اکنون همه با هم: قابل اطمینان ترین مدل covid-19 یک مجموعه است


هر هفته ، تیم ها نه تنها پیش بینی نقطه ای را نشان می دهند که نتیجه یک عدد را پیش بینی می کند (مثلاً در یک هفته 500 مرگ رخ خواهد داد). آنها همچنین تخمین های احتمالی را ارائه می دهند که عدم قطعیت را با تخمین احتمال تعداد موارد یا مرگ در فواصل یا دامنه هایی که نسبت به پیش بینی مرکزی باریک و باریک تر می شوند ، کمی می کند. به عنوان مثال ، یک مدل ممکن است 90 درصد احتمال مشاهده 100 تا 500 مرگ ، 50 درصد احتمال مشاهده 300 تا 400 و 10 درصد احتمال دیدن 350 تا 360 را پیش بینی کند.

رایش می گوید: “این مانند چشم گاو نر است ، بیشتر تمرکز می کند.”

فانک می افزاید: “هرچه هدف را با وضوح بیشتری تعریف کنید ، احتمال کمتری برای زدن آن خواهید داشت.” این یک تعادل عالی است ، زیرا یک پیش بینی گسترده خودسرانه درست و همچنین بی فایده خواهد بود. فانك می گوید: “این باید تا حد ممكن دقیق باشد ، در حالی كه جواب درست می دهد.”

در مقایسه و ارزیابی همه مدلهای منفرد ، گروه سعی می کند اطلاعات آنها را بهینه کرده و نقایص آنها را کاهش دهد. نتیجه پیش بینی احتمال ، میانگین آماری یا “پیش بینی متوسط” است. در اصل ، این یک اجماع با بیان دقیق تر کالیبره شده و در نتیجه واقعی تر از عدم اطمینان است. همه عناصر مختلف عدم اطمینان به طور متوسط ​​در لباسشویی استفاده می شود.

مطالعه آزمایشگاه رایش ، که در مورد مرگ و میر پیش بینی شده و حدود 200000 پیش بینی از اواسط ماه مه تا پایان دسامبر سال 2020 تخمین زده شده است (تجزیه و تحلیل به روز شده با پیش بینی های چهار ماه دیگر به زودی اضافه خواهد شد) ، نشان داد که اثربخشی مدل های جداگانه بشدت متغییر. ممکن است یک هفته الگو دقیق باشد و هفته دیگر دور باشد. اما ، همانطور که نویسندگان نوشتند ، “با ترکیب پیش بینی از همه تیم ها ، گروه بهترین دقت احتمالی را نشان داد.”

اشلی تویت ، متخصص اپیدمیولوژیک در دانشکده بهداشت عمومی دالانا دانشگاه تورنتو می گوید ، و این تمرینات گروهی نه تنها برای بهبود پیش آگهی بلکه برای جلب اعتماد مردم به مدل ها نیز مفید است. تویت می گوید: “یکی از درسهای مدل سازی گروه این است که هیچ یک از مدلها عالی نیستند.” “و حتی گروه گاهی اوقات چیز مهمی را از دست خواهد داد. به طور کلی مدل ها پیش بینی نقاط خمش دشوار هستند – قله ها یا اگر همه چیز ناگهان شروع به سرعت یا کند شدن کند. “

“مدلها خطابه نیستند.”

الساندرو وسپیگنانی

استفاده از مدل سازی گروه منحصر به یک بیماری همه گیر نیست. در حقیقت ، ما هر روز وقتی گوگل را می گوییم هوا را پیش بینی می کنیم و به خاطر می آوریم که احتمال بارندگی 90 درصدی وجود دارد. این استاندارد طلایی برای پیش بینی آب و هوا و هوا است.

تیلمن گنیتینگ ، آماری محاسباتی در موسسه تحقیقات نظری هایدلبرگ و موسسه فنی کارلسروهه در آلمان گفت: “این یک داستان موفقیت واقعی است و سفری حدوداً سه دهه است.” پیش از تشکیل گروه ها ، پیش بینی هواشناسی از یک مدل دیجیتالی واحد استفاده می کرد که تقریباً یک پیش بینی آب و هوا را تعیین می کرد که “کاملاً با اعتماد به نفس بیش از حد و به شدت غیر قابل اعتماد بود” ، (پیش بینی هایی که این مشکل را درک کردند نتایج خام را تحت بررسی های آماری بعدی قرار دادند که به طور منطقی قابل اعتماد است) احتمال پیش بینی بارش تا دهه 1960).

