研究者は、機械学習が将来のパンデミック中に感染の拡大を遅くするための鍵であると判断しました。
ヨーテボリ大学の科学者は、アウトブレイクの制御に役立つパンデミック中に効果的なテスト方法を見つけるために機械学習を使用できる方法を探りました。
研究では、チームは流行の発生中のテストへのアプローチを強化し、情報が比較的限られているため、どの個人がテストに最適な可能性を提供するかを予測できる技術を開発しました。
Laura Natali、物理学の博士課程の学生ヨーテボリ大学および研究の主著者である著者は、次のようにコメントしています。
機械学習は、コンピューターに接続を確認し、異なるデータセットを使用して問題を解決するように教えられている人工知能（AI）のアプリケーションです。
研究チームは、パンデミックアウトブレイクのシミュレーションで機械学習を使用しました。ここでは、最初に確認された症例に関するデータが、残りの母集団の感染を近似するために使用されました。感染した個人の連絡先のネットワークやその他の情報に関するデータが使用されました。
「研究では、この方法を使用すると、発生を迅速に制御できますが、ランダムテストは、より多くの感染者との発生の制御されていない広がりにつながります。現実世界の条件下では、人口統計データ、年齢、健康関連の条件など、情報を追加できます。これにより、メソッドの有効性がさらに向上する可能性があります。
研究者は、彼らの研究はシミュレーションであり、手法を改善するために実際のデータでテストすることが不可欠であることを強調しました。その結果、電流に使用するのは時期尚早ですCovid-19パンデミック。
しかし、研究の結果は、機械学習ベースのテスト戦略が疾患の特定の特性に自動的に適応するため、感染のspread延を減らすためのよりターゲットを絞ったイニシアチブを実施するための良い第一歩です。
例として、ナタリは、特定の年齢層をテストする必要があるかどうか、または限られた地理的エリアが学校、コミュニティ、または特定の地域などのリスクゾーンであるかどうかを簡単に予測する可能性を指します。
「大きな発生が始まったとき、感染者を迅速かつ効果的に特定することが重要です。ランダムテストでは、これを達成することに失敗した重大なリスクがありますが、より目標指向のテスト戦略により、より多くの感染者を見つけることができ、それによって感染の拡大を減らすために必要な情報も得られます。
この研究は、パンデミクスを緩和するために機械学習を適用する方法を調べた最初の研究の1つであり、特に、最良のテスト戦略を見つけることに明確な焦点を当てたほんの数人の1つです。
ナタリは次のように結論付けました。これにより、利用可能なテストリソースをより適切に使用できます。」
