Istraživanje u Međunarodnom časopisu za elektronsku bezbednost i digitalnu forenziku istražuje potencijal modela mašinskog učenja da predvide pojavu pandemije bolesti sa većom preciznošću od drugih pristupa. Sposobnost da se brzo identifikuje širenje nastalog patogena i utvrdi da li će to dovesti do globalne pandemije ili ne može omogućiti kreatorima politike i zdravstvenim radnicima da razviju efikasnije strategije planiranja, odgovora i obuzdavanja tokom globalne zdravstvene krize.
Soni Sing, K.R. Ramkumar i Ašima Kukar sa Univerziteta Čitkara u Pendžabu, Indija, uzeli su novi pristup poboljšanju parametara postojećih modela mašinskog učenja koristeći algoritam za optimizaciju kolonije mrava (ACO), za koji kažu da im je pomogao da nadmaše tačnost prethodnih modela predviđanja.
Pandemijske bolesti imaju značajan uticaj na društva širom sveta, neizbežno izazivajući akutne i hronične bolesti među onima koje bolest ne ubija. Postoji hitna potreba da se pronađu načini za predviđanje širenja, stope mortaliteta i slučajeva oporavka za nove pandemije kako se pojave.
Tim je testirao performanse svog novog modela koristeći podatke iz pandemije COVID-19 i skupova podataka o eboli. Bili su u mogućnosti da repliciraju podatke u simuliranim predviđanjima, posebno u smislu dnevnih projekcija za širenje COVID-19 u SAD i epidemije ebole u Gvineji i Liberiji. Od različitih testiranih pristupa mašinskom učenju, tim je otkrio da je MLP-ACO algoritam bio najefikasniji, nadmašujući ostale testirane.
Tim objašnjava da optimizacija parametara modela mašinskog učenja kao što je prikazano u njihovom radu nudi obećavajući put napred u predviđanju pandemije. U osnovi, pristup značajno poboljšava predviđanja koristeći skupove podataka o pandemiji zasnovanim na vremenskim serijama. Međutim, tim takođe preporučuje da su sada potrebne dodatne studije kako bi se dodatno poboljšala tačnost.
