在这项研究中,研究人员开发了一种方法,在流行病爆发期间改进检测策略,并在相对有限的信息下能够预测哪些人最有可能进行检测。
哥德堡大学物理学博士生、该研究的第一作者劳拉·纳塔利说:“这可能是朝着社会更好地控制未来重大疫情、减少关闭社会的需要迈出的第一步。”
更精确的感染定位
她强调,这项研究是模拟的,需要用真实数据进行测试,以进一步改进该方法。因此,目前使用它还为时过早冠状病毒大流行。与此同时,她认为这项研究是能够实施更有针对性的举措以减少艾滋病传播的第一步感染,因为基于机器学习的测试策略能够自动适应疾病的特定特征。作为一个例子,她提到了很容易预测一个特定年龄组是否应该进行测试,或者一个有限的地理区域是否属于风险区域(如学校、社区或特定社区)的潜力。
“当大规模疫情开始时,重要的是迅速和有效地识别传染性个体。在随机检测中,存在无法实现这一目标的重大风险,但通过更有目标导向的检测策略,我们可以找到更多的感染者,从而获得必要的信息,以减少感染的传播。我们证明机器学习可以用于开发这类测试策略,”她说。
之前很少有研究研究机器学习如何在大流行病例中使用,特别是明确关注于寻找最佳测试策略。“我们证明,利用相对简单和有限的信息来预测谁最适合测试是可能的。这样可以更好地利用可用的测试资源。”
这项研究发表在IOP机器学习:科学与技术
来源:瑞典哥德堡大学