با این حال ، گنیتینگ یادآور می شود که تشابه بین بیماری عفونی و پیش بینی آب و هوا محدودیت هایی دارد. اول ، احتمال بارش در پاسخ به رفتار انسان تغییر نمی کند – تا زمانی که مسیر همه گیری با اقدامات پیشگیرانه ما مطابقت داشته باشد ، باران ، چتر یا بدون چتر می بارد.

پیش بینی همه گیر یک سیستم بازخورد است. الساندرو وسپيگناني ، اپيدميولوژي محاسباتي در دانشگاه شمال شرقي و يكي از همكاران مركز گروهي كه شبكه هاي پيچيده و گسترش بيماري هاي عفوني را با تمركز بر سيستم هاي “فني- اجتماعي” كه مكانيسم هاي بازخورد را بر عهده دارد ، مطالعه مي كند ، گفت: “مدل ها اوراك نيستند.” “هر مدل پاسخی ارائه می دهد که به فرضیات خاصی بستگی دارد.”

هنگامی که افراد پیش آگهی مدل را پردازش می کنند ، تغییرات رفتاری بعدی آنها فرضیه ها را تغییر می دهد ، پویایی بیماری را تغییر می دهد و پیش آگهی را نادرست می کند. به این ترتیب ، مدل سازی می تواند “پیشگویی خودتخریبی” باشد.

عوامل دیگری نیز وجود دارد که می تواند عدم قطعیت را پیچیده کند: فصلی بودن ، انواع ، در دسترس بودن یا جذب واکسن ها. و تغییر سیاست ها مانند تصمیم سریع CDC برای خن زدن. جاستین لسلر ، متخصص اپیدمیولوژیک در دانشکده بهداشت عمومی هاپکینز در بلومبرگ و یک عضو دیگر گفت: “این همه چیز در مورد ناشناخته های عظیمی است که ، اگر شما واقعاً می خواهید عدم اطمینان از آینده را به دست آورید ، واقعاً آنچه را که می توانید بگویید محدود می کند.” -19 مرکز پیش بینی.

یک مطالعه گروه پیش بینی مرگ نشان داد که با پیش بینی آینده مدل ها ، دقت کاهش می یابد و عدم اطمینان افزایش می یابد – چهار برابر قبل از یک هفته خطای حدود دو برابر بیشتر وجود دارد (چهار هفته حد مجاز در نظر گرفته می شود). برای کوتاه مدت قابل توجه پیش بینی ها ؛ در افق زمانی 20 هفته ، خطا حدود پنج برابر بود).

“منصفانه است که بحث کنیم چه موقع کارها کار کردند و چه کار نکردند.”

یوهانس براکر

اما ارزیابی کیفیت مدل ها – زگیل و هر چیز دیگر – یک هدف ثانویه مهم برای مراکز پیش بینی است. و این به اندازه کافی آسان است ، زیرا پیش بینی های کوتاه مدت به سرعت با واقعیت اعداد روزانه برخورد می کنند که به عنوان معیار موفقیت آنها اندازه گیری می شود.

اکثر محققان مراقب هستند که بین این نوع “مدل پیش بینی” ، که هدف آن پیش بینی صریح و قابل تأیید برای آینده است ، تشخیص دهند که این امر فقط در کوتاه مدت امکان پذیر است. در برابر “مدل سناریو” ، مطالعه فرضی “چه می شود اگر” ، خطوط داستانی احتمالی که ممکن است در میان مدت یا بلند مدت ایجاد شوند (از آنجا که مدل های سناریو پیش بینی نیستند ، نباید نسبت به واقعیت به صورت گذشته نگر ارزیابی شوند).

