സയന്റിഫിക് റിപ്പോർട്ടിൽ അടുത്തിടെ പ്രസിദ്ധീകരിച്ച ഒരു പഠനത്തിൽ, ഭാവിയിൽ 14 ദിവസത്തിനുള്ളിൽ കോവിഡ് 19 കേസുകളുടെ എണ്ണം പ്രവചിക്കാൻ ഗവേഷകർ ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ) ഡീപ് ലേണിംഗ് മോഡൽ വികസിപ്പിക്കുകയും പരിശീലിപ്പിക്കുകയും ചെയ്തു.

പശ്ചാത്തലം

ഭാവിയിലെ കോവിഡ് 19 പൊട്ടിപ്പുറപ്പെടുന്നത് കൃത്യമായി പ്രവചിക്കാൻ ഈ മോഡൽ ദൈനംദിന സ്ഥിരീകരിച്ച കേസുകൾ, പ്രദേശ നിർദ്ദിഷ്ട സർക്കാർ നയം, പുനരുൽപാദന സംഖ്യകൾ, കഴിഞ്ഞ 30 ദിവസങ്ങളിൽ നിന്നുള്ള ഫ്ലൈറ്റ് വിശദാംശങ്ങൾ എന്നിവയുടെ സംയോജനം ഉപയോഗിക്കുന്നു.

190 രാജ്യങ്ങളിൽ നിന്നുള്ള കോവിഡ് -19 ഡാറ്റ ഉപയോഗിച്ചുള്ള മോഡൽ മൂല്യനിർണ്ണയം മോഡലിന് 33% വരെ പിശക് നിരക്ക് ഉണ്ടെന്ന് വെളിപ്പെടുത്തുന്നു, ഇത് ഒന്നിലധികം കോവിഡ് -19 തരംഗങ്ങളുള്ള രാജ്യങ്ങളുടെ കൃത്യത മെച്ചപ്പെടുത്തുന്നു.

ഇതുപോലുള്ള ആഴത്തിലുള്ള പഠന മാതൃകകൾ നയരൂപകർത്താക്കൾക്ക് അവരുടെ ലഭ്യമായ വിഭവങ്ങൾ ഉപയോഗിക്കുന്നതിന് മികച്ച വിവരങ്ങൾ നൽകിക്കൊണ്ട് ഭാവിയിലെ പകർച്ചവ്യാധികളിൽ നിന്ന് നമ്മെ സംരക്ഷിക്കാൻ സഹായിച്ചേക്കാം.

പകർച്ചവ്യാധി പ്രവചനത്തിലെ പ്രവചന മോഡലുകൾ

കൊറോണ വൈറസ് രോഗം 2019 (കോവിഡ് -19) പാൻഡെമിക് സമീപകാല ചരിത്രത്തിലെ ഏറ്റവും മോശമായതായി തുടരുന്നു, ലോകാരോഗ്യ സംഘടന (ഡബ്ല്യുഎച്ച്ഒ) ഇതുവരെ 771 ദശലക്ഷത്തിലധികം കേസുകളും ഏകദേശം 7 ദശലക്ഷം മരണങ്ങളും കണക്കാക്കുന്നു.

പകർച്ചവ്യാധികളുടെ വ്യാപനം നിരീക്ഷിക്കുന്നതും പ്രവചിക്കുന്നതും കാര്യക്ഷമമായ നിയന്ത്രണ ആസൂത്രണത്തിനും വിഭവ വിഹിതത്തിനും അവിഭാജ്യമാണ്. ടൈം സീരീസ് വിശകലനം ഉപയോഗിച്ചുള്ള ഹ്രസ്വകാല പ്രവചനങ്ങൾ ഉപയോഗപ്രദമാണെന്ന് തെളിയിക്കപ്പെട്ടിട്ടുണ്ടെങ്കിലും, ദുരന്തങ്ങൾ സംഭവിക്കുന്നതിന് മുമ്പ് അവ തടയുന്നതിനോ അഭൂതപൂർവമായ മെഡിക്കൽ ഇൻഫ്രാസ്ട്രക്ചർ ആവശ്യകതകളെ അഭിമുഖീകരിക്കുന്നതിനോ അവ നയരൂപകർത്താക്കൾക്ക് മതിയായ സമയം നൽകുന്നില്ല.

