Υπήρξε μια περίοδος που η καθημερινότητα εκατομμυρίων ανθρώπων καθοριζόταν από έναν αριθμό. Κάθε απόγευμα τα βλέμματα στρέφονταν στα νέα κρούσματα, στις νοσηλείες και στις εισαγωγές στις Μονάδες Εντατικής Θεραπείας (ΜΕΘ). Τα στοιχεία αυτά αποτύπωναν την πορεία της πανδημίας, όμως περιέγραφαν κυρίως όσα είχαν ήδη συμβεί και κανείς δεν μπορούσε να προβλέψει με σχετική ασφάλεια τι θα ακολουθούσε τις επόμενες ημέρες ή εβδομάδες.
Έξι χρόνια μετά το ξέσπασμα της COVID-19, η επιστημονική κοινότητα συνεχίζει να αναζητά εργαλεία που θα επιτρέψουν στα συστήματα υγείας να περνούν από την αντίδραση στην πρόβλεψη. Σε αυτή την προσπάθεια εντάσσεται και νέα ερευνητική εργασία του Πανεπιστημίου Κύπρου, η οποία αξιοποιεί την τεχνητή νοημοσύνη για να εκτιμά την πορεία μιας επιδημίας έως και επτά ημέρες νωρίτερα.
Η μελέτη βασίστηκε στην εμπειρία της πανδημίας του κορωνοϊού. Δεν επιχειρεί να προβλέψει πότε θα εμφανιστεί η επόμενη πανδημία, ούτε να εντοπίσει έναν νέο ιό πριν αυτός κάνει την εμφάνισή του. Αντίθετα, εξετάζει κατά πόσο μπορεί να προβλεφθεί η εξέλιξη μιας λοιμώδους νόσου που βρίσκεται ήδη σε εξέλιξη, ώστε οι αρμόδιες αρχές να έχουν περισσότερο χρόνο να προετοιμαστούν. Πρόκειται για τη μελέτη Cross-Country Learning for National Infectious Disease Forecasting Using European Data, την οποία υπογράφουν οι ερευνητές Ζαχαρίας Κωμοδρόμος, Κλεάνθης Μαλιάλης, Άρτεμις Κοντού και Παναγιώτης Κόλιος. Η βασική της καινοτομία βρίσκεται στον τρόπο με τον οποίο «εκπαιδεύεται» το μοντέλο. Αντί να χρησιμοποιεί μόνο δεδομένα από μία χώρα, αξιοποιεί πληροφορίες από ολόκληρη την Ευρώπη, αναζητώντας κοινά επιδημιολογικά μοτίβα που μπορούν να βελτιώσουν την ακρίβεια των προβλέψεων.
Μαθαίνοντας αλλιώς
Η ανάπτυξη εργαλείων τεχνητής νοημοσύνης εξαρτάται σε μεγάλο βαθμό από την ποσότητα και την ποιότητα των διαθέσιμων δεδομένων. Για μεγάλες χώρες αυτό δεν αποτελεί πάντοτε πρόβλημα. Για μικρότερα κράτη, όμως, όπως η Κύπρος, ο περιορισμένος αριθμός περιστατικών δυσκολεύει την εκπαίδευση τέτοιων μοντέλων. Οι ερευνητές επέλεξαν να αντιμετωπίσουν αυτή τη δυσκολία με έναν διαφορετικό τρόπο. Αντί να περιοριστούν στα κυπριακά δεδομένα, συγκέντρωσαν στοιχεία από πολλές ευρωπαϊκές χώρες, επιτρέποντας στο μοντέλο να αναγνωρίσει μοτίβα που επαναλαμβάνονται, ακόμη και όταν οι χώρες διαφέρουν ως προς τον πληθυσμό, τα μέτρα που εφαρμόζουν ή την ένταση της επιδημίας. Το αποτέλεσμα ήταν εντυπωσιακό. Η μεγαλύτερη ακρίβεια δεν προέκυψε όταν χρησιμοποιήθηκαν μόνο δεδομένα από χώρες που παρουσιάζουν παρόμοια χαρακτηριστικά με την Κύπρο. Αντίθετα, η αξιοποίηση πληροφοριών σχεδόν από ολόκληρη την Ευρώπη οδήγησε σε καλύτερες προβλέψεις, υποδεικνύοντας ότι ακόμη και χώρες με διαφορετική επιδημιολογική συμπεριφορά μπορούν να προσφέρουν πολύτιμη γνώση. Με άλλα λόγια, το μοντέλο δεν αναζητά χώρες που «μοιάζουν» μεταξύ τους. Αναζητά κοινά μοτίβα στην εξέλιξη μιας επιδημίας, τα οποία δύσκολα μπορεί να εντοπίσει ο ανθρώπινος νους όταν εξετάζει τα δεδομένα κάθε χώρας ξεχωριστά.
