Esta figura mostra a previsão do modelo da contagem de casos infectados para os Estados Unidos seguindo seu modelo atual com controle de quarentena e a explosão exponencial na contagem de casos infectados se as medidas de quarentena forem relaxadas. Por outro lado, mudando para medidas de quarentena mais fortes implementadas em Wuhan, Itália, e a Coreia do Sul pode levar a um platô na contagem de casos infectados mais cedo. Crédito:Massachusetts Institute of Technology
Todos os dias nas últimas semanas, tabelas e gráficos que traçam o ápice projetado de infecções por COVID-19 foram espalhados por jornais e notícias a cabo. Muitos desses modelos foram construídos usando dados de estudos sobre surtos anteriores, como SARS ou MERS. Agora, uma equipe de engenheiros do MIT desenvolveu um modelo que usa dados da pandemia COVID-19 em conjunto com uma rede neural para determinar a eficácia das medidas de quarentena e prever melhor a disseminação do vírus.
"Nosso modelo é o primeiro que usa dados do próprio coronavírus e integra dois campos:aprendizado de máquina e epidemiologia padrão, "explica Raj Dandekar, um Ph.D. candidato a estudar engenharia civil e ambiental. Junto com George Barbastathis, professor de engenharia mecânica, Dandekar passou os últimos meses desenvolvendo o modelo como parte do projeto final da aula 2.168 (Máquinas de Aprendizagem).
A maioria dos modelos usados para prever a propagação de uma doença segue o que é conhecido como modelo SEIR, que agrupa as pessoas em "suscetíveis, " "expor, " "infetado, "e" recuperado ". Dandekar e Barbastathis aprimoraram o modelo SEIR treinando uma rede neural para capturar o número de indivíduos infectados que estão em quarentena, e, portanto, não espalhando mais a infecção para outras pessoas.
O modelo descobre que em lugares como a Coreia do Sul, onde houve intervenção governamental imediata na implementação de fortes medidas de quarentena, o vírus espalhou-se mais rapidamente. Em locais que demoraram mais para implementar intervenções do governo, como a Itália e os Estados Unidos, o "número de reprodução efetiva" de COVID-19 permanece maior que um, o que significa que o vírus continuou a se espalhar exponencialmente.
O algoritmo de aprendizado de máquina mostra que, com as medidas de quarentena atuais em vigor, o planalto da Itália e dos Estados Unidos chegará em algum lugar entre 15 e 20 de abril. Essa previsão é semelhante a outras projeções, como a do Institute for Health Metrics and Evaluation.
"Nosso modelo mostra que as restrições de quarentena têm sucesso em fazer com que o número de reprodução efetiva seja maior que um para menor que um, "diz Barbastathis." Isso corresponde ao ponto onde podemos achatar a curva e começar a ver menos infecções. "
Quantificando o impacto da quarentena
No início de fevereiro, à medida que as notícias da preocupante taxa de infecção do vírus começaram a dominar as manchetes, Barbastathis propôs um projeto aos alunos da classe 2.168. No final de cada semestre, os alunos da classe têm a tarefa de desenvolver um modelo físico para um problema do mundo real e desenvolver um algoritmo de aprendizado de máquina para resolvê-lo. Ele propôs que uma equipe de estudantes trabalhasse no mapeamento da disseminação do que então era simplesmente conhecido como "o coronavírus".
"Os alunos aproveitaram a oportunidade para trabalhar no coronavírus, querendo imediatamente resolver um problema tópico da maneira típica do MIT, "acrescenta Barbastathis.
Um desses alunos era Dandekar. "O projeto realmente me interessou porque pude aplicar esse novo campo de aprendizado de máquina científico a um problema muito urgente, " ele diz.
Conforme COVID-19 começou a se espalhar por todo o mundo, o escopo do projeto foi ampliado. O que originalmente começou como um projeto que visa apenas a propagação dentro de Wuhan, A China cresceu para incluir também a propagação na Itália, Coreia do Sul, e os Estados Unidos.
Esquema da rede neural informada pela física usada para codificar informações sobre a função de força de quarentena, Q (t). Crédito:Massachusetts Institute of Technology
A dupla começou a modelar a disseminação do vírus em cada uma dessas quatro regiões depois que o 500º caso foi registrado. Esse marco marcou uma definição clara de como os diferentes governos implementaram as ordens de quarentena.
Armado com dados precisos de cada um desses países, a equipe de pesquisa pegou o modelo SEIR padrão e o aumentou com uma rede neural que aprende como os indivíduos infectados em quarentena impactam a taxa de infecção. Eles treinaram a rede neural por meio de 500 iterações para que ela pudesse aprender a prever padrões na disseminação da infecção.
Usando este modelo, a equipe de pesquisa conseguiu estabelecer uma correlação direta entre as medidas de quarentena e uma redução no número de reprodução efetiva do vírus.
"A rede neural está aprendendo o que chamamos de 'função de força de controle de quarentena, '"explica Dandekar. Na Coreia do Sul, onde medidas fortes foram implementadas rapidamente, a função de força de controle de quarentena tem sido eficaz na redução do número de novas infecções. Nos Estados Unidos, onde medidas de quarentena foram implementadas lentamente desde meados de março, tem sido mais difícil impedir a propagação do vírus.
Prevendo o "platô"
À medida que o número de casos em um determinado país diminui, o modelo de previsão passa de um regime exponencial para um linear. A Itália começou a entrar neste regime linear no início de abril, com os EUA não muito atrás disso.
O algoritmo de aprendizado de máquina desenvolvido por Dandekar e Barbastathis previu que os Estados Unidos começarão a mudar de um regime exponencial para um regime linear na primeira semana de abril, com uma estagnação na contagem de casos infectados provavelmente entre 15 e 20 de abril. Também sugere que a contagem de infecções chegará a 600, 000 nos Estados Unidos antes que a taxa de infecção comece a estagnar.
"Este é um momento realmente crucial. Se relaxarmos as medidas de quarentena, pode levar ao desastre, "diz Barbastathis.
De acordo com Barbastathis, basta olhar para Cingapura para ver os perigos que poderiam resultar do relaxamento das medidas de quarentena muito rapidamente. Embora a equipe não tenha estudado os casos COVID-19 de Cingapura em sua pesquisa, a segunda onda de infecção que este país está enfrentando atualmente reflete a descoberta de seu modelo sobre a correlação entre as medidas de quarentena e a taxa de infecção.
"Se os EUA seguissem a mesma política de relaxamento das medidas de quarentena muito cedo, previmos que as consequências seriam muito mais catastróficas, "Barbastathis acrescenta.
A equipe planeja compartilhar o modelo com outros pesquisadores na esperança de que ele possa ajudar a informar as estratégias de quarentena do COVID-19 que podem diminuir com sucesso a taxa de infecção.
Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.