പകർച്ചവ്യാധിയുടെ പ്രാരംഭ ഘട്ടങ്ങളിൽ കോവിഡ് -19 ന്റെ വ്യാപനം അനുകരിക്കാൻ നിരവധി ഗവേഷണ ഗ്രൂപ്പുകൾ ശ്രമിച്ചു. രോഗത്തിന് സാധ്യതയുള്ള ഹോട്ട്സ്പോട്ടുകൾ തിരിച്ചറിയാൻ കമ്പാർട്ട്മെന്റൽ എപ്പിഡെമിയോളജി മോഡലുകൾ (ഉദാ. എസ്ഐആർ, എസ്ഇആർ) ഉപയോഗിക്കുക എന്നതായിരുന്നു ഏറ്റവും ജനപ്രിയമായ സമീപനം.

കൂടാതെ, ഈ എപ്പിഡെമോളജിക്കൽ മോഡലുകളുടെ പ്രവചന ശക്തിയും കൃത്യതയും മെച്ചപ്പെടുത്തുന്നതിന് റീപ്രൊഡക്ഷൻ നമ്പർ (ആർടി) കണക്കുകൂട്ടലുകൾ, രോഗബാധിതനായ ഒരു വ്യക്തിയിൽ നിന്ന് ഉണ്ടാകുന്ന കേസുകളുടെ എസ്റ്റിമേറ്റ് എന്നിവ ഉപയോഗിച്ചു.

ഇന്ന് മനുഷ്യരാശിക്ക് ലഭ്യമായ കംപ്യൂട്ടേഷണൽ ശക്തിയും അവരെ പരിശീലിപ്പിക്കാൻ ലഭ്യമായ വിപുലമായ ഡാറ്റയും ഉപയോഗിച്ച്, മെഷീൻ ലേണിംഗ് (എംഎൽ), ടൈം സീരീസ് എസ്റ്റിമേറ്റുകളെ അടിസ്ഥാനമാക്കിയുള്ള ആഴത്തിലുള്ള പഠന മോഡലുകൾ എന്നിവ കോവിഡ് -19 പൊട്ടിപ്പുറപ്പെടുന്ന ദിവസങ്ങൾ അല്ലെങ്കിൽ ആഴ്ചകൾക്ക് മുമ്പ് വികസിപ്പിച്ചെടുത്തു.

ഓട്ടോറിഗ്രസീവ് ഇന്റഗ്രേറ്റഡ് മൂവിംഗ് ആവറേജ് (അരിമ) രീതിയായിരുന്നു ഈ സ്വർണ്ണ മാനദണ്ഡങ്ങൾ. എന്നിരുന്നാലും, ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ് വർക്കുകളും (ആർഎൻഎൻ), അവയുടെ ഡെറിവേറ്റീവ് ലോംഗ് ഹ്രസ്വകാല മെമ്മറിയും (എൽഎസ്ടിഎം) ചൈന, യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് (യുഎസ്), ഇന്ത്യ, കാനഡ, ഓസ്ട്രേലിയ, ചില യൂറോപ്യൻ രാജ്യങ്ങൾ എന്നിവയും പരീക്ഷിച്ചു.

ഈ മോഡലുകളുടെ ശ്രദ്ധേയമായ ഒരു പോരായ്മ, അവ ഏതാനും പ്രദേശങ്ങളിൽ / രാജ്യങ്ങളിൽ ഒന്നിൽ പകർച്ചവ്യാധി പ്രവചിക്കാനും ആഗോള തലത്തിൽ അവയുടെ ഉപയോഗം തടയാനും രൂപകൽപ്പന ചെയ്തതാണ്. കൂടാതെ, കണ്ടെയ്ൻമെന്റ് പോളിസി ഉൾപ്പെടെയുള്ള ബാഹ്യ ഘടകങ്ങൾ അവയുടെ വികസന വേളയിൽ പരിഗണിച്ചില്ല, ഇത് ഉയർന്ന പിശക് നിരക്കിനും മോശം പ്രവചന ശക്തിക്കും കാരണമായി.

പഠനത്തെ കുറിച്ച്

നിയന്ത്രണ നയം നടപ്പാക്കി 30 ദിവസത്തിന് ശേഷം മരണനിരക്കും പകർച്ചവ്യാധി വ്യാപനവും കുറയുന്നു എന്ന വിശ്വാസത്തിൽ പ്രവർത്തിക്കുന്ന യുഎസ് സെന്റർസ് ഫോർ ഡിസീസ് കൺട്രോൾ ആൻഡ് പ്രിവൻഷന്റെ (സിഡിസി) സംയോജിത പ്രവചന രീതിയിൽ നിന്നാണ് നിലവിലെ പഠനം കടമെടുക്കുന്നത്.

