por
Todos los días durante las últimas semanas, se han difundido en periódicos y noticias por cable cuadros y gráficos que trazan el pico proyectado de las infecciones por Covid-19. Muchos de estos modelos se han desarrollado a partir de datos de estudios de epidemias anteriores como el SARS o el MERS. Ahora, un equipo de ingenieros del MIT ha desarrollado un modelo que utiliza datos de la pandemia Covid-19 junto con una red neuronal para determinar la efectividad de las medidas de cuarentena y predecir mejor la propagación del virus. .
"Nuestro modelo es el primero en usar datos del propio coronavirus e integrar dos áreas: aprendizaje automático y epidemiología estándar", dijo Raj Dandekar, estudiante de doctorado en ingeniería civil y ambiental. Con George Barbastathis, profesor de ingeniería mecánica, Dandekar pasó los últimos meses desarrollando el modelo como parte del proyecto final en la clase 2.168 (Máquinas de aprendizaje).
La mayoría de los modelos utilizados para predecir la propagación de una enfermedad siguen lo que se llama el modelo SEIR, que agrupa a las personas en "sensibles", "expuestos", "infectados" y "recuperados". Dandekar y Barbastathis mejoraron el modelo SEIR al formar una red neuronal para capturar el número de individuos infectados que están en cuarentena y, por lo tanto, ya no transmiten la infección a otros.
El modelo encuentra que en lugares como Corea del Sur, donde el gobierno implementó de inmediato medidas estrictas de cuarentena, la propagación del virus se ha estabilizado más rápidamente. En lugares más lentos para implementar intervenciones gubernamentales, como Italia y los Estados Unidos, el "número de reproducción efectiva" de Covid-19 sigue siendo mayor que uno, lo que significa que el virus ha continuado propagarse exponencialmente.
El algoritmo de aprendizaje automático muestra que con las medidas de cuarentena vigentes, la meseta de Italia y Estados Unidos llegará en algún momento entre el 15 y el 20 de abril. Esta predicción es similar a otras proyecciones como la del Instituto de Métricas y Evaluación de la Salud.
"Nuestro modelo muestra que las restricciones de cuarentena logran reducir el número de reproducción efectiva de más de uno a menos de uno", explica Barbastathis. "Este es el punto donde podemos aplanar la curva y comenzar a ver menos infecciones".
Cuantificar el impacto de la cuarentena
A principios de febrero, cuando la noticia de la preocupante tasa de infección del virus comenzó a aparecer en los titulares, Barbastathis propuso un proyecto para estudiantes de la clase 2.168. Al final de cada semestre, los estudiantes de la clase son responsables de desarrollar un modelo físico para un problema en el mundo real y de desarrollar un algoritmo de aprendizaje automático para resolverlo. Propuso que un equipo de estudiantes trabaje en el mapeo de la propagación de lo que entonces se conocía simplemente como "el coronavirus".
"Los estudiantes aprovecharon la oportunidad de trabajar en el coronavirus, inmediatamente queriendo abordar un problema de noticias en una forma típica del MIT", agrega Barbastathis.
Uno de estos estudiantes fue Dandekar. "Estaba realmente interesado en el proyecto porque pude aplicar esta nueva área de aprendizaje automático científico a un problema muy urgente", dice.
Cuando Covid-19 comenzó a extenderse por todo el mundo, el alcance del proyecto se amplió. Lo que originalmente comenzó como un proyecto destinado únicamente a extenderse a Wuhan, China, ha crecido hasta incluir también la propagación a Italia, Corea del Sur y los Estados Unidos.
El dúo comenzó a modelar la propagación del virus en cada una de estas cuatro regiones después del registro del caso número 500. Este paso marcó una clara delimitación de la forma en que los diferentes gobiernos han implementado las órdenes de cuarentena.
Armado con datos precisos de cada uno de estos países, el equipo de investigación tomó el modelo SEIR estándar y lo complementó con una red neuronal que aprende cómo los individuos infectados en cuarentena afectan la tasa de infección Entrenaron la red neuronal a través de 500 iteraciones para que luego pudiera aprender por sí mismo cómo predecir las tendencias en la propagación de la infección.
Usando este modelo, el equipo de investigación pudo establecer una correlación directa entre las medidas de cuarentena y una reducción en el número de replicación eficiente del virus.
"La red neuronal aprende lo que llamamos la 'función de fuerza de control de cuarentena'", dice Dandekar. En Corea del Sur, donde se implementaron rápidamente medidas estrictas, la función de control de cuarentena ha sido efectiva para reducir la cantidad de nuevas infecciones. En los Estados Unidos, donde las medidas de cuarentena se han implementado lentamente desde mediados de marzo, ha sido más difícil detener la propagación del virus.
Predecir la "meseta"
A medida que disminuye el número de casos en un país en particular, el modelo de pronóstico cambia de un régimen exponencial a uno lineal. Italia comenzó a entrar en este régimen lineal a principios de abril, con Estados Unidos no muy lejos.
El algoritmo de aprendizaje automático desarrollado por Dandekar y Barbastathis predijo que Estados Unidos comenzará a cambiar de regímenes exponenciales a lineales en la primera semana de abril, con un estancamiento en el número de casos infectados probablemente entre el 15 y el 20 de abril. También sugiere que la cantidad de infecciones llegará a 600,000 en los Estados Unidos antes de que la tasa de infección comience a estancarse.
“Este es un momento realmente crucial. Si atenuamos las medidas de cuarentena, podría conducir a un desastre ”, explica Barbastathis.
Según Barbastathis, uno solo tiene que mirar a Singapur para ver los peligros que podrían surgir de la relajación demasiado rápida de las medidas de cuarentena. Aunque el equipo no estudió los casos de Covid-19 en Singapur en su investigación, la segunda ola de infección actualmente experimentada por este país refleja las conclusiones de su modelo sobre la correlación entre medidas de cuarentena y tasa de infección.
"Si Estados Unidos siguiera la misma política de relajar las medidas de cuarentena demasiado pronto, predijimos que las consecuencias serían mucho más catastróficas", agrega Barbastathis.
El equipo planea compartir el modelo con otros investigadores con la esperanza de que pueda ayudar a informar las estrategias de cuarentena de Covid-19 que pueden ralentizar con éxito la tasa de infección
