24/09/2021
Wyobraźmy sobie świat, w którym znowu podróżujemy bez żadnych problemów, granice są otwarte, transport międzynarodowy odbywa się bez przeszkód, pomimo trwającej pandemii COVID-19. Większość pewnie pomyśli: zbliża się jesień, czwarta fala. Nie, to niemożliwe.
Jeżeli jednak wykorzystamy nowe rozwiązania oparte o uczenie maszynowe to przedstawiony scenariusz nie będzie już tylko marzeniem.
Pilotażowy system, nazwany „Eva” jest testowany od sierpnia 2020 na wszystkich granicach Grecji. Wielu mieszkańców tego kraju w znacznym stopniu opiera swój dochód na turystyce i/lub eksporcie. Grecja „żyje” z turystyki, dlatego aby utrzymać płynność finansową władze dążą do pozostawienia otwartych granic. Jednak w obecnej sytuacji kluczowe jest pogodzenie zysków z utrzymywaniem poziomu zachorowań na COVID-19, na jak najniższym poziomie. Stąd przechodzimy do „wąskiego gardła” całego procesu, czyli testowania. Nie da się testować wszystkich osób przybywających do danego kraju, w danym momencie. Wynika to z przepustowości laboratoriów i kosztów takiego przedsięwzięcia. Wyliczono, że w szczycie sezonu możemy poddawać testom jedynie 18,4% przybywających podróżnych.
Ale jak wybrać kto ma wykonać test? Każdy uzyskany negatywny wynik jest stratą pieniędzy, ale pozytywny wiąże się już z dużymi oszczędnościami. Strategia powinna dążyć więc do ograniczenia liczby testów, ale zwiększenia ilości wyników dodatnich. Ale jak wybrać podróżnych, którzy stanowią „grupę ryzyka”?
Człowiek nie ma takich możliwości, więc konieczne jest zastosowanie odpowiedniego oprogramowania. Każdy pasażer przybywający do Grecji musi wypełnić formularz lokalizacyjny, który zawiera najważniejsze informacje: wiek, płeć, kraj z jakiego przybywa, gdzie był w ciągu ostatnich 24h. Wystarcza to aby system wytypował przybywających, którzy mogą być potencjalnymi nosicielami wirusa i kierować ich na testy. Aby optymalnie wybrać takie osoby badacze założyli dwa cele: testowanie osób z „grup ryzyka” w oparciu o dane dotyczące zidentyfikowanych zakażeń oraz testowanie tych osób, o których algorytm wie jak najmniej np. istnieje mało danych dotyczących poziomu infekcji w rejonie skąd przylatują. Algorytmy muszą nieustannie się uczyć i analizować dane, ale także być o krok do przodu, przewidywać jak może rozwijać się sytuacja epidemiologiczna w poszczególnych regionach. Co więcej, muszą brać pod uwagę, że niektóre dane epidemiologiczne mogą spływać z opóźnieniem.
Wyniki, jakie uzyskano w Grecji okazały się imponujące. System 2-krotnie zwiększył efektywność testowania, pozwalając na obejmowanie kwarantanną pozytywnych przypadków, osób często całkowicie bezobjawowych. Co więcej, był on zdolny przewidywać tempo wzrostu infekcji w danym rejonie nawet 9 dni szybciej niż dokonywano tego na podstawie jedynie danych epidemiologicznych.
Tym samym opracowany system może okazać się rozwiązaniem problemu w wielu miejscach, których nie chcemy zamykać ze względów ekonomicznych, ale jednocześnie zależy nam na ograniczeniu rozprzestrzeniania się choroby.
Więcej na ten temat można znaleźć w artykułach:
A machine-learning algorithm to target COVID testing of travellers (https://www.nature.com/articles/d41586-021-02556-w -CR1)
Efficient and targeted COVID-19 border testing via reinforcement learning (https://www.nature.com/articles/s41586-021-04014-z)