ഈ പഠനത്തിൽ, മുമ്പത്തെ 30 ദിവസങ്ങളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് ഭാവിയിൽ കോവിഡ് -19 ഫലങ്ങൾ പ്രവചിക്കുന്നതിന് ഒന്നിലധികം സമയ ആശ്രിത ഘടകങ്ങൾ (ദൈനംദിന സ്ഥിരീകരിച്ച കേസുകൾ, ആർടി, കണ്ടെയ്ൻമെന്റ് പോളിസി, മൊബിലിറ്റി, ഫ്ലൈറ്റ് ഡാറ്റ) സംയോജിപ്പിക്കുന്ന ആഴത്തിലുള്ള പഠന എൽഎസ്ടിഎം മോഡലുകൾ ഗവേഷകർ വികസിപ്പിക്കുകയും പരിശീലിപ്പിക്കുകയും ചെയ്തു.

ജോൺസ് ഹോപ്കിൻസ് സർവകലാശാലയിൽ നിന്നുള്ള 2020 ജനുവരി 22 മുതൽ 2021 ജനുവരി 31 വരെയുള്ള വ്യാപന ഡാറ്റയാണ് പരിശീലന ഡാറ്റാസെറ്റിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്നത്. 190 രാജ്യങ്ങളിൽ നിന്നുള്ള 24 സമയത്തെ ആശ്രയിക്കുന്ന വേരിയബിളുകളുടെ ഡാറ്റ ourworldindata.com സമാനമായ ഓൺലൈൻ ഓപ്പൺ സോഴ്സ് ഡാറ്റാബേസുകളിൽ നിന്നും ശേഖരിച്ചു.

ഫ്ലൈറ്റ് ഡാറ്റയുടെ ശേഖരമായി ഔദ്യോഗിക എയർലൈൻ ഗൈഡ് (ഒഎജി) ഉപയോഗിച്ചു. കൊറോണ വൈറസ് രോഗത്തെക്കുറിച്ചുള്ള മദീന-ഓർട്ടിസ് തുടങ്ങിയവരുടെ 2020 ലെ പ്രസിദ്ധീകരണത്തിൽ നിന്നാണ് ഫലപ്രദമായ ആർടി ലഭിച്ചത്.

മുമ്പത്തെ 30 ദിവസത്തെ ഡാറ്റ തുടർച്ചയായ ഇൻപുട്ടുകളായും ഭാവിയിൽ 14 ദിവസത്തിനുള്ളിൽ ഒരൊറ്റ പ്രവചനം ഒരു ഔട്ട്പുട്ടായും ഉപയോഗിക്കുന്നതിനാണ് പ്രാഥമിക എൽഎസ്ടിഎം മോഡൽ രൂപകൽപ്പന ചെയ്തത്. പരിശീലനത്തിലും മൂല്യനിർണ്ണയത്തിലും 190 രാജ്യങ്ങൾക്കായി വ്യക്തിഗതമായി മോഡലിംഗ് നടത്തി.

മൊത്തത്തിലുള്ള മോഡൽ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനും എൽഎസ്ടിഎമ്മിന്റെ പ്രധാന പരിമിതി മറികടക്കുന്നതിനും – നിലവിലെ അവസ്ഥ പിന്നാക്ക സന്ദർഭത്തിലൂടെ മാത്രമേ കണക്കാക്കാൻ കഴിയൂ എന്നതിനാൽ, പ്രാഥമിക മോഡലിന്റെ അതേ ഡാറ്റാസെറ്റിൽ ബൈഡിറെക്ഷണൽ ലോംഗ്-ഷോർട്ട് ടേം മെമ്മറി മോഡലുകൾ (ബിഎൽഎസ്ടിഎം) സൃഷ്ടിക്കുകയും പരിശീലിപ്പിക്കുകയും ചെയ്തു.

