همه‌گیری بیماری کووید-۱۹ نیازمند جمع‌آوری سریع و دقیق اطلاعات به‌روز در مورد شیوع آن بود. در این میان، داده‌های مربوط به مرگ و میر، اگرچه اطلاعات قابل اعتمادی ارائه می‌دهند، اما با تأخیر قابل توجهی همراه هستند. از سوی دیگر، آمار مبتلایان تأیید شده از طریق تست‌های مثبت، می‌توانند داده‌های کم‌تأخیرتری را فراهم کنند. با این حال، نمونه‌برداری از افراد آزمایش‌شده در طول زمان متغیر است و دلیل انجام تست اغلب ثبت نمی‌شود. بستری شدن در بیمارستان نیز معمولاً ۱ تا ۲ هفته پس از عفونت رخ می‌دهد و در مقایسه با زمان عفونت اولیه، داده‌های قدیمی به شمار می‌رود. میزان مشکل‌ساز بودن این مسائل احتمالاً در طول زمان و بین کشورها متفاوت است. مقاله حاضر به بررسی راهکاری برای رفع این مشکلات می‌پردازد.

این مقاله توسط تیمی از محققان به سرپرستی کانر روزاتو، رابرت ای. مور، متیو کارتر، جان هیپ، خوزه استوروپولی و سیمون ماسکل به رشته تحریر درآمده است. این محققان با تخصص‌های گوناگون در زمینه‌های اپیدمیولوژی، یادگیری ماشین، و پردازش زبان طبیعی، تلاش کرده‌اند تا با استفاده از رویکردی بین‌رشته‌ای، راه‌حلی برای برآورد دقیق‌تر مرگ و میر ناشی از کووید-۱۹ ارائه دهند. تمرکز اصلی این گروه بر روی استفاده از داده‌های کم‌تأخیر برای بهبود دقت پیش‌بینی‌ها است.

هدف اصلی این پژوهش، توسعه مدلی است که بتواند با ادغام داده‌های کم‌تأخیر، مانند اطلاعات به‌دست‌آمده از شبکه‌های اجتماعی، با داده‌های مرگ و میر، برآوردهای آنی و دقیق‌تری از مرگ‌های ناشی از کووید-۱۹ ارائه دهد. نویسندگان از یک الگوریتم یادگیری ماشین برای پردازش زبان طبیعی (NLP) استفاده کرده‌اند که بر روی چندین زبان آموزش داده شده است. این الگوریتم به منظور شناسایی افراد علامت‌دار از طریق شبکه‌های اجتماعی، به‌ویژه توییتر، در زمان واقعی طراحی شده است. سپس، یک مدل اپیدمیولوژیک SEIRD توسعه‌یافته، برای ادغام ترکیبی از داده‌های کم‌تأخیر (از جمله آمار افراد علامت‌دار از توییتر) با داده‌های مرگ و میر، به منظور تخمین پارامترهای مدل و برآورد تعداد افراد در هر بخش (Susceptible, Exposed, Infected, Recovered, Dead) مورد استفاده قرار می‌گیرد. این مدل در زبان برنامه‌نویسی احتمالی Stan پیاده‌سازی شده و از یک انتگرال‌گیر عددی سفارشی استفاده می‌کند. نتایج نشان می‌دهند که استفاده از داده‌های کم‌تأخیر خاص همراه با داده‌های مرگ و میر، پیش‌بینی‌های دقیق‌تر و پایدارتری از مرگ‌های ناشی از کووید-۱۹ نسبت به استفاده از داده‌های مرگ و میر به تنهایی ارائه می‌دهد.

روش‌شناسی این تحقیق شامل چند مرحله کلیدی است:

• جمع‌آوری داده‌ها: جمع‌آوری داده‌های مربوط به مرگ و میر ناشی از کووید-۱۹ و داده‌های کم‌تأخیر از منابع مختلف، از جمله توییت‌های حاوی اطلاعات مربوط به علائم بیماری.
• پردازش زبان طبیعی: استفاده از یک الگوریتم NLP برای شناسایی و استخراج اطلاعات مربوط به افراد علامت‌دار از توییت‌ها. این الگوریتم با استفاده از داده‌های چندزبانه آموزش داده شده تا بتواند توییت‌های مربوطه را به زبان‌های مختلف شناسایی کند. برای مثال، توییت‌هایی که حاوی عباراتی مانند “احساس بیماری می‌کنم”، “تب دارم” یا “بدنم درد می‌کند” ممکن است به عنوان نشانه‌های وجود علائم بیماری در نظر گرفته شوند.
• مدل‌سازی اپیدمیولوژیک: استفاده از یک مدل SEIRD توسعه‌یافته برای شبیه‌سازی شیوع بیماری و تخمین پارامترهای کلیدی، مانند نرخ انتقال بیماری و نرخ مرگ و میر. مدل SEIRD یک مدل ریاضیاتی است که جمعیت را به چند دسته تقسیم می‌کند: افراد حساس (Susceptible)، افراد در معرض (Exposed)، افراد مبتلا (Infected)، افراد بهبودیافته (Recovered) و افراد فوت‌شده (Dead).
• ادغام داده‌ها: ادغام داده‌های کم‌تأخیر (از جمله اطلاعات به‌دست‌آمده از توییتر) با داده‌های مرگ و میر در مدل SEIRD. این ادغام به مدل کمک می‌کند تا پارامترهای خود را به طور دقیق‌تری تخمین بزند و پیش‌بینی‌های بهتری ارائه دهد.
• اعتبارسنجی مدل: ارزیابی عملکرد مدل با مقایسه پیش‌بینی‌های آن با داده‌های واقعی. نویسندگان از روش‌های مختلف آماری برای ارزیابی دقت و پایداری پیش‌بینی‌های مدل استفاده کرده‌اند.

