Jak sztuczna inteligencja może przyspieszyć prognozowanie epidemii?

Naukowcy opracowali nową metodę przewidywania rozprzestrzeniania się chorób zakaźnych, która wykorzystuje grafowe sieci neuronowe (GNN) jako szybki model zastępczy dla złożonych symulacji epidemiologicznych¹³. Model został wytrenowany na wynikach milionów symulacji przeprowadzonych na superkomputerze. Dzięki temu „nauczył się” odtwarzać dynamikę epidemii z uwzględnieniem struktury wiekowej populacji oraz lokalnych wzorców kontaktów w 400 regionach Niemiec⁵⁶.

Najważniejszym osiągnięciem jest ogromne przyspieszenie czasu obliczeń przy zachowaniu dobrej dokładności prognoz. Model GNN generuje przewidywania w czasie poniżej 0,1 sekundy, podczas gdy tradycyjny model mechanistyczny potrzebuje znacznie więcej czasu⁷⁸. W zależności od scenariusza przyspieszenie wynosi od 222 do 673 razy, a przy analizie 100 prognoz jednocześnie może sięgać nawet 28 670 razy⁸.

Model uwzględnia różne scenariusze zmian w kontaktach społecznych – od braku interwencji po trzy zmiany w ciągu 30 dni, co odpowiada np. wprowadzaniu i luzowaniu restrykcji zdrowia publicznego⁹. Dokładność prognoz, mierzona średnim błędem procentowym, wynosi od 10,33% do 27,11% w zależności od stopnia złożoności analizowanego scenariusza⁴.

Co to oznacza dla systemu ochrony zdrowia?

W czasie epidemii kluczowe znaczenie ma szybkie podejmowanie decyzji. Możliwość niemal natychmiastowej oceny skutków różnych działań, takich jak ograniczenia mobilności czy zmiany w kontaktach społecznych, może pomóc władzom i ekspertom lepiej planować interwencje¹¹⁰.

Nowy model może zostać zintegrowany z aplikacjami internetowymi, co umożliwia interaktywną analizę scenariuszy bez konieczności korzystania z superkomputerów¹¹¹. Oznacza to, że eksperci mogą szybciej sprawdzać potencjalne skutki podejmowanych decyzji.

Co istotne, architektura modelu pozwala na jego adaptację do innych krajów¹². Badacze wykazali, że model zachowuje dobrą dokładność nawet przy umiarkowanych zmianach w strukturze połączeń między regionami (np. 10-20% ich usunięcia), co może odpowiadać lokalnym ograniczeniom przemieszczania się¹³.

Dlaczego to rozwiązanie może zmienić sposób prognozowania epidemii?

Nowy model łączy wiedzę epidemiologiczną z możliwościami sztucznej inteligencji. Został wytrenowany na milionach symulacji uwzględniających parametry wirusologiczne, wzorce kontaktów społecznych i zmiany mobilności, dzięki czemu potrafi odwzorować złożone scenariusze rozwoju epidemii¹¹⁴.

Jedną z jego największych zalet jest możliwość aktualizacji wraz ze zmianą parametrów wirusa czy zachowań społecznych, bez konieczności przebudowy całej architektury modelu¹⁵. W przyszłości naukowcy planują rozszerzyć go o scenariusze szczepień, wygasania odporności oraz interwencje ukierunkowane na konkretne grupy wiekowe lub regiony¹⁶.

Pytania i odpowiedzi