استخدام الذكاء الاصطناعي و البيانات الضخمة للتنبؤ بالانتشار المستقبلي لكوفيد-19
خلال جائحة كوفيد، تم استخدام الذكاء الاصطناعي (AI) لتعزيز جهود التشخيص وتقديم الإمدادات الطبية وحتى تقييم عوامل الخطر من اختبارات الدم. الآن، يتم استخدام الذكاء الاصطناعي للتنبؤ بحالات كوفيد المستقبلية. نتيجة لذلك طور باحثو جامعة تكساس إيه آند إم، بقيادة الدكتور علي مصطفوي، نموذجًا حسابيًا قويًا للتعلم العميق. يستخدم النموذج الذكاء الاصطناعي والبيانات الضخمة الحالية المتعلقة بالأنشطة السكانية والتنقل للمساعدة في التنبؤ بالانتشار للحالات على مستوى المقاطعة.
يتأثر انتشار الأوبئة بالعلاقات المعقدة المتعلقة بالسمات المجتمعية مثل التنقل، والأنشطة السكانية، والخصائص الاجتماعية الديموغرافية. ولكن النماذج الوبائية الرياضية النموذجية لا تمثل سوى مجموعة فرعية صغيرة من السمات ذات الصلة. في المقابل، يمكن لنموذج التعلم العميق الذي طوره د.مصطفى، الأستاذ المشارك في قسم زاكري للهندسة المدنية والبيئية، ومختبره UrbanResilience.AI، تفسير العلاقة المعقدة بين عدد أكبر من العوامل للتنبؤ بمدى الزيادة في حالات كوفيد في الأيام القادمة.
وقال مصطفى: “أدركنا على الفور إمكانية استخدام الذكاء الاصطناعي لاستكمال النماذج الوبائية الرياضية الحالية”. “نحن نعيش في عصر البيانات الضخمة، والاستفادة من هذه البيانات الضخمة أثناء الأزمات توفر فرصًا كبيرة لتطوير النماذج والأدوات التي تعتمد على البيانات لتوجيه السياسات.”
تطبيق مبدئي
نموذج التعلم العميق هو مجموعة فرعية من التعلم الآلي. فهو نوع من الذكاء الاصطناعي، حيث تتعلم أنظمة الحوسبة، التي تسمى الشبكات العصبية، من كميات كبيرة من البيانات. من خلال تدريب نموذج التعلم العميق ببيانات من فترة زمنية معينة، في هذه الحالة من مارس حتى مايو 2019، حدد النموذج ميزات للتنبؤ بمسارات فترة زمنية أخرى – يونيو 2019.
يراعي نموذج التعلم العميق للباحثين ميزات مثل حركة الأشخاص داخل المجتمع وبيانات التعداد وبيانات التباعد الاجتماعي. كما يراقب نمو عدد الحالات السابقة والتركيبة السكانية الاجتماعية للتنبؤ بنمو حالات كوفيد لكل مقاطعة بنسبة 64٪ الدقة، وهي ضعف دقة نموذج غير مدرب. كانت أكبر دقة لهذا النموذج لمدة سبعة أيام في المستقبل. و لكن انخفضت الدقة كلما توقع النموذج في المستقبل الأبعد.
“أحد جوانب النمذجة المفيدة ليس الدقة، ولكن تقييم العوامل التي تؤدي إلى النتائج”. “لا يحدد هذا النموذج استراتيجيات التخفيف والاستجابة المحددة، ولكنه يمكن أن يساعد في نقاط زمنية مختلفة لمعرفة الاستراتيجيات التي يمكن أن تكون فعالة بناءً على الميزات المتنوعة على مستوى المقاطعة.” بحسب مصطفوي
بمعرفة سمات النموذج التي لها التأثير الأكثر أهمية على زيادة الحالات، يمكن للمسؤولين أن يطلعوا على سياسات التطوير التي تستهدف تلك العوامل. بمعنى إذا كانت الميزة الأكثر أهمية للمقاطعة هي التنقل، فيمكن للمسؤولين تنفيذ سياسات مثل أوامر البقاء في المنزل.
يمكن للنموذج أيضًا أن يقدم نظرة ثاقبة على فعالية السياسات بعد أن تكون موجودة بالفعل. اكتشف مصطفى أن أوامر الحد من السفر الأولية كانت فعالة بشكل عام. فقد سافر الأشخاص من المقاطعات الأقل كثافة سكانية أقل إلى المدن المكتظة بالسكان، لكن مدى السفر في المقاطعات المكتظة بالسكان لم يتغير بشكل كبير.
تغير في المعطيات
قال إن تأثير الميزات يمكن أن يتغير بمرور الوقت لمقاطعة واحدة ويختلف من مقاطعة إلى أخرى. في بداية الوباء، رأى الباحثون أن العوامل المتعلقة بالسفر والتنقل كانت تنبؤات مهمة للحالات. ولكن مع مرور الوقت، رأوا أن ميزات أخرى مثل السفر إلى نقاط الاهتمام والخصائص الديموغرافية الاجتماعية كانت أكثر أهمية. والنتيجة هي أن التخفيف من حدة الوباء أمر معقد ، والسياسات ليست مقاسًا واحدًا يناسب الجميع.
قرارات أكثر دقة
في المستقبل، سيستخدم مختبر مصطفوي مجموعات بيانات جديدة لتطوير أنواع مختلفة من النماذج. بالإضافة إلى نموذج المراقبة التنبؤية الحالي على المستوى الوطني. يعمل الفريق حاليًا على نموذج قائم على الذكاء الاصطناعي للمراقبة على مستوى المدينة للتنبؤ بالحالات على مستوى الرمز البريدي. والأهم من ذلك، أنهم يريدون التنبؤ بالعوامل التي تؤثر على كل رمز بريدي.و ذلك حتى يتمكن المسؤولون من استكشاف السياسات الخاصة بالموقع. وقال مصطفوي إنه بدلاً من إغلاق المطاعم في مقاطعة بأكملها، يجوز للمسؤولين إغلاق المطاعم في الرموز البريدية عالية الخطورة فقط.
تظهر الأبحاث أن البيانات الضخمة والذكاء الاصطناعي لديهما القدرة على لعب دور رئيسي في تحسين مراقبة الجوائح والتنبؤ بها وتطوير السياسات.
“توجد فرص كبيرة باستخدام هذه البيانات الضخمة والذكاء الاصطناعي لاحتواء الوباء الحالي وأيضًا الاستعداد بشكل أفضل للأوبئة المستقبلية والتخفيف منها”.
نشر الباحثون نتائجهم في IEEE Access.
