News

I metodi di "machine learning" possono aiutare a rallentare le future pandemie

10/05/2021

Le strategie di
Le strategie di "machine learning" possono aiutare a limitare la diffusione di un'infezione (Immagine realizzata da Laura Natali).

In questo studio, pubblicato sulla rivista “Machine Learning: Science and Technology”, i ricercatori hanno sviluppato delle strategie che attraverso informazioni limitate riescono a predire quali individui testare e isolare in maniera da rendere più efficiente il controllo e l’estinzione di una epidemia.

“Questo è un primo passo affinché si possano controllare in maniera efficace future epidemie riducendo la necessità di lockdown generalizzati”, commenta Laura Natali, studente di dottorato in fisica all’Università di Goteborg e autore principale della ricerca.

Il “machine learning” è un tipo di intelligenza artificiale che può essere descritta da modelli matematici dove i computer imparano connessioni e risolvere problemi usando diversi insiemi di dati. I ricercatori di Goteborg del gruppo di Giovanni Volpe in collaborazione con  Onofrio M. Maragò del Cnr-Ipcf hanno usato le tecniche di “machine learning” in una simulazione di contagio epidemico, dove le informazioni (contatti, mobilità, durata del contatto) sui primi casi confermati è stata usata per stimare l’allargamento dell’infezione al resto della popolazione. 

Nello studio affrontato, l’infezione può essere mantenuta sotto controllo quando vengono usati i metodi di intelligenza artificiale, mentre un testing casuale della popolazione porta ad un rapido incremento degli infetti. Nell'immagine allegata le due parti mostrano una diffusione simulata allo stesso punto temporale, con (destra) e senza (sinistra) l’utilizzo della strategia basata di intelligenza artificiale. Lo stesso approccio può prevenire la re-infezione in una popolazione con immunità temporanea. Lo studio è basato su simulazioni e l’utilizzo di dati reali è necessario per migliorare l’efficacia di contenimento. 

Nonostante sia ancora presto per un utilizzo di questo approccio nell’attuale pandemia di coronavirus, Laura Natali sottolinea come la ricerca sia un primo passo per implementare iniziative mirate al contenimento di epidemie tramite strategie basate su “machine learning” che si adattano automaticamente e con estrema efficienza alle caratteristiche specifiche delle malattie.

Ci sono pochi studi che hanno analizzato strategie di intelligenza artificiale nell’ambito di pandemie, soprattutto per il loro contenimento tramite un testing efficiente. Questo studio dimostra come sia possibile usare semplici e limitate informazioni per fare predizioni su chi è meglio testare, consentendo un risparmio di tempo e risorse per un’ottimizzazione dello spegnimento dell’epidemia.

Lo studio è stato realizzato nell’ambito del network europeo “ActiveMatter” coordinato dall’Università di Goteborg e di cui il Cnr-Ipcf è beneficiario.

Per informazioni:
Onofrio Maragò
Cnr - Istituto per i processi chimico-fisici
Viale F. Stagno D'Alcontres 37, Messina
onofrio.marago@cnr.it
09039762249
Laura Natali, Soft-Matter Lab
Physics Department, Gothenburg University
41296 Gothenburg, Sweden
Email: laura.natali@physics.gu.se

Vedi anche: