使用机器学习估计COVID-19的季节周期
关于Covid-19的许多未解决的科学问题之一是它是否像流感一样的季节性 - 在温暖的夏季,随后在秋天和冬天恢复。现在,劳伦斯伯克利国家实验室(Berkeley Lab)的科学家正在推出一个项目,将机器学习方法应用于过多的健康和环境数据集,结合高分辨率的气候模型和季节性预测,梳理答案。
“环境变量,例如温度,湿度和UV [紫外线辐射]暴露,可以直接对病毒产生影响。他们还可以影响病毒的传播和气溶胶的形成,“项目领先伯克利实验室科学家Eoin Brodie说。“我们将使用最先进的机器学习将社会因素与环境因素分开的方法试图确定疾病动态最敏感的环境变量。“
该研究团队将利用县级提供丰富的健康数据 - 例如严重程度,分配和持续时间新冠肺炎爆发,以及在与人口数据,人口流动性动态的智能手机数据以及智能手机数据以及智能手机数据以及智能手机数据以及人口流动性动态时实施的公共卫生干预措施。该研究的初步目标是预测美国的每个县 - 环境因素如何影响传播SARS-CoV-2病毒,导致COVID-19。
多学科团队进行复杂问题
来自社会和健康因素的不包含环境因素是具有大量变量的狭窄问题,全部以不同的方式互动。最重要的是,气候和天气不仅影响病毒,而且影响人类生理学和行为。例如,根据天气,人们可能会花更多或更少时间;他们的免疫系统也可能随季节而变化。
这是一个复杂的数据问题,与伯克利实验室研究流域和农业等系统的研究人员解决的其他问题类似;挑战在于跨尺度整合数据,以便在地方层面做出预测。布罗迪说:“降低气候信息的规模是我们了解气候如何影响生态系统过程的常规做法。”“它涉及相同类型的变量——温度、湿度、太阳辐射。”
Brodie是伯克利实验室的气候和生态系统科学司的副主任,是在气候建模,数据分析,机器学习和地理空间分析中具有专业知识的跨学科团队。Ben Brown是伯克利实验室的生物科学区的计算生物学家,正在领先机器学习分析。其中一个主要目标是了解气候和天气如何与社会因素互动。
“我们不一定希望气候成为自身和本身的巨大或主要效果。布朗说,它不会胜过哪个城市关闭的城市。“但可能存在一些非常重要的交互[变量]。例如,看着纽约和加利福尼亚州,甚至考虑了国立所干预措施的时机之间的差异,纽约的死亡率可能比加利福尼亚州高四倍 - 尽管需要对人口随机样本进行额外测试知道。了解环境互动可能有助于解释为什么这些模式似乎是出现的。这是机器学习和AI [人工智能]的典型问题。“
气候影响的迹象
研究人员已经指出,疾病的表现如何表现出地理差异。温度,湿度和紫外线指数都与Covid-19传输速率统计相关 - 尽管接触率仍然是对疾病传播的显性影响。例如,在南半球,目前落下的地方,疾病传播比北半球慢。“潜在的其他因素与之相关,”布罗迪说。“问题是,当南半球进入冬季时,传输速度会增加传输速度,或者将秋天和冬天2020年导致美国的重新升级。在没有干预措施的情况下
印度是Covid-19尚未似乎是毒性的另一个地方。“有城市的表现得像它是记录历史上最感染的疾病。然后有城市的表现得更像流感,“布朗说。“了解我们看到那些大规模差异的原因是至关重要的。”
棕色笔记其他实验表明SARS-COV-2病毒可能是季节性的。特别是,国家生物离心分析和对策中心(NBACC)评估了病毒在各种表面上的寿命。“在阳光和湿度下,他们发现病毒在60分钟内失去活力,”棕色说。“但在黑暗中和低温下,它稳定了八天。需要调查一些非常严重的差异。“
伯克利实验室团队认为,现在可以获得足够的数据来确定环境因素可能影响病毒的毒力。“现在我们应该有足够的数据来自世界各地来真正进行评估,”布朗说。
该团队希望在夏季或初期可用的第一阶段提供分析。下一阶段是在不同情景下进行预测,这可以帮助公共卫生决策。“我们将使用模型来前进,具有不同的天气场景,不同的健康干预情景 - 例如持续的社会疏散或是否存在疫苗或某种程度的畜群免疫 - 在该国的不同地区。例如,我们希望能够说,如果您在这种环境下有孩子回到学校,该区域的气候和天气将影响此金额的潜在传播,“布罗德解释说。“这将是我们实现的长期任务。”
来源:劳伦斯伯克利国家实验室