Bild som visar två Europakartor över ett simulerat utbrott av en pandemi.
De två kartorna visar ett simulerat utbrott vid samma tidpunkt, med och utan forskarnas metod. Läs mer om illustrationen längre ner.
Artikel från Göteborgs universitet

Den här artikeln bygger på ett pressmeddelande. Läs om hur redaktionen jobbar.

Artificiell intelligens kan bli en av nycklarna för att bromsa smittspridningen vid framtida pandemier. I en studie har forskare undersökt hur maskininlärning kan användas för att hitta de mest effektiva testmetoderna vid epidemiska utbrott.

I studien har forskarna tagit fram en metod för att förbättra teststrategierna vid epidemiska utbrott, och med relativt begränsad information kunna förutse vilka individer som är mest fördelaktiga att testa.

– Det här kan bli ett första steg mot att samhället ska bli bättre på att kunna kontrollera större utbrott i framtiden, och minska behovet av stora nedstängningar, säger Laura Natali, doktorand i fysik vid Göteborgs universitet och huvudförfattare till den publicerade studien.

Snabb kontroll över utbrottet

Maskininlärning är en typ av artificiell intelligens och kan beskrivas som en matematisk modell där datorer ”tränas” att lära sig se samband och lösa uppgifter med hjälp av olika data. Forskarna har använt maskininlärning i en simulering av ett epidemiskt utbrott, där information om de första bekräftade fallen används för att göra beräkningar av smitta i resten av befolkningen. Bland annat används data om de smittade individernas kontaktnät: vilka de har varit i nära kontakt med, var och under hur lång tid.

– I studien går det att snabbt få kontroll över utbrottet när metoden används, medan en slumpmässig testning leder till ett okontrollerat utbrott med många fler smittade. Under verkliga förhållanden kan information läggas till, som exempelvis demografiska data, ålder och hälsomässiga förutsättningar, vilket ytterligare kan förbättra metodens effektivitet. Dessutom kan samma metod användas för att förebygga återinfektion i befolkningen, om immuniteten efter sjukdomen enbart är tillfällig, säger Laura Natali.

Kartbilderna visar två möjliga utfall

Bild som visar två Europakartor över ett simulerat utbrott av en pandemi.

De två kartorna visar ett simulerat utbrott vid samma tidpunkt, med och utan forskarnas metod. Den vänstra kartan anger läget då metoden inte använts, och där inga nedstängningar av samhället har skett. Den domineras av orange (smittsamma) och svart (tidigare infekterade och nu immuna eller avlidna). Den högra kartan anger läget vid samma tidpunkt, men där forskarnas metod har använts. Kartan domineras av grå (ej smittade men mottagliga) samt blått som står för nedstängda områden som har kunnat ringas in tack vare metoden. Här finns inte längre några smittsamma individer som kan driva epidemin vidare.

Bild: Laura Natali

Laura Natali betonar att studien är en simulering och att testning med verkliga data behövs för att utveckla metoden ytterligare. Samtidigt ser hon forskningen som ett första steg mot att kunna göra mer specifikt riktade insatser för att minska smittspridningen, eftersom den maskininlärningsbaserade teststrategin automatiskt anpassar sig efter sjukdomens särskilda karakteristik. Som exempel nämner hon möjligheten att enklare förutse om en viss åldersgrupp bör testas, eller om ett begränsat geografiskt område är i riskzonen – som en skola, en tätort eller ett visst kvarter.

Mer exakt lokalisering av smittan

– När ett större utbrott har startat är det viktigt att snabbt och effektivt hitta smittade individer. Vid slumpvis testning är risken stor att det inte sker, men med en mer målinriktad teststrategi går det att hitta fler smittade individer och därmed få den kunskap som behövs för att minska smittspridningen. Vi visar att maskininlärning kan användas för att ta fram en sådan teststrategi, säger hon.

Det finns få tidigare studier som granskar hur maskininlärning kan användas vid pandemier, särskilt med en så tydlig inriktning på att hitta de bästa teststrategierna.

– Vi visar att det går att utgå från relativt enkel och begränsad information för att göra förutsägelser om vilka individer som är mest fördelaktiga att testa. Det ger möjlighet att bättre kunna använda de testresurser som finns, säger hon.

Vetenskaplig artikel:

Improving epidemic testing and containment strategies using machine learning.

Kontakt:

Laura Natali, doktorand vid institutionen för fysik, Göteborgs universitet, laura.natali@physics.gu.se

Senaste nytt

Nyhetsbrev med aktuell forskning

Visste du att robotar som ser en i ögonen är lättare att snacka med? Missa ingen ny forskning, prenumerera på vårt nyhetsbrev!

Jag vill prenumerera