل‌ها در یک جهت قرار بگیرند و نتایج پایدار باشد شما به خروجی اطمینان خواهید کرد. همین مسئله در مورد مدل سازی بیماری نیز صدق می‌کند. هیچ مدلی دقیقا مانند مدل دیگر نیست. هرکدام می‌تواند از نقشه‌ی جمعیت متفاوت یا فرضیه‌های مختلفی استفاده کند. برای داشتن یک پورتفولیو از مدل‌ها سوال‌های بسیار و روش‌های بسیاری برای به چالش کشیدن این سوالات وجود دارد.
به نظر می‌رسد سازمان‌های ملی و جهانی مانند سازمان بهداشت جهانی به مدل سازی محاسباتی بیماری بیش از پیش متکی هستند. این روابط چگونه شکل گرفت؟
برای مثال، چند سال پیش در ایالات متحده طرحی به نام فلوسایت به دست سی‌دی‌سی (مراکز آمریکایی کنترل و پیشگیری بیماری) آغاز شد و برای کمک به پیش بینی انفولانزای فصلی تیم‌های پژوهشی مدل سازی را استخدام کرد. چنین طرح‌هایی جامعه‌ای ساخت، جامعه‌ای که رابطه‌ی خود را با خود و سازمان حفظ کرد. سازمان‌های دیگر در سراسر جهان تبدیل به بخشی از طرح‌های مشابه شدند و به این ترتیب جوامعی ساخته‌اند.
خوانندگان این خبر و دانشمندان کامپیوتر در شاخه‌های دیگر چگونه می‌توانند کمک کنند؟
ممکن است مسائلی مانند توسعه‌ی الگوریتم و محاسبات وجود داشته باشد، چیزهایی که دانشمندان کامپیوتر می‌توانند بدون تغییر خود به اپیدمیولوژیست‌های محاسباتی انجام دهند. با هم تیمی شدن با افرادی که در شاخه‌ی مدلسازی بیماری عفونی هستند شروع کنید. این کار شما از اشتباهات رایج اولیه دور کرده و به مرکز مبارزه می‌کشاند.
منابع خبر :