استفاده از زبان برنامه‌نویسی Stan برای پیاده‌سازی مدل، امکان انجام محاسبات احتمالی پیچیده و تخمین عدم قطعیت در پیش‌بینی‌ها را فراهم می‌کند. انتگرال‌گیر عددی سفارشی نیز به منظور حل معادلات دیفرانسیل موجود در مدل SEIRD طراحی شده است.

یافته‌های اصلی این تحقیق عبارتند از:

• ادغام داده‌های کم‌تأخیر (به‌ویژه اطلاعات به‌دست‌آمده از توییتر) با داده‌های مرگ و میر، منجر به بهبود چشمگیر دقت پیش‌بینی‌های مربوط به مرگ‌های ناشی از کووید-۱۹ می‌شود.
• مدل توسعه‌یافته در این پژوهش، قادر است تا با استفاده از داده‌های موجود، برآوردهای آنی و دقیق‌تری از تعداد افراد در هر بخش SEIRD ارائه دهد.
• استفاده از الگوریتم NLP برای شناسایی افراد علامت‌دار از طریق شبکه‌های اجتماعی، یک روش مؤثر برای جمع‌آوری داده‌های کم‌تأخیر در زمان واقعی است.
• نتایج نشان می‌دهند که داده‌های سنتی مانند آمار مبتلایان تست‌شده، به دلیل تغییرات در نحوه تست‌گیری و عدم ثبت دلیل تست، ممکن است اطلاعات دقیقی ارائه ندهند. در مقابل، اطلاعات جمع‌آوری شده از شبکه‌های اجتماعی، با وجود نویز بیشتر، می‌توانند به بهبود دقت پیش‌بینی‌ها کمک کنند.

به عنوان مثال، در یک مطالعه موردی، محققان نشان دادند که با استفاده از داده‌های توییتر، توانستند افزایش ناگهانی در مرگ و میر ناشی از کووید-۱۹ را چند روز زودتر از زمانی که این افزایش در آمار رسمی مرگ و میر ثبت شد، پیش‌بینی کنند.

این تحقیق دارای کاربردهای متعددی است، از جمله:

• بهبود آمادگی در برابر همه‌گیری‌ها: با ارائه پیش‌بینی‌های دقیق‌تر از شیوع بیماری، این مدل می‌تواند به مقامات بهداشتی کمک کند تا برنامه‌ریزی بهتری برای مقابله با همه‌گیری‌ها انجام دهند.
• ارزیابی اثربخشی مداخلات بهداشتی: مدل می‌تواند برای ارزیابی تأثیر مداخلات بهداشتی، مانند واکسیناسیون و فاصله‌گذاری اجتماعی، بر شیوع بیماری مورد استفاده قرار گیرد.
• تخصیص بهینه منابع: با ارائه اطلاعات دقیق در مورد وضعیت بیماری، این مدل می‌تواند به تخصیص بهینه منابع بهداشتی، مانند تخت‌های بیمارستانی و دستگاه‌های تنفس مصنوعی، کمک کند.

یکی از دستاوردهای مهم این تحقیق، توسعه یک چارچوب یکپارچه برای ادغام داده‌های کم‌تأخیر با داده‌های سنتی است. این چارچوب می‌تواند برای سایر بیماری‌های عفونی نیز مورد استفاده قرار گیرد و به بهبود پیش‌بینی و مدیریت این بیماری‌ها کمک کند.

مقاله حاضر نشان می‌دهد که ادغام داده‌های کم‌تأخیر، به ویژه اطلاعات به‌دست‌آمده از شبکه‌های اجتماعی، با داده‌های مرگ و میر، می‌تواند به طور قابل توجهی دقت پیش‌بینی‌های مربوط به مرگ‌های ناشی از کووید-۱۹ را بهبود بخشد. این یافته‌ها دارای اهمیت زیادی برای آمادگی در برابر همه‌گیری‌ها، ارزیابی اثربخشی مداخلات بهداشتی و تخصیص بهینه منابع هستند. با توجه به اهمیت این موضوع، تحقیقات بیشتری در این زمینه مورد نیاز است تا بتوان از پتانسیل کامل داده‌های کم‌تأخیر برای بهبود سلامت عمومی بهره‌مند شد. به عنوان مثال، تحقیقات آینده می‌تواند بر روی توسعه الگوریتم‌های NLP پیشرفته‌تر، مدل‌های اپیدمیولوژیک پیچیده‌تر و روش‌های بهتری برای ادغام داده‌ها تمرکز کند.