เว็บตรง / บาคาร่าเว็บตรง แมชชีนเลิร์นนิงสามารถช่วยหยุดการแพร่ระบาดในอนาคตได้โดยการระบุว่าบุคคลใดควรได้รับการตรวจหาโรค นั่นคือการค้นพบของนักฟิสิกส์ที่มหาวิทยาลัยโกเธนบอร์ก ประเทศสวีเดน และ CNR-IPCF ประเทศอิตาลี ซึ่งวิธีการที่ได้รับจากเครือข่ายประสาทได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพมากกว่ากลยุทธ์การติดตามการติดต่อแบบมาตรฐานที่มีการระบาดจำลอง
แม้ว่าแบบจำลองจะยังไม่ได้รับการทดสอบ
ภายใต้สภาพการใช้งานจริงลอร่า นาตาลี หัวหน้าทีมวิจัย กล่าวว่าอาจเป็นประโยชน์อย่างยิ่งในช่วงเริ่มต้นของการแพร่ระบาดของโรค เมื่อการทดสอบมีน้อยมาก และไม่ค่อยมีใครรู้เกี่ยวกับการแพร่กระจายของโรคใหม่
ในการศึกษาของพวกเขา นาตาลีและเพื่อนร่วมงานเริ่มต้นด้วยการแบ่งประชากร 1 แสนคนจำลองออกเป็นสามกลุ่ม: ผู้ที่อ่อนแอต่อโรค (S) ผู้ที่ติดเชื้อในปัจจุบัน (I) และผู้ที่ฟื้นตัว (R) ระหว่างการจำลอง บุคคลเหล่านี้จะเคลื่อนที่แบบสุ่มไปรอบๆ บริเวณย่อยของเซลล์ตาข่ายขนาด 320 x 320 ในแต่ละขั้นตอน บุคคลภายในรัศมีที่กำหนดของผู้ติดเชื้อมีโอกาสβที่จะติดเชื้อ และความน่าจะเป็น γ หลังจากนั้นจะฟื้นตัวและมีภูมิคุ้มกัน
เพื่อจับผลกระทบของพาหะของโรคที่ไม่แสดงอาการ ซึ่งเป็นลักษณะสำคัญของการระบาดใหญ่ของ COVID-19 นักวิจัยได้กำหนดให้แต่ละคนจำลองอุณหภูมิ อุณหภูมิของผู้ติดเชื้อโดยเฉลี่ยแล้วสูงกว่าบุคคลที่มีสุขภาพดี อย่างไรก็ตาม การกระจายอุณหภูมิที่ “แข็งแรง” และ “ติดเชื้อ” ทับซ้อนกันอย่างมาก ทำให้ไม่สามารถระบุสถานะของแต่ละบุคคลด้วยอุณหภูมิเพียงอย่างเดียวได้ ซึ่งหมายความว่าจำเป็นต้องมีการทดสอบเพื่อระบุว่าบุคคลใดติดเชื้อ แบบจำลองนี้อนุมานว่าการทดสอบเหล่านี้แม่นยำแต่ไม่แพร่หลาย ดังนั้นจำนวนบุคคลที่สามารถทดสอบได้ (และหากติดเชื้อ ให้แยกได้) ในแต่ละขั้นตอนtจะน้อยกว่าจำนวนประชากรทั้งหมดเสมอ
กลยุทธ์ต่างกัน ผลลัพธ์ต่างกันนักวิจัยได้สำรวจสถานการณ์ที่เป็นไปได้สี่สถานการณ์โดยใช้แบบจำลองนี้ ในช่วงแรก โรคนี้แพร่กระจายไปทั่วประชากรโดยไม่มีการตรวจสอบ โดยไม่มีมาตรการกักกัน ที่t = 150 เกือบทุกคนในสถานการณ์นี้ติดเชื้อ
ในสถานการณ์ที่สอง นักวิจัยเน้นความสามารถในการทดสอบ
ที่จำกัดของพวกเขากับบุคคลที่มีผู้ติดต่อมากที่สุด (หมายถึงอยู่ในเซลล์เดียวกัน) กับคนอื่นๆ ที่เคยทดสอบในเชิงบวกมาก่อน โดยใช้ข้อมูลอุณหภูมิเพื่อทำลายความสัมพันธ์ใดๆ ตั้งแต่เวลาt =20 เป็นต้นไป ทุกคนที่ทดสอบในเชิงบวกภายใต้กลยุทธ์นี้จะถูก “เยือกแข็ง” ในสถานที่และไม่อนุญาตให้มีปฏิสัมพันธ์กับบุคคลอื่น ภาพจำลองนี้อิงตามวิธีการติดตามการติดต่อแบบมาตรฐาน และทำให้เกิดอัตราการติดเชื้อสูงสุดที่ต่ำกว่ามาก ถึงกระนั้น โรคก็ไม่ถูกกำจัด: ที่t = 150 ประมาณ 20% ของประชากรยังคงติดเชื้อ และสามารถส่งต่อไปยังบุคคลที่อ่อนแอที่เหลือได้
สถานการณ์ที่สามเลียนแบบการล็อกดาวน์ที่เข้มงวดซึ่งหลายประเทศนำมาใช้เพื่อต่อสู้กับการแพร่กระจายของ coronavirus SARS-CoV-2 ซึ่งเป็นสาเหตุของ COVID-19 จากt= 20 บุคคลทั้งหมดในสถานการณ์ “ล็อกดาวน์” ถูกระงับ การดำเนินการที่รุนแรงนี้ – การแยกประชากรทั้งหมดในคราวเดียว – ทำให้อัตราการติดเชื้อต่ำมาก และกำจัดโรคทั้งหมดได้ที่t = 120 อย่างไรก็ตาม นักวิจัยตั้งข้อสังเกตว่าการกักกันที่ครอบคลุมดังกล่าวจะ “ไม่สมจริง” ในทางปฏิบัติ
