AI定义的COVID-19测试策略可能导致感染更少

当新型的冠状病毒大流行遍及全球时，全球政府和机构就对该病毒测试以及何时在有限的测试用品的情况下面临着艰难的决定。

现在，新算法由宾夕法尼亚州立大学信息科学与技术学院的研究人员开发的，可以帮助领导者对有症状和有症状有多少无症状的个体至测试进行日常测试以及在哪个阶段大流行。该模型的模拟测试策略导致感染减少了约40％。

IST学院PNC Technologies职业发展助理教授Amulya Yadav说：“我们的目标是找出您如何分配每天进行的测试分配。”“您如何在有症状和无症状的人中分配它们？随着时间的流逝，这种分配应该如何变化？”

Yadav的团队使用称为部分可观察到的马尔可夫决策过程的人工智能模型，制定了一种在人群中分配测试的顺序策略。他们的模型被称为“最佳COVID-19测试Oracle”或“医生”的设计，是针对政府和机构使用的其他现有测试策略的测量。这些其他策略中有许多是静态和不适应性的，可能在含有COVID-19的有效性上引起了重大缺陷。

在两步方法中，医生首先建议花更多的精力来测试症状的人，将其可用测试套件的约65％分配给出现症状的个体。随着时间的流逝，由于这些患者迁移到隔离或医院环境而导致的有症状个体的数量减少，医生将注意力转移到无症状的测试中，随着决策点的进行，分配给无症状的个体的测试套件的数量逐渐增加。

“这是一个复杂的AI计划，我们不太可能说服世界各地的政府和机构使用计划，并根据该计划的输出决定您的COVID-19测试战略，“ Yadav说。“但是我们可以研究该战略并获得洞察力，并将这些见解传达给那些政府和机构。”

当在巴拿马的圣地亚哥市模拟中，这个国家的COVID-19人均感染率最高时，该模型的测试策略优于最先进的基线，从而实现了大约40％的COVID-COVID-19感染。Yadav称，这说明了制定适应性策略的好处，而随着新出现的新变体的发展，它的好处。

他说：“在明年，测试仍然可能成为我们Covid-19预防工作的一部分。”“即使疫苗在新变体上也有效，我认为发达国家和欠发达国家之间也会存在差异或鸿沟，以及他们能够为人口接种疫苗的速度。”

他补充说：“因此测试将变得更加重要。”

Yadav还强调了大流行的AI驱动测试策略在Covid-19的哪个阶段将是最有益的。他的研究表明，当大流行传播中间时，使用AI是最有益的，这并不是太严重，而且不太慢。

Yadav说：“如果大流行的严重程度最高，那么在直觉上，就优化缓解反应而言，您几乎无法做到，因此，AI无法提供太多帮助。”“另一方面，如果大流行即将开始传播，那么直观地，您实际上并不需要那么聪明地在优化缓解措施的反应时，因此几乎任何策略都可以很好地工作。只有当大流行是时才在它的中间阶段当AI驱动的长期COVID-19测试策略的好处最为明显时。”

由于Covid-19目前在全球许多地方处于中级阶段，因此，对于政府和机构来说，考虑AI驱动的测试策略是最佳时机。此外，在未来大流行的情况下，该模型对于指导决策者可能很有用。

Yadav说：“如果我们不需要这种模型，我会非常高兴的是，Covid-19通过无需使用洞察力就通过了我们。”“但是，这可以使我们能够为下一个大流行做准备，如果发生这种情况，我们将知道我们需要做什么以及哪些测试策略可以产生最大的影响。”

---

---