Phân tích dữ liệu lớn giúp dự đoán lây lan đại dịch trong tương lai

Các nhà nghiên cứu đã phát triển một mô hình học sâu để giúp dự đoán sự lây lan của COVID-19.

Nhóm nghiên cứu của tiến sĩ Ali Mostafavi ở Đại học Texas A&M đã phát triển một mô hình tính toán sử dụng trí AI và dữ liệu lớn về các hoạt động và di chuyển của dân cư để giúp dự đoán sự lây lan của Covid -19 trong tương lai.

Quá trình lây lan của đại dịch chịu ảnh hưởng từ các mối quan hệ phức tạp liên quan đến các yếu tố bao gồm sự di chuyển, hoạt động dân cư và đặc điểm về dân số học xã hội, v.v... Tuy nhiên, các mô hình dịch tễ  toán học điển hình chỉ tính đến một số trong rất nhiều các tác nhân liên quan ở trên. Ngược lại, mô hình học sâu do Mostafavi phát triển có thể giải thích mối quan hệ phức tạp giữa nhiều yếu tố tác động để dự báo phạm vi gia tăng lây nhiễm Covid -19 trong những ngày tới.

“Chúng tôi ngay lập tức nhận ra tiềm năng sử dụng AI để bổ sung cho các mô hình dịch tễ toán học hiện có”, Mostafavi nói. “Chúng ta đang sống trong kỷ nguyên của dữ liệu lớn và việc tận dụng những dữ liệu lớn này trong các cuộc khủng hoảng mang lại cơ hội lớn cho việc phát triển các mô hình và công cụ dựa trên dữ liệu để cung cấp thông tin chính sách”.

Mô hình học sâu của các nhà nghiên cứu tính đến các yếu tố như sự di chuyển của cư dân trong cộng đồng, dữ liệu điều tra dân số, dữ liệu về khoảng cách xã hội, mức tăng các ca bệnh trong quá khứ và nhân khẩu học xã hội để dự đoán sự gia tăng các ca Covid-19 ở mỗi vùng với độ chính xác 64%. Mức độ dự đoán chính xác cao nhất của mô hình là trong phạm vi bảy ngày, càng dự đoán tương lai xa hơn thì độ chính xác càng giảm đi.

Mô hình không chỉ đưa ra dự đoán với mức độ chính xác tương đối cao mà còn giúp đánh giá các chiến lược nào đang tác động đến tình hình dịch bệnh. Cụ thể, “mô hình này không xác định các chiến lược giảm thiểu và ứng phó cụ thể, nhưng nó có thể giúp đánh giá xem tại một thời điểm nhất định chiến lược nào – ở cấp tỉnh/ hạt có thể đem lại hiệu quả", Mostafavi nói. Khi biết được điều đó, các cơ quan quản lý có thể thúc đẩy các biện pháp can thiệp hiệu quả hơn. Ví dụ, nếu yếu tố quan trọng nhất quyết định đối với một hạt là tính di chuyển của cư dân, thì các cơ quan quản lý có thể cần phải khuyến khích mua hàng tại nhà.

Mô hình cũng có thể giúp đánh giá hiệu quả của các chính sách sau khi chúng đã được áp dụng. Mostafavi phát hiện ra rằng nhìn chung, các lệnh hạn chế đi lại bước đầu đã có hiệu quả — những người từ các tỉnh ít dân cư ít di chuyển đến các thành phố đông dân hơn, nhưng mức độ di chuyển bên trong các tỉnh đông dân không thay đổi nhiều. 

Khi đại dịch bắt đầu, các nhà nghiên cứu xem các yếu tố liên quan đến đi lại, di chuyển là những yếu tố dự báo quan trọng cho số ca nhiễm, nhưng theo thời gian, họ thấy các đặc điểm khác như việc người dân thường xuyên đến các địa điểm ưa thích và đặc điểm nhân khẩu học xã hội là các yếu tố quan trọng hơn. Kết quả là việc làm hạn chế đại dịch rất phức tạp và không có chính sách nào là phù hợp tất cả mọi lúc mọi nơi.

Trong tương lai, phòng thí nghiệm của Mostafavi sẽ sử dụng các bộ dữ liệu mới để phát triển các loại mô hình khác nhau. Ngoài mô hình giám sát dự đoán quy mô dịch bệnh quốc gia hiện tại, nhóm đang nghiên cứu mô hình dựa trên trí tuệ nhân tạo giám sát quy mô thành phố để dự đoán số ca nhiễm theo từng mã zip bưu chính (zip-code level). Quan trọng hơn, họ muốn dự đoán đâu là các yếu tố ảnh hưởng đến từng mã zip, để các cơ quan quản lý có thể đưa ra các chính sách cụ thể cho từng địa điểm. Mostafavi cho biết thay vì đóng cửa các nhà hàng trong toàn bộ hạt, các quan chức có thể chỉ đóng cửa các nhà hàng trong các mã zip có rủi ro cao.□

Hoàng Nam dịch
Nguồn: https://techxplore.com/news/2020-09-harnessing-big-artificial-intelligence-future.html