Основните модели в прогнозирането на Covid-19 бяха грешни, признават учени(снимка:

Основните модели в прогнозирането на Covid-19 бяха неверни, признават учени
(снимка: CC0 Public Domain)

По време на пандемията математиците видяха, че броят на случаите се променя по способи, които те не са съумели да плануват със своите епидемиологични модели. Ново изследване на учени от Университета Браун употребява усъвършенствана техника за машинно самообразование, с цел да изследва мощните и слабите страни на постоянно употребяваните модели – и предлага способи за повишение на точността на прогнозите им.

„ Има една остаряла сентенция в региона на моделирането, че „ всички модели са неверни, само че някои са потребни ”, споделя Джордж Карниадакис, професор по приложна математика и инженерни науки в Университета Браун и старши създател на проучването, оповестено в Nature Computational Science. „ Това, което демонстрираме тук, е, че главните модели на Covid-19 бяха неверни и също по този начин не бяха доста потребни – най-малко във връзка с прогнозирането на хода на пандемията ”, добавя ученият, представен от.

За да разбере за какво е по този начин, екипът е разгледал девет постоянно употребявани модела. Тези модели разделят популацията на обособени групи: хора, които към момента не са били инфектирани (податливи); хора, които са инфектирани и биха могли да разпространят вируса (инфекциозни); и хора, които са прекарали инфекцията и към този момент не могат да я популяризират (отстранени). По-сложните версии на модела включват и спомагателни групи, вписвайки в изчисленията и други групи и подгрупи: карантинирани хора, приети в болница, умряли и други – всичко, което може да повлияе на разпространяването на вируса.
още по темата
Според проучването, неуспехът на моделирането идва от това, че се пропущат голям брой основни параметри – макар обстоятелството, че тези фактори са се трансформирали фрапантно в действителния свят. Например, степента на предаване на вируса в дадена общественост варира доста според от използването на маски, затварянето и и други Промени има в методите на лекуване на болните, в броя на болничните кревати, смъртността и така нататък

Всички тези еволюиращи фактори трансформират траекторията на развиване на пандемията, само че известните математически модели не регистрират сходни промени. Резултатът от това са неприятните им прогнози, откриват откривателите.

От всичко това следва въпросът дали има метод да се уловят тези изменящи се параметри в епидемиологичните модели. За да направи това, екипът е употребявал невронни мрежи, основани на физиката (PINN) – техника за машинно самообразование, създадена в Браун.

PINN са невронни мрежи, сходни на тези за различаване на изображения или транскрибиране на тирада в текст. Но за разлика от общоприетите, PINN стъпват на уравнения, описващи физическите закони, които ръководят системата. Екипът е употребявал PINN с уравнения, употребявани за пресмятане на това по какъв начин се популяризират патогените.

„ Имайки поради обстоятелството, че пандемиите се развиват във времето и непрестанно се събират нови данни, PINN могат да бъдат „ преквалифицирани ”, когато са налице нови данни, и да актуализират моделите с течение на времето ”, споделя Ехсан Харазми, откривател в Браун и помощник в изследването. „ Изчислителното време, належащо за наново образование на PINN с нови данни, е относително малко спрямо времевия мащаб на еволюцията на пандемията ”.

На база извършените опити се оказва, че действителните равнища на ковид-случаите от януари до юни 2021 година попадат в границите на „ прозореца на неустановеност ”, очакван от моделите.

Констатациите допускат, че въпреки нито един модел да не може да улови тъкмо цялата динамичност на пандемията, моделите с опция за самокоригиране на основни параметри в придвижване могат да създадат по-полезни прогнози.