Δεδομένα COVID-19: Χρησιμοποιώντας μια προσέγγιση που βασίζεται στην τεχνολογία της όρασης των υπολογιστών, οι ερευνητές μπορούν να ανατρέξουν στα δεδομένα θνησιμότητας της COVID-19 για να δουν πώς άλλαξαν τα ποσοστά μόλυνσης την ημέρα που εισήχθη ένα κλείδωμα ή παρόμοιο μέτρο. Η προσέγγιση θα μπορούσε να είναι γενικά χρήσιμη σε μελλοντικές επιδημίες και πανδημίες. Η εργασία δημοσιεύθηκε στις 14 Ιουλίου στο περιοδικό Science Advances.
Οι συν-συγγραφείς Leonor Saiz, καθηγήτρια βιοϊατρικής μηχανικής στο Πανεπιστήμιο της Καλιφόρνια στο Ντέιβις, και Jose Vilar, Πανεπιστήμιο της Χώρας των Βάσκων στην Ισπανία, ήθελαν να δουν τα αποτελέσματα των μη φαρμακευτικών παρεμβάσεων, όπως η κοινωνική αποστασιοποίηση, ο αποκλεισμός και η συγκάλυψη κατά το πρώτο έτος της πανδημίας. Εξέτασαν τις καθημερινές αναφορές θανάτων από ευρωπαϊκές χώρες, όπως το Ηνωμένο Βασίλειο, η Ιταλία, η Ισπανία, η Δανία και η Ελβετία, για να συμπεράνουν τον ημερήσιο ρυθμό των νέων κρουσμάτων. Σε υπολογιστικούς όρους, η ημερήσια επίπτωση της λοίμωξης είναι η είσοδος και ο ρυθμός θνησιμότητας είναι η έξοδος. Η λήψη μιας εξόδου και η αντίστροφη επεξεργασία της εισόδου είναι αυτό που οι μαθηματικοί αποκαλούν αντίστροφη διαδικασία. Ένα παράδειγμα είναι η επεξεργασία ιατρικών εικόνων, όπου μπορεί να χρειαστεί να βελτιώσετε την ποιότητα της εικόνας. Οι μαθηματικοί και οι μηχανικοί έχουν αναπτύξει τεχνικές για να εργαστούν αντίστροφα από μια θολή εικόνα σε μια καθαρή, ευκρινή αρχική. Αυτό ονομάζεται αποσυμβολισμός. Η εξαγωγή συμπερασμάτων για τον ημερήσιο ρυθμό νέων λοιμώξεων από τον ημερήσιο ρυθμό θανάτων είναι ένα δύσκολο πρόβλημα, δήλωσε ο Saiz. Τα περισσότερα κρούσματα της COVID-19 δεν είναι θανατηφόρα, και όταν είναι, ο θάνατος μπορεί συνήθως να επέλθει από 10 έως 30 ημέρες μετά τη μόλυνση. Αυτό σημαίνει ότι το σήμα εξόδου είναι συγκεχυμένο ή θολό στον χρόνο, με τον ίδιο τρόπο που μια εικόνα που βλέπουμε μέσα από θολό γυαλί μπορεί να φαίνεται θολή ή παραμορφωμένη στον χώρο.
Αποσυνέλιξη για την επιδημιολογία
Οι Saiz και Vilar ανέπτυξαν μια μέθοδο αποανάπτυξης για την επιδημιολογία. Χρησιμοποιώντας ένα νευρωνικό δίκτυο, που περιλαμβάνει τη συμπεριφορά του ιού και τη δυναμική της μόλυνσης, το μοντέλο μπορεί να εργαστεί πίσω από τα δεδομένα του ρυθμού θανάτων (έξοδος) στον ημερήσιο ρυθμό εμφάνισης (είσοδος). “Δανειστήκαμε μια έννοια από την τεχνολογία της όρασης για να την εφαρμόσουμε στην επιδημιολογία”, δήλωσε ο Saiz. Οι ερευνητές αξιολόγησαν το μοντέλο τους εξετάζοντας την επίδραση των μη φαρμακευτικών παρεμβάσεων (π.χ., εκτός από τα εμβόλια ή τις φαρμακευτικές θεραπείες) κατά το πρώτο έτος της πανδημίας. Επειδή τέτοια μέτρα συνήθως επιβάλλονταν σε ολόκληρη τη χώρα την ίδια ημέρα, ήθελαν να δουν αν το μοντέλο τους μπορούσε να προσδιορίσει την ημέρα που εισήχθησαν. Για παράδειγμα, μπόρεσαν να δουν τις ημέρες που επιβλήθηκαν και καταργήθηκαν οι αποκλεισμοί στην Αγγλία μέσα σε μια ημέρα από την πραγματική τους ημερομηνία. Στην Ισπανία, μπόρεσαν να παρατηρήσουν πώς αυξήθηκαν οι λοιμώξεις όταν καταργήθηκαν οι ταξιδιωτικοί περιορισμοί και στην Ιταλία, την ημέρα τον Οκτώβριο του 2020 που απαιτήθηκαν μάσκες προσώπου σε εξωτερικούς χώρους. Η προσέγγιση θα μπορούσε να χρησιμοποιηθεί για την αξιολόγηση της αποτελεσματικότητας των βημάτων ή των συνδυασμών βημάτων, όπως οι καραντίνες και οι εντολές για μάσκες, όσον αφορά τη μείωση του ποσοστού μόλυνσης. “Μπορούμε, τουλάχιστον, να έχουμε την πεποίθηση ότι οι αποκλεισμοί μείωσαν άμεσα τη μετάδοση της λοίμωξης”, δήλωσε ο Saiz.
