Nature: Eπιτυχής η τεχνητή νοημοσύνη EVA που εντοπίζει κρούσματα κορωνοϊού στα ελληνικά σύνορα

Εργασία που υλοποιήθηκε στην Ελλάδα στα πλαίσια της απόκρισης έναντι της πανδημίας COVID-19, σε συνεργασία με επιστημονικές ομάδες από  πανεπιστήμια των Ην. Πολιτειών ΗΠΑ Δημοσιεύεται σήμερα στο περιοδικό Nature.

Η εργασία έχει τίτλο: «Βελτίωση του ελέγχου των συνόρων  για την αντιμετώπιση της εξάπλωσης του κορωνοϊού COVID-19 με χρήση τεχνικών τεχνητής νοημοσύνης». και αφορά ανάλυση μεθόδου ελέγχου ταξιδιωτών στα σύνορα με χρήση τεχνικών τεχνητής νοημοσύνης όπως η ενισχυτική μάθηση (reinforcement learning).

Το άρθρο συνοδεύεται από άρθρο της ομάδας σύνταξης του περιοδικού Nature με τίτλο «Greece used AI to curb COVID: what other nations can learn» το οποίο είναι διαθέσιμο στη διεύθυνση «https://www.nature.com/articles/d41586-021-02554-y» και από άρθρο με τα νέα του περιοδικού με τίτλο: «A machine-learning algorithm to target COVID testing of travellers» που συντάχθηκε από τον κο Ziad Obermeyer καθηγητή στην Σχολή Δημόσιας Υγείας στο Πανεπιστήμιο Berkeley της Καλιφόρνιας.

Στην αναφορά για την εργασία περιλαμβάνεται το εξής χαρακτηριστικό απόσπασμα: «… την παρούσα εργασία «…θα την θυμόμαστε ως ένα από τα καλύτερα παραδείγματα χρήσης δεδομένων στον αγώνα κατά του COVID-19. …Επισημαίνει τις καλύτερες πλευρές τόσο της ακαδημαϊκής έρευνας όσο και της δημόσιας υπηρεσίας και δείχνει τη μεγάλη υπόσχεση σχετικά με χρήση της τεχνητής νοημοσύνης για τη λήψη σωστών αποφάσεων - που σε πολλές περιπτώσεις μπορεί να είναι η διαφορά μεταξύ ζωής και θανάτου...»

Στο περιοδικό δημοσιεύεται το EVA, ένα σύστημα ενισχυμένης μάθησης που εφαρμόστηκε για πρώτη φορά για στοχευμένους εργαστηριακούς ελέγχους για SARS-COV-2 σε ταξιδιώτες που επισκέφθηκαν την Ελλάδα το καλοκαίρι του 2020. Το σύστημα EVA εντόπισε σχεδόν διπλάσια ασυμπτωματικά, μολυσμένα άτομα από ό,τι θα αναμενόταν μέσω τυχαίων ελέγχων ή περιορισμών εισόδου βάσει επιδημιολογικών κριτηρίων σε επίπεδο πληθυσμού. Το σύστημα παρείχε επίσης έγκαιρη προειδοποίηση για περιοχές υψηλού κινδύνου, καθοδηγώντας τις κυβερνητικές πολιτικές ελέγχου των συνόρων για τη μείωση της εξάπλωσης του SARS-CoV-2.

Συγκεκριμένα, από το πρώτο κύμα της πανδημίας, πολλές χώρες είχαν περιορίσει τις μη απαραίτητες  μετακινήσεις με στόχο τη μείωση της εξάπλωσης του SARS-CoV-2. Έχοντας υιοθετήσει μια σειρά από προγραμματισμένους ειδικούς συνοριακούς ελέγχους, όπως μόνο η αποδοχή ταξιδιωτών με αρνητικό διαγνωστικό έλεγχο/τεστ, η επιβολή καραντίνας ή ο αποκλεισμός ταξιδιών από ορισμένες χώρες. Πολλά κράτη βασίστηκαν σε αυτά τα μέτρα με βάση επιδημιολογικά δεδομένα σε επίπεδο πληθυσμού, όπως ο αριθμός των κρουσμάτων ή τα ποσοστά θανάτων. Ωστόσο, τέτοια δεδομένα  ενδέχεται να μην είναι έγκυρα λόγω της πλημμελούς δήλωσης κρουσμάτων, σφαλμάτων καταγραφής (reporting biases) και των καθυστερήσεων των δηλώσεων.

