همه‌گیری جهانی کووید-۱۹، بیماری ناشی از ویروس کرونا SARS-CoV-2، تهدیدی جدی برای بشریت بوده است. با توجه به ادامه تحولات این بیماری، پیش‌بینی شدت بیماری در مناطق مختلف از اهمیت ویژه‌ای برای تخصیص بهینه منابع برخوردار است. در این مقاله، روشی تحت عنوان COURAGE (داده‌افزایی درهم‌آمیز مبتنی بر تجمیع شهرستانی) ارائه می‌شود که با استفاده از تکنیک‌های یادگیری عمیق مدرن، به پیش‌بینی کوتاه‌مدت تعداد مرگ و میر ناشی از کووید-۱۹ در دو هفته آینده برای هر شهرستان در ایالات متحده آمریکا می‌پردازد.

این تحقیق توسط Siawpeng Er، Shihao Yang و Tuo Zhao انجام شده است. زمینه اصلی این تحقیق، یادگیری ماشین و کاربردهای آن در حوزه بهداشت و درمان، به‌ویژه در پیش‌بینی و مدیریت بیماری‌های همه‌گیر است. نویسندگان با بهره‌گیری از داده‌های موجود و تکنیک‌های پیشرفته یادگیری عمیق، سعی در ارائه یک مدل دقیق و کارآمد برای پیش‌بینی تعداد مرگ و میر ناشی از کووید-۱۹ در سطح محلی داشته‌اند. این مدل می‌تواند به مسئولان بهداشتی در تخصیص منابع و اتخاذ تصمیمات آگاهانه کمک کند.

مقاله حاضر، یک روش نوین برای پیش‌بینی تعداد مرگ و میر ناشی از کووید-۱۹ در سطح شهرستان ارائه می‌دهد. روش COURAGE از مدل Transformer، یک معماری یادگیری عمیق مبتنی بر خود-توجه (Self-Attention) که معمولاً در پردازش زبان طبیعی (NLP) استفاده می‌شود، بهره می‌برد. این مدل قادر است وابستگی‌های زمانی کوتاه‌مدت و بلندمدت را در داده‌های سری زمانی (Time Series) ثبت کند و در عین حال، از نظر محاسباتی کارآمد باشد. مدل پیشنهادی از اطلاعات عمومی در دسترس، شامل موارد تایید شده ابتلا به کووید-۱۹، تعداد مرگ و میر، روند تحرک جامعه و اطلاعات جمعیتی استفاده می‌کند. همچنین، این مدل می‌تواند پیش‌بینی‌های ایالتی را به عنوان تجمیعی از پیش‌بینی‌های شهرستان‌های مربوطه تولید کند. نتایج آزمایش‌های عددی نشان می‌دهد که مدل COURAGE در مقایسه با مدل‌های معیار موجود، عملکرد بهتری دارد.

به طور خلاصه، این مقاله یک روش قدرتمند و کارآمد برای پیش‌بینی تعداد مرگ و میر ناشی از کووید-۱۹ در سطح محلی ارائه می‌دهد که می‌تواند به بهبود مدیریت و تخصیص منابع در بحران‌های بهداشتی کمک کند.

روش‌شناسی تحقیق در این مقاله بر پایه استفاده از مدل Transformer و تکنیک داده‌افزایی COURAGE استوار است. در اینجا به تشریح جزئیات این روش‌ها می‌پردازیم:

• مدل Transformer: مدل Transformer، که در ابتدا برای پردازش زبان طبیعی طراحی شده بود، به دلیل توانایی بالا در ثبت وابستگی‌های زمانی و مکانی، در این تحقیق برای تحلیل داده‌های سری زمانی کووید-۱۹ به کار گرفته شده است. مکانیسم خود-توجه در این مدل به آن اجازه می‌دهد تا بر روی مهم‌ترین بخش‌های داده‌ها تمرکز کند و الگوهای پیچیده را شناسایی نماید. برای مثال، مدل می‌تواند تشخیص دهد که افزایش ناگهانی موارد ابتلا در یک شهرستان، چه تاثیری بر تعداد مرگ و میر در شهرستان‌های مجاور خواهد داشت.
• داده‌افزایی COURAGE: داده‌افزایی COURAGE یک تکنیک نوآورانه است که با ترکیب داده‌های شهرستان‌های مختلف، به افزایش حجم و تنوع داده‌های آموزشی کمک می‌کند. این تکنیک با درهم‌آمیختن داده‌های شهرستان‌ها، مدل را قادر می‌سازد تا الگوهای کلی را بهتر شناسایی کند و از بیش‌برازش (Overfitting) جلوگیری نماید. به عنوان مثال، داده‌های یک شهرستان با نرخ واکسیناسیون بالا با داده‌های شهرستانی با نرخ واکسیناسیون پایین ترکیب می‌شود تا مدل بتواند تاثیر واکسیناسیون بر تعداد مرگ و میر را به طور دقیق‌تر ارزیابی کند.
• داده‌های مورد استفاده: مدل COURAGE از داده‌های متنوعی برای پیش‌بینی استفاده می‌کند، از جمله:
  • آمار مربوط به موارد تایید شده ابتلا و مرگ و میر ناشی از کووید-۱۹
  • داده‌های مربوط به تحرک جامعه، که از طریق داده‌های موقعیت‌یابی تلفن همراه جمع‌آوری می‌شود
  • اطلاعات جمعیتی، مانند سن، جنسیت، نژاد و وضعیت اقتصادی-اجتماعی

ترکیب این روش‌ها و داده‌ها، به مدل COURAGE اجازه می‌دهد تا پیش‌بینی‌های دقیق‌تر و قابل اعتمادتری ارائه دهد.

نتایج حاصل از این تحقیق، نشان‌دهنده کارایی و برتری مدل COURAGE در پیش‌بینی تعداد مرگ و میر ناشی از کووید-۱۹ است. یافته‌های کلیدی این پژوهش عبارتند از:

• عملکرد بهتر نسبت به مدل‌های معیار: مدل COURAGE در مقایسه با سایر مدل‌های موجود، از جمله مدل‌های آماری سنتی و مدل‌های یادگیری ماشین پایه، عملکرد بهتری از خود نشان داده است. این برتری به ویژه در پیش‌بینی‌های کوتاه‌مدت (دو هفته آینده) مشهود است.
• اثرگذاری داده‌افزایی COURAGE: استفاده از تکنیک داده‌افزایی COURAGE به طور قابل توجهی دقت پیش‌بینی‌ها را افزایش داده است. این نشان می‌دهد که درهم‌آمیختن داده‌های شهرستان‌های مختلف، به مدل کمک می‌کند تا الگوهای پنهان را بهتر شناسایی کند.
• اهمیت اطلاعات جمعیتی و تحرک جامعه: اطلاعات جمعیتی و داده‌های مربوط به تحرک جامعه نقش مهمی در بهبود دقت پیش‌بینی‌ها ایفا می‌کنند. به عنوان مثال، مشخص شده است که شهرستان‌هایی با جمعیت مسن‌تر و یا با سطح تحرک بالاتر، بیشتر در معرض خطر افزایش مرگ و میر ناشی از کووید-۱۹ هستند.
• توانایی در تولید پیش‌بینی‌های ایالتی: مدل COURAGE قادر است پیش‌بینی‌های ایالتی را به عنوان تجمیعی از پیش‌بینی‌های شهرستان‌های مربوطه تولید کند. این قابلیت به مسئولان بهداشتی ایالتی کمک می‌کند تا دید کلی‌تری از وضعیت بیماری در سطح ایالت داشته باشند.

این یافته‌ها نشان می‌دهند که مدل COURAGE یک ابزار قدرتمند و کارآمد برای پیش‌بینی و مدیریت بحران کووید-۱۹ است.

دستاورد اصلی این مقاله، ارائه یک روش دقیق و کارآمد برای پیش‌بینی تعداد مرگ و میر ناشی از کووید-۱۹ در سطح شهرستان است. این دستاورد می‌تواند کاربردهای متعددی داشته باشد، از جمله:

• تخصیص بهینه منابع: پیش‌بینی دقیق تعداد مرگ و میر می‌تواند به مسئولان بهداشتی در تخصیص بهینه منابع، مانند تخت‌های بیمارستانی، تجهیزات پزشکی و پرسنل درمانی، کمک کند.
• اتخاذ تصمیمات آگاهانه: اطلاعات حاصل از این مدل می‌تواند به سیاست‌گذاران در اتخاذ تصمیمات آگاهانه، مانند اعمال محدودیت‌های تردد، تشویق به واکسیناسیون و اطلاع‌رسانی عمومی، کمک کند.
• ارزیابی اثربخشی مداخلات: با مقایسه پیش‌بینی‌های مدل با داده‌های واقعی، می‌توان اثربخشی مداخلات مختلف، مانند کمپین‌های واکسیناسیون و سیاست‌های فاصله‌گذاری اجتماعی، را ارزیابی کرد.
• بهبود آمادگی برای همه‌گیری‌های آینده: تجربیات و درس‌های آموخته شده از این تحقیق می‌تواند در بهبود آمادگی برای همه‌گیری‌های آینده مورد استفاده قرار گیرد.

به طور کلی، این تحقیق گامی مهم در جهت توسعه ابزارهای مبتنی بر یادگیری ماشین برای پیش‌بینی و مدیریت بحران‌های بهداشتی است.

در این مقاله، روشی نوین به نام COURAGE برای پیش‌بینی تعداد مرگ و میر ناشی از کووید-۱۹ در سطح شهرستان ارائه شد. این روش با بهره‌گیری از مدل Transformer و تکنیک داده‌افزایی COURAGE، توانسته است عملکرد بهتری نسبت به مدل‌های معیار موجود ارائه دهد. یافته‌های این تحقیق نشان می‌دهد که استفاده از اطلاعات جمعیتی و داده‌های مربوط به تحرک جامعه، نقش مهمی در بهبود دقت پیش‌بینی‌ها ایفا می‌کند. این تحقیق می‌تواند به مسئولان بهداشتی و سیاست‌گذاران در تخصیص بهینه منابع و اتخاذ تصمیمات آگاهانه کمک کند و در نهایت، منجر به بهبود مدیریت بحران‌های بهداشتی شود. در آینده، می‌توان این روش را برای پیش‌بینی سایر بیماری‌های عفونی و یا برای پیش‌بینی پیامدهای اقتصادی و اجتماعی همه‌گیری‌ها توسعه داد.