Neuroscience News’in haberine göre, yeni bir otomatik öğrenme modeli, Covid-19 pandemisine ait verilerini kullanarak sosyal mesafe önlemlerinin verimliliğini ölçüyor ve viral yayılmayı tahmin ediyor. Modele göre, karantina önlemleri Covid-19’un yayılmasını önlemekte gerçekten de etkili oldu.
Evde kalma, enfekte kişilerin temaslarını izleme, karantina ve sosyal mesafelenme mevcut krizde başvurulan yöntemler oldu, ancak bunların ne kadar etkili olduğunu ölçmek zor olabiliyor. Bazı insanlar pozitif oldukları bilinmeden önce virüsü başkalarına bulaştırmış olabiliyor, diğerleri ise belli durumlarda yine de seyahat etmek durumunda kalabiliyor, ayrıca önlemlere uymayanlar da mevcut.
Ayrıca, enfekte kişi sayısı, yaşamını kaybedenlerin sayısı gibi resmi rakamlar da gerçeği yansıtmayabiliyor, bazı ülkeler yeterince test yapamazken, kimileri rakamları olduğundan az gösteriyor. Daha da önemlisi, pandeminin ne şekilde ilerleyebileceğini gösteren modeller, Covid-19 verilerine göre değil daha önce yaşanan SARs veya MERs salgınlarına dayanıyor.
Bu son güçlüğü yenmek için MIT’de çalışan mühendislerden oluşan bir ekip, standart epidemiyoloji ilkelerini, doğrudan Covid-19 verilerini ve bir sinir ağını birleştirerek oluşturdukları modelde, tek tek ülkelerde pandemiyi kontrol altına almak için kullanılan yöntemlerin başarılı olup olmadığını tahmin edecek bir model geliştirdiler.
Otomatik öğrenme algoritması, mevcut karantina yöntemleriyle İtalya ve ABD’de virüsün yayılma eğrisinin 15-20 Nisan arasında düzleşeceğini gösteriyor.
“Modelimiz, doğrudan korona virüsü verilerini kullanan ilk model ve iki sahayı birleştiriyor: otomatik öğrenme ve standart epidemiyoloji” diyor ekipte çalışan doktora öğrencisi Raj Dandekar.
Bir hastalığın yayılmasını öngörmek için kullanılan modellerin çoğu SEIR olarak bilinen modeli kullanır. SEIR, insanları “virüse maruz kaldı,” “virüs bulaştı” ve “iyileşti” şeklinde sınıflandırır. Dandekar ve hocası George Barbastathis, SEIR modelini geliştirerek bir sinir ağına, virüsü kaptıktan sonra karantina altına alınan, yani başkalarına hastalığı bulaştırmayan insan sayısını bulmayı öğretti.
Sinir ağının doğruluğu Wuhan’dan gelen veriler üzerinden test edildi. 24 Ocak-3 Mart arası elde edilen verileri kullanan MIT araştırmacıları, modelin öngörülerinin 1 Nisan’da alınan son verilere uyduğunu doğruladı.
Araştırmacılar, karantina önlemlerinin erkenden gevşetilmesinin veya kaldırılmasının, ikinci bir artış dalgasına neden olabileceğini, Singapur vakasında olduğu gibi bunun korkunç sonuçlar doğuracağını düşünüyor. Model virüsün yayılmasını önlemek için gerçekten de katı karantina yöntemlerine ihtiyaç duyulduğunu gösteriyor.
Modele göre, Güney Kore gibi sıkı karantina önlemlerini derhal uygulayan ülkelerde virüs yayılımı çok daha hızlı bir şekilde düz bir eğriye ulaştı. İtalya ve ABD gibi, benzer önlemleri almakta geciken ülkelerde ise COVID-19’un “etkili çoğalma sayısı” birden fazlaydı, yani virüs katlanarak yayılmaya devam etti.
Otomatik öğrenme algoritması, mevcut karantina yöntemleriyle İtalya ve ABD’de virüsün yayılma eğrisinin 15-20 Nisan arasında düzleşeceğini gösteriyor.
“Modelimiz, etkili çoğalma sayısının birden çok olduğu durumlarda, karantina önlemleri sayesinde bu rakamın birin altına indiğini gösteriyor” diyor Barbastathis. “İşte bu noktada eğrinin düzleştiğini, enfeksiyon sayısının ise azaldığını görebiliriz”.
Araştırmacılar, karantina önlemlerinin erkenden gevşetilmesinin veya kaldırılmasının, ikinci bir artış dalgasına neden olabileceğini, Singapur vakasında olduğu gibi bunun korkunç sonuçlar doğuracağını düşünüyor. Model virüsün yayılmasını önlemek için gerçekten de katı karantina yöntemlerine ihtiyaç duyulduğunu gösteriyor.
Araştırma hala bilirkişi değerlendirmesi aşamasında ama modelin bulguları online paylaşıma açıldı.