در طی یک بیماری همه گیر ، یک کانون توجه ویژه اغلب به مدل هایی با پیش بینی که به طرز چشمگیری اشتباه است ، توجه می شود. یوهانس براچر ، زیست شناس در م Instituteسسه تحقیقات نظری هایدلبرگ و م Instituteسسه فناوری کارلسروهه که هماهنگی ها را انجام می دهد ، گفت: “در حالی که پیش بینی های بلند مدت” چه ارزشیابی می شود؟ “با مقایسه پیش بینی های کوتاه مدت با واقعیت ، نباید از آنها پیشگیری کرد. مراکز آلمان و لهستان و مرکز اروپا را مشاوره می دهد. وی گفت: “منصفانه است که بحث کنیم وقتی همه چیز کار می کند و چه زمانی نتیجه نمی دهد.” اما بحث آگاهانه مستلزم تأیید و در نظر گرفتن مرزها و مقاصد مدل ها است (گاهی اوقات شدیدترین منتقدان کسانی هستند که به اشتباه مدل های سناریوی پیش بینی را پذیرفته اند).

سوال بزرگ این است که آیا می توانیم پیشرفت کنیم؟

نیکلاس رایش

به همین ترتیب ، وقتی معلوم شد که پیش بینی ها در هر شرایط مشخصاً غیرقابل حل هستند ، مدل سازان باید این حرف را بزنند. برچر گفت: “اگر ما یك چیز یاد گرفته باشیم ، مدل سازی آنها حتی در كوتاه مدت بسیار دشوار است.” “مرگ یک شاخص عقب مانده تر است و پیش بینی آن آسان تر است.”

در ماه آوریل ، برخی از مدل های اروپایی بیش از حد بدبین بودند و افت ناگهانی موارد را از دست دادند. یک بحث عمومی پیرامون صحت و قابلیت اطمینان مدلهای همه گیر ایجاد شد. با استفاده از توئیتر ، Bracher پرسید ، “آیا تعجب آور است که مدل ها (نه به ندرت) اشتباه هستند؟ بعد از همه گیری یک ساله ، می گویم نه. وی می گوید: “این موضوع اهمیت بیشتری پیدا می کند ،” این مدلها سطح اطمینان یا عدم اطمینان خود را نشان می دهند ، آنها موضع واقع بینانه ای در مورد غیرقابل پیش بینی بودن موارد و روند آینده دارند. “مدل سازها باید عدم قطعیت را گزارش دهند ، اما این نباید باشد به نظر می رسد. به عنوان یک شکست ، “می گوید: برچر.

اعتماد به بعضی از مدلها بیشتر از بقیه

در یک استدلال آماری که معمولاً نقل می شود چنین آمده است: “- گرچه ممکن است بعضی از مدلها بیشتر از سایر مدلها آموزنده یا قابل اعتماد باشند.

مشاهده این تردید ، رایچ و دیگران را بر آن داشت تا سعی کنند “مدل” گروه را “آموزش دهند” – یعنی همانطور که رایچ توضیح می دهد ، “الگوریتم هایی بسازند که به گروه آموزش” اعتماد “به برخی از مدل ها بیش از سایر مدل ها و یادگیری اینکه کدام ترکیب دقیق از مدل ها جواب می دهد ، باشد. هماهنگی با هم “تیم Bracher در حال حاضر به یک مینی گروه ساخته شده است که فقط بر روی مدل هایی ساخته شده است که به طور مداوم در گذشته عملکرد خوبی داشته اند و روشن ترین سیگنال را تقویت می کنند.

رایش می گوید: “س bigال اصلی این است که آیا می توانیم پیشرفت کنیم؟” “روش اصلی بسیار ساده است. به نظر می رسد باید راهی برای بهبود فقط در نظر گرفتن میانگین ساده از همه این مدل ها وجود داشته باشد. “با این حال ، در حال حاضر ، این دشوارتر از حد انتظار است – پیشرفت های کوچک عملی به نظر می رسد ، اما ممکن است پیشرفت های چشمگیر تقریباً غیرممکن باشد.

یک ابزار اضافی برای بهبود چشم انداز کلی ما در مورد همه گیری پس از یک بررسی هفته به هفته ، بررسی بیشتر افق زمانی ، چهار تا شش ماه ، با این “مدل سازی سناریو” است. در دسامبر گذشته ، با انگیزه افزایش موارد و در دسترس بودن فوری واکسن ، لسلر و همکارانش با مشورت با CDC هاب مدل سناریوی COVID-19 را راه اندازی کردند.


منبع: unbox-khabar.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>