Η Ελλάδα υιοθέτησε μια διαφορετική προσέγγιση για τον έλεγχο της εισροής μολυσμένων ταξιδιωτών το καλοκαίρι του 2020, εφαρμόζοντας για πρώτη φορά έναν αλγόριθμο ενισχυμένης μάθησης που προβλέπει ποιοι ταξιδιώτες θα πρέπει να υποβληθούν σε έλεγχο.

Ο κ. Δρακόπουλος (πρώτος συγγραφέας, Ελληνικής καταγωγής καθηγητής του Πανεπιστημίου της Νότιας Καλιφόρνιας) και οι συνεργάτες του σε αυτή τη δημοσίευση αναφέρουν ότι το σύστημα με το παρωνύμιο EVA, χρησιμοποιεί δημογραφικά δεδομένα (χώρα, περιοχή, ηλικία και φύλο) που συλλέγονται από ταξιδιώτες μαζί με αποτελέσματα από διερευνητικούς ελέγχους και από προηγούμενους εργαστηριακούς ελέγχους ταξιδιωτών για να εκτιμηθούν ο επιπολασμός του COVID-19 σε ορισμένες κατηγορίες ταξιδιωτών (τόπος διαμονής, ηλικία κλπ).

Χρησιμοποιώντας αυτά τα στοιχεία, το σύστημα EVA προσδιορίζει μία υποομάδα  ταξιδιωτών για έλεγχο PCR με βάση τα χαρακτηριστικά του ταξιδιώτη. Δηλαδή, εάν διαπιστωθεί ότι ορισμένα δημογραφικά στοιχεία σχετίζονται με αυξημένη πιθανότητα για να είναι θετικοί σε SARS-CoV-2, οι ταξιδιώτες με παρόμοια χαρακτηριστικά θα υποβληθούν σε διαγνωστικό έλεγχο. Για την πρόληψη των «τυφλών σημείων» που δεν ανιχνεύονται από το σύστημα, το σύστημα προβλέπει επίσης εστιασμένους ελέγχους σε τύπους ταξιδιωτών για τους οποίους τα δεδομένα είναι περιορισμένα. Αυτό είναι ένα κρίσιμο βήμα «ανατροφοδότησης» που βελτιώνει τον τρόπο με τον οποίο ο αλγόριθμος συνεχίζει να "εκπαιδεύεται".

Ειδικότερα, το σύστημα ενισχυμένης μάθησης EVA, εντοπίζει 1,85 φορές περισσότερους ασυμπτωματικούς, μολυσμένους ταξιδιώτες από ό, τι αναμενόταν από τυχαία κατανεμημένα τεστ. Η εντελώς τυχαία παρακολούθηση θα είχε εντοπίσει περίπου το 54% των περιπτώσεων που εντόπισε το σύστημα EVA. Το σύστημα EVA εντόπισε 1,25-1,45 περισσότερο ασυμπτωματικούς, μολυσμένους ταξιδιώτες από ό, τι αναμενόταν από πολιτικές εργαστηριακών ελέγχων που βασίζονται σε επιδημιολογικές μετρήσεις.

Οι εκτιμήσεις του συστήματος EVA για τον επιπολασμό του COVID-19 χρησιμοποιήθηκαν επίσης για την παροχή έγκαιρων προειδοποιήσεων για περιοχές υψηλού κινδύνου, τις οποίες η ελληνική κυβέρνηση χρησιμοποίησε για να προσαρμόσει τα πρωτόκολλα ταξιδιών προσθέτοντας στη γκρίζα λίστα αυτές τις χώρες και απαιτώντας από τους ταξιδιώτες να έχουν αρνητικά αποτελέσματα τεστ PCR πριν από την είσοδο στη χώρα.

Οι συγγραφείς εκτιμούν ότι το σύστημα EVA απέτρεψε ένα πρόσθετο ποσοστό 6,7% των μολυσμένων ταξιδιωτών να εισέλθουν στη χώρα μέσω των έγκαιρών αποφάσεών να συμπεριληφθούν χώρες στη γκρι λίστα  κατά την περίοδο αιχμής. Οι συγγραφείς καταλήγουν ότι τα  αποτελέσματα υποδηλώνουν ότι οι απαγορεύσεις εισερχόμενων ταξιδιωτών σε ολόκληρη τη χώρα βάσει επιδημιολογικών μετρήσεων σε επίπεδο πληθυσμού μπορεί να μην είναι η πιο αποτελεσματική προσέγγιση για την επανέναρξη ασφαλών ταξιδιών και προτείνουν το σύστημα EVA ως εναλλακτικό.