“BILSTM അൽഗോരിതം ദ്വിമുഖ ആർഎൻഎൻ, എൽഎസ്ടിഎം എന്നിവയുടെ അനുയോജ്യമായ പ്രവർത്തനങ്ങൾ സംയോജിപ്പിക്കുന്നു. രണ്ട് മറഞ്ഞിരിക്കുന്ന അവസ്ഥകളെ സംയോജിപ്പിച്ചാണ് ഇത് ചെയ്യുന്നത്, ഇത് പിന്നാക്ക പാളിയിൽ നിന്നും ഫോർവേഡ് ലെയറിൽ നിന്നും വിവരങ്ങൾ വരാൻ അനുവദിക്കുന്നു.

മോഡൽ ഹൈപ്പർ-പാരാമീറ്റർ ട്യൂണിംഗ് ട്രയൽ വഴിയും പിശക് വഴിയും ഒരു ആർഎംഎസ്പ്രോപ്പ് ഒപ്റ്റിമൈസർ ഉപയോഗിച്ച് ശരാശരി സമ്പൂർണ്ണ പിശക് (എംഎഇ) നഷ്ട ഫംഗ്ഷനായി നടത്തി. മോഡൽ ഔട്ട്പുട്ടിനെ യഥാർത്ഥ ലോക ഡാറ്റയുമായി താരതമ്യം ചെയ്താണ് മോഡൽ കൃത്യത വിലയിരുത്തിയത്.

റൂട്ട് മീൻ സ്ക്വയർ പിശക് (ആർ എം എസ് ഇ), മീൻ അബ്സൊല്യൂട്ട് ശതമാനം പിശക് (എം എ പി ഇ), മീൻ അബ്സൊല്യൂട്ട് പിശക് (എം എ ഇ), മൊത്തം സമ്പൂർണ്ണ ശതമാനം പിശക് എന്നിവ ഉപയോഗിച്ച സ്റ്റാറ്റിസ്റ്റിക്കൽ മൂല്യനിർണ്ണയ അളവുകളിൽ ഉൾപ്പെടുന്നു.

അവസാനമായി, നിലവിലെ സ്വർണ്ണ സ്റ്റാൻഡേർഡിനെതിരെ ബിഎൽഎസ്ടിഎം മോഡലിന്റെ ഉപയോഗം സ്ഥാപിക്കുന്നതിന് മോഡൽ പ്രകടനം അതേ കാലയളവിൽ അരിമ മോഡൽ കണക്കുകൂട്ടലുകളുമായി താരതമ്യപ്പെടുത്തി.

പഠന കണ്ടെത്തലുകൾ

കോവിഡ് -19 പകർച്ചവ്യാധി പ്രവചനങ്ങൾക്കായി ഒരു എം എൽ മോഡൽ വികസിപ്പിക്കാനും പരിശീലിപ്പിക്കാനും ഫ്ലൈറ്റ് ഡാറ്റ ഉൾപ്പെടെയുള്ള മൾട്ടി-വേരിയബിൾ ഓപ്പൺ സോഴ്സ് ഡാറ്റ പ്രയോജനപ്പെടുത്തിയ ആദ്യത്തെ ശ്രമമാണ് ഈ പഠനം അവതരിപ്പിക്കുന്നത്.

2021 ജനുവരി 9 നും 2021 ജനുവരി 31 നും ഇടയിൽ പ്രതിദിന കോവിഡ് -19 വ്യാപനം കൃത്യമായി പ്രവചിക്കാൻ മോഡലിന് കഴിയുമെന്ന് ഫലങ്ങൾ വെളിപ്പെടുത്തുന്നു. പകർച്ചവ്യാധി പ്രവചനത്തിലെ നിലവിലെ സ്വർണ്ണ മാനദണ്ഡമായ അരിമ മോഡൽ നിർമ്മിച്ചതിനേക്കാൾ പരമാവധി പിശക് റീഡിംഗുകൾ ഗണ്യമായി കുറവാണ്.

നിലവിലുള്ള 24, അനുബന്ധ വ്യാപന പരിശീലന ഡാറ്റ എന്നിവയിൽ അധിക വേരിയബിളുകൾ ഉൾപ്പെടുത്തിക്കൊണ്ട് ബിഎൽഎസ്ടിഎം അൽഗോരിതത്തിന് അതിന്റെ പ്രവചന ശക്തിയിൽ കൂടുതൽ മെച്ചപ്പെടുത്തലുകൾക്കുള്ള സാധ്യതയുണ്ട്.

