Une étude montre comment l’apprentissage automatique pourrait améliorer les modèles prédictifs COVID-19

réseaux numériques

Crédit : CC0 Domaine Public

Tout au long de la pandémie de COVID-19, les taux de cas ont fluctué et fluctué d’une manière difficile à prévoir pour les modèles épidémiologiques. Une nouvelle étude menée par des mathématiciens de l’Université Brown utilise une technique d’apprentissage automatique avancée pour explorer les forces et les faiblesses des modèles couramment utilisés et suggère des moyens de les rendre plus prédictifs.

« Il existe un vieil adage dans le domaine de la modélisation selon lequel » tous les modèles sont faux, mais certains sont utiles «  », a déclaré George Karniadakis, professeur de mathématiques appliquées et d’ingénierie à Brown et auteur principal de la recherche publiée dans Science informatique de la nature. « Ce que nous montrons ici, c’est que les principaux modèles COVID-19 étaient erronés et pas très utiles, du moins pour prédire l’évolution de la pandémie. Il y avait beaucoup de quarts-arrière lundi matin, mais pas beaucoup de prédictions précises . »

Pour savoir pourquoi, l’équipe a examiné neuf modèles COVID-19 importants, qui étaient tous une variante du modèle « susceptible-infectieux-éliminé » ou SIR. Ces modèles divisent une population en bacs séparés : ceux qui n’ont pas encore été infectés (sensibles), ceux qui sont infectés et pourraient transmettre le virus à d’autres (infectieux) et ceux qui ont eu l’infection et ne peuvent plus le transmettre (supprimé ). Des versions plus compliquées du modèle SIR incluent des bacs supplémentaires qui capturent les taux de quarantaine, d’hospitalisation, de décès et d’autres quantités qui pourraient influencer la propagation du virus.

Il y a un certain nombre de facteurs qui affectent le mouvement des individus d’un bac à un autre. Le passage de « sensible » à « infectieux », par exemple, dépend de l’efficacité avec laquelle le virus passe d’une personne à l’autre et de la fréquence à laquelle les personnes entrent en contact étroit les unes avec les autres. Beaucoup de ces facteurs ne peuvent pas être observés directement, et les modèles doivent donc déduire leurs valeurs à partir des données disponibles. En termes de modélisation, ces facteurs sont appelés paramètres.

L’étude a révélé qu’un inconvénient majeur des modèles COVID-19 était qu’ils traitaient les valeurs des paramètres clés comme étant fixes au fil du temps, malgré le fait que ces facteurs aient radicalement changé dans le monde réel. Par exemple, le taux de transmission communautaire du virus variait considérablement en fonction de l’utilisation du masque, des fermetures et réouvertures d’entreprises et d’autres mesures. Les taux d’hospitalisation ont changé au fil du temps à mesure que la disponibilité des lits d’hôpitaux changeait. Et le taux de mortalité a changé avec les nouveaux traitements. Tous ces facteurs en évolution ont changé la trajectoire des taux de cas et des décès, mais des modèles importants ont maintenu ces paramètres stables dans le temps, ce qui a conduit à de mauvaises prédictions, ont découvert les chercheurs.

La question suivante était de savoir s’il pourrait y avoir un moyen de capturer ces paramètres changeants dans les modèles épidémiologiques. Pour ce faire, l’équipe a utilisé des réseaux neuronaux basés sur la physique (PINN) – une technique d’apprentissage automatique développée à Brown par Karniadakis et ses collègues. Les PINN sont des réseaux de neurones similaires à ceux utilisés pour reconnaître des images ou transcrire la parole en texte. Mais contrairement aux réseaux de neurones standard, les PINN sont équipés d’équations décrivant les lois physiques qui régissent un système. Karniadakis et son équipe ont d’abord utilisé les PINN pour découvrir les vitesses et les pressions des écoulements de fluide à partir d’images et de vidéos. Dans ces cas, les PINN étaient équipés d’équations utilisées en dynamique des fluides. Dans ce cas, l’équipe a équipé les PINN d’équations utilisées pour calculer la propagation des agents pathogènes.

« Compte tenu du fait que les pandémies évoluent dans le temps et qu’il y a une collecte continue de données, les PINN peuvent être recyclés à mesure que de nouvelles données sont collectées et mettre à jour les modèles au fil du temps avec des paramètres inférés », a déclaré Ehsan Kharazmi, chercheur invité à Brown et co- auteur principal. « Le temps de calcul nécessaire pour recycler les PINN avec de nouvelles données est relativement court par rapport à l’échelle de temps de l’évolution de la pandémie. »

L’équipe a alimenté les données du monde réel des modèles équipés du PINN – provenant de la ville de New York, des États de Rhode Island et du Michigan, et des données nationales d’Italie – et a permis aux PINN de déduire les valeurs des paramètres clés au fil du temps. Les PINN ont également pu quantifier leur incertitude sur les paramètres inférés. Ensuite, l’équipe a utilisé les modèles basés sur PINN pour faire des prédictions sur l’avenir. En janvier 2021, l’équipe a fait des prévisions pour les six prochains mois sur la base des paramètres ajustés dans le temps. Ensuite, en comparant les taux de cas réels à ce qu’ils avaient prédit, ils ont constaté que les taux de cas réels de janvier à juin 2021 se situaient dans la fenêtre d’incertitude prédite par les modèles. Cela était vrai pour chacun des quatre ensembles de données utilisés dans l’étude.

Les résultats suggèrent que bien qu’aucun modèle ne puisse capturer avec précision toutes les dynamiques qui se déroulent pendant une pandémie prolongée, des modèles capables d’ajuster les paramètres clés à la volée pourraient faire des prédictions plus utiles.

« Les modèles inférés utilisant les PINN peuvent être utilisés pour évaluer les trajectoires futures possibles en ajustant les paramètres du modèle », a déclaré Kharazmi. « Cela peut fournir des informations sur l’élaboration ou l’ajustement des politiques. »


Un nouveau modèle prend en compte l’effet des changements de comportement pour prédire les cas de COVID-19


Plus d’information:
Ehsan Kharazmi et al, Identifiabilité et prévisibilité des modèles épidémiologiques d’ordre entier et fractionnaire utilisant des réseaux de neurones éclairés par la physique, Science informatique de la nature (2021). DOI : 10.1038 / s43588-021-00158-0

Fourni par l’Université Brown

Citation: Une étude montre comment l’apprentissage automatique pourrait améliorer les modèles prédictifs COVID-19 (2021, 1er décembre) récupéré le 1er décembre 2021 à partir de https://techxplore.com/news/2021-12-machine-covid-.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.