Το προβάδισμα
Η ερευνητική ομάδα επικεντρώθηκε στην πρόβλεψη της πορείας των κρουσμάτων επτά ημέρες νωρίτερα. Για να επιτευχθεί αυτό, διαπίστωσε ότι το μοντέλο αποδίδει καλύτερα όταν λαμβάνει υπόψη του τα δεδομένα των δεκατεσσάρων προηγούμενων ημερών. Το εύρημα μπορεί να μοιάζει τεχνικό, όμως η πρακτική του σημασία είναι ιδιαίτερα μεγάλη. Αν ένα σύστημα υγείας γνωρίζει με σχετική αξιοπιστία πώς αναμένεται να εξελιχθεί μια επιδημία μέσα στην επόμενη εβδομάδα, αποκτά χρόνο για να οργανώσει καλύτερα τις υπηρεσίες του πριν αυξηθεί η πίεση στα νοσοκομεία.
Πριν την πίεση
Στην πράξη, η αξία μιας τέτοιας πρόβλεψης δεν μετριέται μόνο με την ακρίβεια των αλγορίθμων. Μετριέται με τον χρόνο που μπορεί να κερδίσει ένα σύστημα υγείας. Επτά ημέρες μπορεί να μην ακούγονται πολλές, όμως σε μιαν επιδημία μπορούν να αποδειχθούν αρκετές για να γίνει καλύτερος προγραμματισμός του προσωπικού, να ενισχυθούν νοσοκομειακές μονάδες, να εξασφαλιστούν τα απαραίτητα αποθέματα φαρμάκων και υγειονομικού υλικού ή να ληφθούν στοχευμένα μέτρα δημόσιας υγείας.
Οι ερευνητές δεν παρουσιάζουν την τεχνητή νοημοσύνη ως υποκατάστατο των επιδημιολόγων. Αντίθετα, τη θεωρούν ένα ακόμη εργαλείο υποστήριξης των αποφάσεων. Η τελική κρίση παραμένει στους επιστήμονες και στις αρμόδιες αρχές, οι οποίες καλούνται να αξιολογήσουν τα διαθέσιμα δεδομένα και να αποφασίσουν ποια μέτρα απαιτούνται κάθε φορά.
Το επόμενο βήμα
Η συγκεκριμένη εργασία δεν αποτελεί ένα έτοιμο εργαλείο που χρησιμοποιείται ήδη από τις υγειονομικές αρχές, αλλά μια ερευνητική πρόταση που αναδεικνύει τις δυνατότητες της τεχνητής νοημοσύνης στον τομέα της δημόσιας υγείας.
Η ομάδα του Πανεπιστημίου Κύπρου βλέπει ήδη το επόμενο βήμα. Στόχος είναι η επέκταση της μεθοδολογίας ώστε να μην προβλέπονται μόνο τα κρούσματα, αλλά και δείκτες που επηρεάζουν άμεσα τη λειτουργία των συστημάτων υγείας, όπως οι νοσηλείες, οι εισαγωγές στις Μονάδες Εντατικής Θεραπείας (ΜΕΘ) και άλλοι δείκτες πίεσης.
Αν η προσπάθεια αυτή επιβεβαιωθεί και σε επόμενες μελέτες, τα οφέλη θα μπορούσαν να είναι σημαντικά. Όχι επειδή η τεχνητή νοημοσύνη θα αντικαταστήσει τους επιστήμονες, αλλά επειδή θα τους επιτρέψει να λαμβάνουν αποφάσεις με περισσότερα δεδομένα και, κυρίως, με περισσότερο χρόνο στη διάθεσή τους.
Η πανδημία της COVID-19 δίδαξε ότι στις υγειονομικές κρίσεις κάθε ημέρα έχει αξία. Η έρευνα του Πανεπιστημίου Κύπρου δείχνει ότι η τεχνητή νοημοσύνη μπορεί να συμβάλει ώστε αυτές οι ημέρες να κερδίζονται πριν η πίεση φτάσει στα νοσοκομεία. Και ίσως αυτό να είναι το σημαντικότερο μήνυμα της μελέτης.