เข้าเครื่องในสถานการณ์สุดท้าย นาตาลีและเพื่อนร่วมงานได้สำรวจว่าเป็นไปได้หรือไม่ที่จะกำจัดโรคนี้ในขณะที่แยกประชากรเพียงบางส่วน ด้วยเหตุนี้พวกเขาจึงใช้โครงข่ายประสาทเทียมเพื่อเลือกบุคคลที่จะทดสอบ “โดยทั่วไป โครงข่ายประสาทรับข้อมูลบางอย่าง อธิบายรายละเอียดผ่านชุดของชั้นเซลล์ประสาทเทียมที่ซ่อนอยู่ และส่งคืนผลลัพธ์” พวกเขาอธิบาย “ในกรณีของเรา ข้อมูลที่ป้อนประกอบด้วยข้อมูลการติดตามการติดต่อสำหรับบุคคลn ที่กำหนด สำหรับขั้นตอน 10 ครั้งล่าสุด”
ขึ้นอยู่กับจำนวนผู้ติดเชื้อที่รู้จักภายในระยะทางต่างๆ
ของบุคคลnจำนวนการติดต่อที่แท้จริงระหว่างnและบุคคลที่ติดเชื้อที่รู้จักเหล่านี้ และ จำนวนผู้ติดต่อทั้งหมดของ nโครงข่ายประสาทเทียมจะแสดงค่าp : ความน่าจะเป็นที่บุคคลnติดเชื้อ ถ้าp= 0 ถือว่ามีสุขภาพดี ถ้า p>0.995 จะถูกแยกออกทันที ค่าระหว่าง 0.5 ถึง 0.995 หมายความว่ามีการจัดลำดับความสำคัญของการทดสอบ โดยเริ่มจากบุคคลที่แสดงอุณหภูมิสูงสุดจนกว่าการทดสอบที่มีอยู่ทั้งหมดจะหมดลง
คาดการณ์ความเร็วของการแพร่กระจายโรคระบาดโดยใช้เทคนิคการวิเคราะห์
เพื่อเพิ่มความแม่นยำของการคาดคะเนของเครือข่าย นักวิจัย “ฝึกอบรม” โดยใช้ข้อมูลจากt =20 เมื่อการทดสอบเริ่มต้นขึ้น ต้องขอบคุณการฝึกอบรมนี้ พลังการทำนายของเครือข่ายดีขึ้นเมื่อเวลาผ่านไป โดยให้ผลลัพธ์ที่น่าทึ่ง: อัตราการติดเชื้อสูงสุดที่ 5.1% ของประชากรและลดลงอย่างรวดเร็วเป็นศูนย์หลังจากนั้น แม้จะแยกได้ไม่เกิน 25% ของประชากรทั้งหมด “เราแสดงให้เห็นว่าเป็นไปได้ที่จะใช้ข้อมูลที่ค่อนข้างเรียบง่ายและจำกัดในการคาดการณ์ว่าใครจะได้ประโยชน์มากที่สุดในการทดสอบ” นาตาลีกล่าว “สิ่งนี้ช่วยให้ใช้ทรัพยากรการทดสอบที่มีอยู่ได้ดีขึ้น”
ปรับตัวได้สูง
นักวิจัยตั้งข้อสังเกตว่าเครือข่ายของพวกเขาไม่ได้ตั้งสมมติฐานเกี่ยวกับโรคหรือแบบจำลอง SIR (อ่อนแอ ติดเชื้อ และฟื้นตัว) ต้นแบบ พวกเขาอ้างว่าหมายความว่าควรปรับการคาดการณ์โดยอัตโนมัติให้เข้ากับโรคระบาดที่มีการเปลี่ยนแปลงที่ซับซ้อนมากขึ้น เช่น โรคที่มีระยะฟักตัว ความล่าช้าในกระบวนการทดสอบ หรือรูปแบบการเคลื่อนไหวที่แตกต่างกันของแต่ละบุคคล
นาตาลีและเพื่อนร่วมงานแสดงให้เห็นว่าแบบจำลองของพวกเขายังมีประสิทธิภาพในการปราบปรามการแพร่ระบาดเมื่อบุคคลสามารถเป็นโรคนี้ได้มากกว่าหนึ่งครั้ง “ในกรณีของการสร้างภูมิคุ้มกันชั่วคราว กลยุทธ์ที่ได้รับข้อมูลเครือข่ายประสาทสามารถป้องกันการระบาดของโรคไม่ให้กลายเป็นโรคประจำถิ่นได้” พวกเขาสรุป
ด้วยเหตุนี้ Tannock จึงแนะนำว่า “ระยะเวลาการหมุนขั้นต่ำคือประมาณหนึ่งชั่วโมง” และการวัดเพิ่มเติมสามารถช่วยระบุได้ว่ามีการจำกัดความเร็วในการหมุนหรือไม่ กล้องโทรทรรศน์อวกาศเจมส์ เวบบ์ ในอนาคตอาจวัดความแปรผันของแอมพลิจูดต่ำ ในขณะที่งานเชิงทฤษฎีสามารถช่วยให้เข้าใจฟิสิกส์ของโครงสร้างภายในของดาวแคระน้ำตาลมากขึ้น “เราตั้งตารอที่จะได้เห็นสิ่งที่ผู้คนคิดขึ้น” ผู้เขียนการศึกษากล่าว เว็บตรง / บาคาร่าเว็บตรง
