隨著世界各地COVID-19流行病的蔓延不減，被迫避難的人們有著共同的愿望，即社會(huì)隔離在多大程度上減慢了疾病的傳播速度。這是可以理解的-政府強(qiáng)行關(guān)閉企業(yè)造成的附帶損害有可能破壞整個(gè)行業(yè)。根據(jù)美國(guó)勞工統(tǒng)計(jì)局的數(shù)據(jù)，截至本周，已有2600萬(wàn)美國(guó)人申請(qǐng)失業(yè)救濟(jì)，國(guó)際貨幣基金組織(International Monetary Fund)預(yù)測(cè)，全球金融危機(jī)將與大蕭條相提并論。

幸運(yùn)的是，德克薩斯大學(xué)，西南研究所和德克薩斯大學(xué)健康科學(xué)中心的研究人員發(fā)表的預(yù)印本研究強(qiáng)烈暗示，隔離和物理疏遠(yuǎn)已達(dá)到預(yù)期的效果。使用被稱為SIRNet和幾種流行病學(xué)模型的混合AI系統(tǒng)，這些模型在智能手機(jī)位置數(shù)據(jù)以及人口加權(quán)密度以及初創(chuàng)公司Safe Graph，世界衛(wèi)生組織，美國(guó)疾病控制和預(yù)防中心以及其他地方的其他數(shù)據(jù)點(diǎn)上進(jìn)行了訓(xùn)練，合著者聲稱他們?cè)O(shè)法準(zhǔn)確預(yù)測(cè)了各種社會(huì)疏遠(yuǎn)政策的結(jié)果。

人們可以在德克薩斯大學(xué)COVID-19建模協(xié)會(huì)發(fā)布的網(wǎng)站上查看其國(guó)家的預(yù)測(cè)。

研究人員的系統(tǒng)從成千上萬(wàn)部智能手機(jī)中獲取的國(guó)家，州和國(guó)家級(jí)位置數(shù)據(jù)被用于預(yù)測(cè)接觸率，人口密度的函數(shù)以及一個(gè)地區(qū)中人們之間的移動(dòng)和互動(dòng)。這是針對(duì)COVID-19病例計(jì)數(shù)數(shù)據(jù)繪制的，特別是一個(gè)時(shí)間序列集，它捕獲了不同地理粒度級(jí)別的活動(dòng)，已恢復(fù)和致命的COVID-19病例，研究人員應(yīng)用了10天的滯后時(shí)間來(lái)解釋傳染與獲得陽(yáng)性檢測(cè)確認(rèn)之間的延遲。

研究人員報(bào)告說(shuō)，基于未來(lái)三周(系統(tǒng)的最大值)的預(yù)計(jì)預(yù)測(cè)，僅“檢疫級(jí)流動(dòng)性”的持續(xù)進(jìn)行將導(dǎo)致低COVID-19病例數(shù)。如果將限制減少約50%，該系統(tǒng)預(yù)計(jì)某些社區(qū)將達(dá)到穩(wěn)定高峰的邊緣，死亡曲線將保持在低峰或迅速急劇上升。而且，如果有75%的人口能夠像往常一樣自由移動(dòng)，那么該系統(tǒng)會(huì)預(yù)測(cè)結(jié)果將是在100%流動(dòng)時(shí)(僅在韓國(guó)除外)略微延遲的峰值，大約是最大峰值的2/3。

在得克薩斯州的比克薩爾縣，截至4月11日，流動(dòng)性約為正常水平的50%，放松的社會(huì)隔離措施可能導(dǎo)致死亡和住院治療“失控增長(zhǎng)”。系統(tǒng)顯示。相比之下，在華盛頓的金縣，行動(dòng)不便的地方仍然受到嚴(yán)格限制，該系統(tǒng)預(yù)測(cè)，繼續(xù)采取這些措施將使新的死亡人數(shù)到6月降低到接近零。

該系統(tǒng)與MIT模型相吻合，該模型在4月初的預(yù)印本文件中進(jìn)行了詳細(xì)介紹，該模型發(fā)現(xiàn)，在韓國(guó)等受到政府直接干預(yù)的地區(qū)，病毒傳播的速度更快達(dá)到了平穩(wěn)狀態(tài)。在每個(gè)地區(qū)都記錄了第500例病例之后，對(duì)從武漢(中國(guó))，意大利，韓國(guó)和美國(guó)收集的數(shù)據(jù)進(jìn)行了訓(xùn)練，學(xué)會(huì)了預(yù)測(cè)感染傳播的模式，并在隔離措施與病毒減少之間建立了關(guān)聯(lián)。有效復(fù)制數(shù)。

一種單獨(dú)的模型-由微軟，印度技術(shù)學(xué)院和TCS Research(塔塔咨詢服務(wù)的研發(fā)部門)的研究人員于今年早些時(shí)候發(fā)布的模型-根據(jù)疾病參數(shù)(例如傳染性，妊娠期，持續(xù)時(shí)間)自動(dòng)學(xué)習(xí)策略。癥狀，死亡概率，人口密度和運(yùn)動(dòng)傾向。在持續(xù)了52周(364天)的模擬過(guò)程中，進(jìn)行了75次模擬，結(jié)果表明，鎖定5%至10%社區(qū)的政府的COVID-19感染高峰較低。

在其他地方，一個(gè)國(guó)際研究人員團(tuán)隊(duì)使用百度提供的人類流動(dòng)性數(shù)據(jù)來(lái)闡明COVID-19傳播在中國(guó)城市中的作用。他們發(fā)現(xiàn)，在實(shí)施控制和圍堵措施后，COVID-19病例的地理分布與流動(dòng)性之間的相關(guān)性下降，并且大多數(shù)地區(qū)的增長(zhǎng)率都為負(fù)，這表明這些措施減輕了COVID-19的傳播。

像那些由疾病警報(bào)，Metabiota，并開(kāi)發(fā)-鼓勵(lì)的預(yù)測(cè)可能是，但要記住，即使是最好的算法是非常重要的藍(lán)點(diǎn)，這是最早準(zhǔn)確識(shí)別COVID-19的傳播-只能學(xué)習(xí)模式從歷史數(shù)據(jù)。正如布魯金斯學(xué)會(huì)(Brookings Institution)在最近的一份報(bào)告中指出的那樣，盡管某些流行病學(xué)模型采用了AI，但流行病學(xué)家在很大程度上采用了包含主題專業(yè)知識(shí)的統(tǒng)計(jì)模型。

布魯金斯報(bào)告的作者寫道：“僅憑準(zhǔn)確性就不足以評(píng)估預(yù)測(cè)的質(zhì)量。”“如果管理不當(dāng)，AI算法將花費(fèi)大量精力尋找與試圖預(yù)測(cè)的結(jié)果相關(guān)的數(shù)據(jù)模式。但是，這些模式可能完全是荒謬的，只在開(kāi)發(fā)過(guò)程中起作用。”

盡管如此，這些模型仍然提供了支持隔離和疏遠(yuǎn)政策的大量證據(jù)，即使這些政策遭到示威者的抨擊也是如此。