Автор: 
Исследователи Калифорнийского университета в Дэвисе, используя подход, основанный на технологии компьютерного зрения, смогли на основе данных о смертности в COVID-19 проследить, как менялся уровень инфицирования после введения локдауна. Этот подход может быть полезен в целом при будущих эпидемиях и пандемиях. Как показали оценки, локдауны, маски и другие средства социального дистанцирования реально снизили смертность. Исследование опубликовано в журнале Science Advances.
Учёные решили проследить эффект от немедикаментозных вмешательств, таких как социальное дистанцирование, локдауны и маски в первый год пандемии. Они изучили ежедневные отчёты о смертельных исходах из европейских стран, включая Великобританию, Италию, Испанию, Данию и Швейцарию, чтобы определить ежедневный уровень новых случаев заболевания. Хотя существует статистика числа заболевших, она не точна, поскольку далеко не все инфицированные обращались за врачебной помощью.
В компьютерных терминах ежедневный уровень заболеваемости — это входной показатель, а уровень смертности — выходной. Если мы по выходным данным, хотим получить входные (внашем случае по смертности оценить инфицированность) — это называется обратной задачей. И нейросети уже научились её неплохо решать. Примером может служить обработка изображений, когда необходимо улучшить их качество. Математики и инженеры разработали методы, позволяющие перейти от размытого изображения к чёткому и резкому оригиналу. Этот метод называется деконволюцией.
По словам исследователей, вычисление ежедневного числа новых случаев заражения на основе ежедневных показателей смертности — сложная задача. В большинстве случаев COVID-19 не приводит к летальному исходу, а если и приводит, то смерть обычно наступает через 10-30 дней после заражения. Это означает, что выходной сигнал размыт или нечёток во времени, подобно тому, как изображение, наблюдаемое через мутное стекло, может казаться размытым или искажённым в пространстве.
Учёные разработали метод деконволюции для эпидемиологии. Используя нейронную сеть, учитывающую поведение вируса и динамику развития инфекции, модель может по данным о смертности (выход) вычислить данные о ежедневном уровне заболеваемости (вход). Исследователи проанализировали свою модель, изучив эффект от немедикаментозных вмешательств (локдауны, маски, социальная дистанция) в первый год пандемии. Поскольку такие меры, как правило, вводились по всей стране в один и тот же день, исследователи хотели проверить, сможет ли их модель определить день их введения.
Например, учёные смогли определить дни введения и снятия блокировок в Англии с точностью до одного дня. В Испании они могли наблюдать рост заболеваемости при снятии ограничений на выезд за границу, а в Италии — день в октябре 2020 года, когда на улице начали массово использовать защитные маски. Этот подход может быть использован для оценки эффективности таких шагов или их комбинаций, как карантины и обязательное ношение масок, для снижения уровня инфицирования.
