Stanfordo sveikatos politikos mokslininkai sukūrė modelį, skirtą patikrinti, ar AI galėtų veiksmingai valdyti ligų plitimą tarp kalėjimų ir aplinkinių bendruomenių. Rezultatai buvo lemiami.
Infekcinės ligos gali plisti per pataisos namus nerimą keliančiu greičiu, o protrūkiai dviračiu plinta aplinkinėse bendruomenėse ir iš jų gali plisti į tolimesnes bendruomenes.
Nepaisant šių ryšių, bendruomenės ir kalėjimai retai koordinuoja savo pastangas kontroliuoti protrūkius. Taigi, Stanfordo sveikatos politikos mokslininkai atliko tyrimą, kuriame buvo nagrinėjami skirtingi būdai, kaip geriau apsaugoti abi populiacijas.
Tyrėjai sukūrė kompiuterinį modelį, kad imituotų, kaip infekcinė liga plinta tarp bendruomenių ir pataisos įstaigų. Jie išbandė keletą būdų, kaip kontroliuoti ligų plitimą, įskaitant standartines taisyklėmis pagrįstą kontrolės politiką ir naujesnes dirbtinio intelekto strategijas, sukurtas naudojant sustiprinimo mokymąsi (RL) – dirbtinio intelekto formą, kuri mokosi per bandymus ir klaidas.
Taikant RL metodą buvo naudojama „atlygio sistema“, kuri subalansavo du tikslus: užkirsti kelią infekcijoms ir sumažinti kontrolės priemonių išlaidas.
Tyrėjai nustatė, kad dirbtiniu intelektu pagrįsta RL kontrolės politika veikė daug geriau nei tradiciniai metodai, tokie kaip tie, kurie buvo naudojami COVID-19 pandemijos metu.
Tada jie išanalizavo, kaip veikė geriausiai veikianti kontrolės politika ir kiek ji patikima skirtingomis sąlygomis. Jie nustatė, kad jis pritaikytas prie unikalių bendruomenių ir kalėjimų sąlygų ir parodė modelius, kurie padėjo sumažinti ligų plitimą tarp jų. Pavyzdžiui, ligai plintant tinkle, LR kontrolės politika sutelkė išteklius į tyrimus bendruomenėse ir kalėjimuose, kuriems gresia protrūkis, bet prieš prasidedant protrūkiams, kad ankstyvas aptikimas leistų daugiau laiko įdiegti papildomas intervencijas.
„Pastiprinimo mokymasis yra daug žadantis metodas ieškant veiksmingos epidemijos plitimo bendruomenių tinkluose ir pataisos įstaigose kontrolės politikos, suteikiančios įžvalgų, kurios gali padėti vadovautis politika“, – sakė Christopheris Weyantas, Ph.D., naujausias SHP doktorantūros mokslinis bendradarbis ir pagrindinis tyrimo, paskelbto m. Medicininių sprendimų priėmimas.
Didesnis infekcijų skaičius
„Pataisos įstaigose, tokiose kaip kalėjimai ir kalėjimai, istoriškai buvo žymiai didesnis sergamumas kvėpavimo takų infekcinėmis ligomis, palyginti su aplinkinėmis bendruomenėmis“, – sakė sveikatos politikos profesorius ir tyrimo vyresnysis autorius, daktaras Jeremy Goldhaber-Fiebert.
Jis pažymėjo, kad ankstyvosiose pandemijos fazėse kalinių sergamumo COVID-19 dažnis Jungtinėse Valstijose buvo daugiau nei penkis kartus didesnis nei visos populiacijos – tai taip pat pastebima sergant kitomis kvėpavimo takų ligomis, tokiomis kaip tuberkuliozė ir gripas, ir kituose regionuose, pavyzdžiui, Pietų Amerikoje.
„Nedideli bendruomenės protrūkiai gali sukelti didesnius protrūkius pataisos įstaigose, o tai savo ruožtu gali sustiprinti bendruomenės protrūkius“, – sakė Goldhaber-Fiebert. „Nepaisant šios tarpusavio priklausomybės, epidemijos kontrolės pastangos bendruomenėse ir pataisos įstaigose paprastai nėra glaudžiai koordinuojamos“.
Tyrėjai sukūrė epidemijos, plintančios bendruomenių tinkluose ir pataisos įstaigose, modeliavimo modelį. Naudodami didelį Kalifornijos tinklą ir mažesnį iliustracinį tinklą, jie palygino įvairių valdymo strategijų, įskaitant euristinius ir RL metodus, veikimą.
RL strategija veikė daug geriau nei kiti Kalifornijos tinklo metodai. Grupė palygino kelis metodus, pvz., kontrolės priemonių taikymą, pvz., testavimą ir nefarmacines intervencijas, tokias kaip maskavimas ir socialinis atsiribojimas, visoms patalpoms, su nė viena, arba naudojant paprastą taisyklėmis pagrįstą metodą arba RL strategiją.
Jie nustatė, kad taikant RL politiką galima pasiekti infekcijų sumažėjimą, prilygstantį „kontroliuoti viską“ metodui, tačiau naudojant daug mažiau išteklių bandymams ir daug mažiau intensyvių nefarmacinių intervencijų.
Išskirdami naudą ir išlaidas, politikos formuotojai gali padėti paskirstyti išteklius tarp bendruomenių ir kalėjimų būsimų epidemijų metu. Panašūs rezultatai buvo pastebėti su iliustraciniu tinklu.
Nors autoriai naudojo naujausią ir ryškų COVID-19 pandemijos kontrolės politikos pavyzdį, jų jautrumo analizė ir ankstesnis darbas rodo, kad jų sukurtas metodas ir metodai yra vertingi kontroliuojant įvairius kvėpavimo takų patogenus, galinčius sukelti pandemijas ateityje.
„Mūsų darbas pabrėžia, kaip epidemijos kontrolę bendruomenių tinkle ir pataisos namuose galima tvirtai pagerinti naudojant šiuolaikinius kiekybinius metodus, tokius kaip RL“, – rašė komanda. „Politikos formuotojai turėtų apsvarstyti galimybę investuoti į tolesnį tokių metodų kūrimą ir panaudoti juos būsimoms epidemijoms“.