ഒന്നിലധികം കോവിഡ് -19 തരംഗങ്ങളുള്ള രാജ്യങ്ങൾക്കായി ബിഎൽഎസ്ടിഎം മോഡലുകൾ മികച്ച പ്രകടനം കാഴ്ചവച്ചതായി 84 രാജ്യങ്ങളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ചുള്ള മൂല്യനിർണ്ണയം വെളിപ്പെടുത്തി, ഇത് വലിയ പരിശീലന ഡാറ്റാസെറ്റുകൾ നൽകിയ മെച്ചപ്പെട്ട കൃത്യത സൂചിപ്പിക്കുന്നു.

കുറച്ച് വേരിയബിളുകൾ ഉപയോഗിക്കുന്ന രണ്ടാമത്തെ മോഡൽ സമാനമായ കൃത്യതയും പിശക് നിരക്കും നേടി, ഡാറ്റാ കമ്മി സാഹചര്യങ്ങളിൽ പോലും മോഡൽ ശക്തമായി തുടരുന്നുവെന്ന് സൂചിപ്പിക്കുന്നു.

“ആരോഗ്യ പരിരക്ഷാ ദാതാക്കളുടെ വിഭവങ്ങളുടെ മികച്ച വിഹിതവും നിയന്ത്രണ ആസൂത്രണവും സുഗമമാക്കുന്നതിനും കോവിഡ് -19 ന്റെ അനന്തരഫലങ്ങൾ ദീർഘകാല ചക്രവാളത്തിൽ കൈകാര്യം ചെയ്യാൻ നയരൂപകർത്താക്കളെ സഹായിക്കുന്നതിനും പ്രവചനങ്ങൾക്ക് ഉപയോഗപ്രദമായ വിവരങ്ങൾ നൽകാൻ കഴിയും. ഭാവി ജോലികൾക്കായി, രണ്ട് മോഡലുകളും മറ്റ് ടൈം-സീരീസ് കാൻഡിഡേറ്റ് മോഡലുകളും സംയോജിപ്പിക്കുന്നതിനുള്ള ഒരു എൻസെംബ്ലിംഗ് സമീപനം പര്യവേക്ഷണം ചെയ്യാൻ കഴിയും.

നിഗമനങ്ങൾ

നിലവിലെ പഠനത്തിൽ, കോവിഡ് -19 സംഭവങ്ങൾ പ്രവചിക്കുന്നതിനായി ഗവേഷകർ ആഴത്തിലുള്ള പഠന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡൽ വികസിപ്പിക്കുകയും പരിശീലിപ്പിക്കുകയും സാധൂകരിക്കുകയും ചെയ്തു. 190 രാജ്യങ്ങളിൽ നിന്നുള്ള 24 വേരിയബിളുകളുടെ ഒരു കൂട്ടം 30 ദിവസത്തിനുള്ളിൽ ഭാവിയിൽ കോവിഡ് -19 പൊട്ടിപ്പുറപ്പെടുമെന്ന് പ്രവചിക്കാൻ മോഡൽ ഉപയോഗിച്ചു.

മോഡൽ പരിശോധനയിൽ ശരാശരി പിശക് നിരക്ക് 35% ആണെന്ന് കണ്ടെത്തി, ഇത് ഒന്നിലധികം കോവിഡ് -19 തരംഗങ്ങളും 10,000 ത്തിലധികം സ്ഥിരീകരിച്ച കേസുകളും അനുഭവിച്ച രാജ്യങ്ങളിൽ മെച്ചപ്പെട്ടു. പകർച്ചവ്യാധി പ്രവചനങ്ങൾക്കായുള്ള നിലവിലെ സ്വർണ്ണ മാനദണ്ഡമായ അരിമ രീതി ഉൽ പാദിപ്പിക്കുന്നതിനേക്കാൾ പരമാവധി പിശക് നിരക്ക് ഗണ്യമായി കുറവായിരുന്നു.

ഒരുമിച്ച്, ഈ ഫലങ്ങൾ ഈ BILSTM മോഡൽ നയരൂപകർത്താക്കളെ അവരുടെ വിഭവങ്ങൾ ഏറ്റവും മികച്ച രീതിയിൽ അനുവദിക്കുന്നതിന് ആവശ്യമായ വിവരങ്ങൾ ഉപയോഗിച്ച് സജ്ജമാക്കുന്നതിനുള്ള ശക്തമായ ഉപകരണമായി വെളിപ്പെടുത്തുന്നു.