microbius
РОССИЙСКИЙ МИКРОБИОЛОГИЧЕСКИЙ ПОРТАЛ
Поиск
rss

Моделирование пандемии: чему могут научиться специалисты по прогнозированию КОВИД на основе климатических моделей

Автор/авторы:
share
24
backnext

Рутинные вычислительные методы могут привести к более надежному прогнозированию пандемии.

   Эпидемиологи, предсказывающие распространение КОВИД-19, должны использовать методы климатического моделирования, чтобы сделать прогнозы более надежными, говорят специалисты, которые потратили месяцы на аудит одной из наиболее значимых моделей пандемии.

   В исследовании, которое было загружено на платформу Preprint Research Square 6 ноября, исследователи по заказу Лондонского королевского общества использовали мощный суперкомпьютер для повторного изучения модели CovidSim, разработанной группой в Имперском колледже Лондона. В марте эта симуляция помогла убедить британских и американских политиков ввести карантин для предотвращения прогнозируемых смертей, но с тех пор она была тщательно изучена исследователями, которые сомневаются в надежности ее результатов.

   Анализ показывает, что поскольку исследователи не понимали насколько CovidSim чувствителен к небольшим изменениям во входных данных, их результаты завышали степень вероятности того, что карантин снизит смертность, говорит Питер Ковени, химик и компьютерный специалист из Университетского колледжа Лондона, который руководил исследованием.

   Ковени неохотно критикует "имперскую" группу во главе с эпидемиологом Нилом Фергюсоном, которая, по его словам, проделала лучшую работу в сложившихся обстоятельствах. И модель правильно показала, что "бездействие вообще имело бы катастрофические последствия", говорит он. Но он утверждает, что эпидемиологи должны провести стресс-тестирование своих симуляций, запустив "ансамблевые" модели, в которых тысячи версий модели выполняются с разными предположениями и исходными данными, чтобы обеспечить реализацию сценариев с разной вероятностью. Эти "вероятностные" методы являются рутинными вычислительными методиками, от прогнозирования погоды до молекулярной динамики. Команда Ковени сделала это для CovidSim: результаты показывают, что если бы модель была запущена "ensemble", она бы предсказала вероятность смертельных исходов при карантине в среднем вдвое выше первоначального прогноза и ближе к фактическим цифрам.

   "CovidSim возможно и превозносится как самая сложная эпидемиологическая модель, но это почти как игрушка по сравнению с действительно высококлассными суперкомпьютерными приложениями", - говорит Ковени, которого попросили проверить работу модели в рамках инициативы Королевского общества "Быстрая помощь в моделировании пандемии" (RAMP).

   Команда Ковени использовала суперкомпьютер Eagle в Познаньском центре в Польше для выполнения 6000 отдельных запусков CovidSim, каждый с уникальным набором входных параметров. Они отражают особенности пандемии, включая контагиозность и летальность вируса, вероятное число контактов, которые люди делают в различных условиях и предполагаемый успех таких мер, как работа на удаленке. Еще в марте были получены исходные данные по многим из этих параметров, причем некоторые из них основывались на предварительных данных о вирусе, а другие - на опыте борьбы с такими болезнями, как грипп.

   Модели, предсказывающие распространение болезни часто опираются на сотни параметров - но это может внести неопределенность. "В кругах, организовавших инициативу RAMP, высказывалась обеспокоенность тем, что в моделях с которыми работают эпидемиологи абсурдно большое количество параметров и они не могут быть правильными", - говорит Ковени.

   Его команда обнаружила в коде CovidSim 940 параметров, но снизила их до 19, которые в наибольшей степени повлияли на результат. И до двух третей различий в результатах модели можно свести к изменениям всего в трех ключевых переменных: длительность латентного периода, в течение которого инфицированный человек не имеет никаких симптомов и не может передать вирус; эффективность социального дистанцирования; и как долго после заражения человек находится в изоляции.

   Исследование предполагает, что небольшие вариации этих параметров могут оказать существенное нелинейное влияние на выходную мощность модели. Например, большинство из тысяч прогонов предположили, что количество погибших в Великобритании в условиях локдауна будет значительно выше, чем первоначальные прогнозы - в 5-6 раз выше в некоторых случаях. Средние цифры все еще предполагали в два раза больше смертей, чем предполагала "имперская" группа.

   В одном из смоделированных сценариев, в котором предполагалось, что Великобритания будет блокирована, когда 60 человек в неделю будут нуждаться в госпитализации в ОРИТ, в мартовском отчете прогнозировалось, что в общей сложности в стране будет зарегистрировано 8700 смертей. Вероятностные результаты, полученные группой, показали, что эта цифра составляет в среднем около 15 000 человек, но при этом было сказано, что в зависимости от используемых параметров возможна смертность более 40 000 человек. Трудно сравнить эти прогнозы с фактическими показателями смертности от КОВИД-19 в Великобритании, потому что карантин начался на неделю позже, чем предполагали результаты любой из моделей и к этому времени уже было значительно большее количество заболевших.

   "Они неправильно поняли", - говорит Ковени. "Они провели симуляцию правильно: просто они не знали, как извлечь из нее правильное вероятностное описание. Им следовало бы запускать ансамблевое вычисление". Ковени сказал, что не может прокомментировать, изменило ли бы это политику управление моделью, но Роуланд Као, эпидемиолог и специалист по данным Эдинбургского университета (Великобритания), указывает, что правительство сравнивает и синтезирует результаты нескольких различных моделей COVID-19. "Было бы слишком упрощенно считать, что принятие решений основано на одной модели", - говорит он.

   Фергюсон принимает большинство пунктов Ковени о преимуществах выполнения вероятностных прогнозов, но говорит, что "мы просто не были в состоянии сделать это в марте". С тех пор наша группа значительно улучшила свои модели, добавляет он, и теперь может давать вероятностные результаты. Например, теперь она представляет данные с использованием байесовских статистических инструментов - уже распространенных в некоторых эпидемиологических моделях таких заболеваний, как ящур. И более простая модель, добавляет он, была использована для информирования правительства Великобритании о решении вновь ввести меры по локдауну в Англии в этом месяце. Эта модель более подвижна, чем CovidSim: "Поскольку мы можем запускать ее несколько раз в неделю, гораздо проще обработать данные в реальном времени, что допускает неопределенность", - говорит Фергюсон.

   "Это звучит как шаг в правильном направлении и соответствует выводам нашей работы", - говорит Ковени.

   Выбор технологии часто сводится к вычислительным компромиссам, говорит Фергюсон. "Если вы хотите регулярно правильно охарактеризовать всю неопределенность, то с менее вычислительно-емкой моделью это гораздо проще".

   Байесовские инструменты - это улучшение, говорит Тим Палмер, физик-климатолог из Оксфордского университета, Великобритания, который был пионером использования ансамблевого моделирования в прогнозировании погоды. Но только методы ансамблевого моделирования, которые работают на самых мощных компьютерах, обеспечат самые надежные прогнозы пандемии, говорит он. Такие методы трансформировали надежность климатических моделей, добавляет он, благодаря координации Межправительственной группы экспертов по изменению климата (МГЭИК).

   "Нам нужно нечто подобное МГЭИК для моделей пандемии". Нам нужны некие международные объекты, где эти модели могут быть разработаны надлежащим образом", - говорит Палмер. "Поспешность была из-за срочности ситуации". Но чтобы продвинуться вперед нам нужна какая-то международная организация, которая могла бы работать над синтезом эпидемиологических моделей со всего мира".

Источник:Nature news, 13 November 2020
Вам также может быть интересно
Комментариев: 0
up