Hoppa till huvudinnehåll
Bild
De två kartorna visar ett simulerat utbrott vid samma tidpunkt, med och utan forskarnas metod.
Maskininlärning kan bidra till bättre teststrategier. Bilderna visar ett simulerat utbrott vid samma tidpunkt, med och utan forskarnas metod. Se vidare förklaring i faktaruta.
Foto: Laura Natali
Länkstig

Maskininlärning kan bidra till att bromsa framtida pandemier

Publicerad

Artificiell intelligens kan bli en av nycklarna för att bromsa smittspridningen vid framtida pandemier. I en ny studie har forskare vid Göteborgs universitet undersökt hur maskininlärning kan användas för att hitta de mest effektiva testmetoderna vid epidemiska utbrott, och därmed bidra till att bättre kontrollera utbrotten.

I studien har forskarna tagit fram en metod för att förbättra teststrategierna vid epidemiska utbrott, och med relativt begränsad information kunna förutse vilka individer som är mest fördelaktiga att testa.

– Det här kan bli ett första steg mot att samhället ska bli bättre på att kunna kontrollera större utbrott i framtiden, och minska behovet av stora nedstängningar, säger Laura Natali, doktorand i fysik vid Göteborgs universitet och huvudförfattare till den publicerade studien.

Simulering visar snabb smittkontroll

Maskininlärning är en typ av artificiell intelligens och kan beskrivas som en matematisk modell där datorer ”tränas” att lära sig se samband och lösa uppgifter med hjälp av olika data. Forskarna har använt maskininlärning i en simulering av ett epidemiskt utbrott, där information om de första bekräftade fallen används för att göra beräkningar av smitta i resten av befolkningen. Bland annat används data om de smittade individernas kontaktnät: vilka de har varit i nära kontakt med, var och under hur lång tid.

– I studien går det att snabbt få kontroll över utbrottet när metoden används, medan en slumpmässig testning leder till ett okontrollerat utbrott med många fler smittade. Under verkliga förhållanden kan information läggas till, som exempelvis demografiska data, ålder och hälsomässiga förutsättningar, vilket ytterligare kan förbättra metodens effektivitet. Dessutom kan samma metod användas för att förebygga återinfektion i befolkningen om immuniteten efter sjukdomen enbart är tillfällig, säger Laura Natali.

Bild
Laura Natali, doktorand i fysik
Laura Natali, doktorand i fysik
Foto: Aykut Argun

Mer exakt lokalisering av smittan

Hon betonar att studien är en simulering och att testning med verkliga data behövs för att utveckla metoden ytterligare – därför är det för tidigt att kunna använda den i den pågående coronapandemin. Samtidigt ser hon forskningen som ett första steg mot att kunna göra mer specifikt riktade insatser för att minska smittspridning, eftersom den maskininlärningsbaserade teststrategin automatiskt anpassar sig efter sjukdomars särskilda karakteristik. Som exempel nämner hon möjligheten att enklare förutse om en viss åldersgrupp bör testas, eller om ett begränsat geografiskt område är i riskzonen – som en skola, en tätort eller ett visst kvarter.

– När ett större utbrott har startat är det viktigt att snabbt och effektivt hitta smittade individer. Vid slumpvis testning är risken stor att det inte sker, men med en mer målinriktad teststrategi går det att hitta fler smittade individer och därmed få den kunskap som behövs för att minska smittspridningen. Vi visar att maskininlärning kan användas för att ta fram en sådan teststrategi, säger hon.

Kan använda testresurserna effektivare

Det finns få tidigare studier som granskar hur maskininlärning kan användas vid pandemier, särskilt med en så tydlig inriktning på att hitta de bästa teststrategierna.

– Vi visar att det går att utgå från relativt enkel och begränsad information för att göra förutsägelser om vilka individer som är mest fördelaktiga att testa. Det ger möjlighet att bättre kunna använda de testresurser som finns, säger hon.

Text: Ulrika Ernström

Kontakt:
Laura Natali, doktorand vid institutionen för fysik, Göteborgs universitet
Telefon: 076-3121301
E-post:
laura.natali@physics.gu.se

Om forskningen

Titel: Improving epidemic testing and containment strategies using machine learning
Vetenskaplig tidskrift: IOP Machine Learning: Science and Technology

Så har metoden tagits fram
För att ta fram metoden har forskarna utgått från den så kallade SIR-modellen för att simulera ett epidemiskt utbrott. I modellen delas befolkningen in i tre grupper: mottagliga (susceptible), smittsamma (infectious) och återhämtade (recovered).

Förklaring av illustrationen med kartor:
Bilderna visar ett simulerat utbrott vid samma tidpunkt, med och utan forskarnas metod. Den vänstra kartan anger läget då metoden inte använts, och där inga nedstängningar av samhället har skett. Den domineras av orange (smittsamma) och svart (tidigare infekterade och nu immuna eller avlidna). Den högra kartan anger läget vid samma tidpunkt, men där forskarnas metod har använts. Kartan domineras av grå (ej smittade men mottagliga) samt blått som står för nedstängda områden som har kunnat ringas in tack vare metoden. Här finns inte längre några smittsamma individer som kan driva epidemin vidare.