L’intelligenza Artificiale è uno strumento che con il passare del tempo sta sempre più dimostrando la sua utilità in molteplici settori per l’ottimizzazione dei processi produttivi, ma anche per il monitoraggio e la raccolta di dati utili alla previsione di risultati in diversi ambiti.
In questo delicato periodo, in cui i contagi da coronavirus stanno condizionando la nostra vita, l’intelligenza artificiale si sta rivelando un valido alleato anche per il settore della Sanità al fine di contrastare il COVID-19 ed il carico di lavoro che questo virus sta apportando alle strutture sanitarie nazionali.
Il contributo di Revelis
Come annunciato nelle scorse settimane, Revelis ha costituito una task-force interna allo scopo di dare il proprio contributo allo studio di soluzioni di Intelligenza Artificiale per combattere l’emergenza COVID-19.
Il lavoro è stato svolto in stretta collaborazione con ricercatori dell’ICAR-CNR (CS).
In questo articolo presentiamo un modello matematico per la previsione del carico di pazienti in terapia intensiva.
Il modello prende spunto dal lavoro di Arianna Agosto e Paolo Giudici, che hanno adattato un modello usato in finanza per predire i nuovi casi giornalieri di contagio da coronavirus.
Il contributo di Revelis a questo modello può riassumersi in due punti principali:
- fornire una nuova formulazione matematica
- tenere in considerazione eventuali politiche di contenimento come la distanza sociale e il lockdown
Il modello
Il modello è una rivisitazione di un classico modello poissoniano autoregressivo, ed assume una distribuzione Poissoniana per la variabile target e la sua intensità è stimata tramite un modello log-lineare contenente:
- i k valori precedenti della variabile,
- l’attuazione di misure di contenimento nei k istanti precedenti,
- una stima dell’intensità della distribuzione all’istante t-k.
In Revelis abbiamo allenato il modello con i dati ufficiali della Protezione Civile Italiana dal 24 di febbraio fino all’8 aprile. Per correggere il rumore nei dati abbiamo trasformato la variabile tramite media mobile a 3 giorni.
I risultati
A causa del degrado delle performance con il passare dei giorni il modello è stato aggiornato più volte. In precedenza, sono stati addestrati i seguenti modelli:
- un primo modello coi dati fino al 9 di aprile
- un secondo modello coi dati fino al 16 di aprile
Per questioni di leggibilità, viene mostrato solamente l’andamento dell’ultimo modello addestrato sui dati fino al 25 di aprile. Dopo aver decomposto le previsioni in media mobile in valori puntuali giornalieri, i risultati sono elencati nella seguente tabella:
| Data | Predizione | Valore reale | Errore |
| 2020-04-26 | 1989 | 2009 | 20 |
| 2020-04-27 | 1918 | 1956 | 38 |
| 2020-04-28 | 1856 | 1795 | 37 |
| 2020-04-29 | 1758 | 1956 | 38 |
| 2020-04-30 | 1693 | 1694 | 1 |
| 2020-05-01 | 1640 | 1578 | -62 |
| 2020-05-02 | 1551 | 1539 | -12 |
| 2020-05-03 | 1492 | 1501 | 9 |
| 2020-05-04 | 1448 | 1479 | 31 |
| 2020-05-05 | 1368 | 1427 | 59 |
| 2020-05-06 | 1318 | 1333 | 15 |
| 2020-05-07 | 1280 | 1311 | 31 |
| 2020-05-08 | 1206 | 1168 | -38 |
| 2020-05-09 | 1165 | 1034 | -131 |
| 2020-05-10 | 1130 | 1027 | -103 |
Su una prospettiva a medio termine, prevediamo che dopo la seconda settimana di maggio il numero di posti occupati in terapia intensiva sia intorno al migliaio. Sfortunatamente, come è possibile osservare nella figura che segue, gli intervalli di confidenza esplodono e sarebbe rischioso utilizzare queste stime in uno scenario reale. Gli intervalli di confidenza sono calcolati al 99% tramite bootstrap.
Conclusioni
Le predizioni a lungo termine rischiano di essere poco affidabili visto lo spessore dell’intervallo di confidenza, ce lo si poteva ragionevolmente aspettare visto che la distribuzione Poissoniana ha una varianza uguale al valore atteso e che l’incertezza si somma col tempo. Tuttavia è ragionevole usarlo per effettuare forecasting a breve termine e per avere un’idea approssimativa di quando le misure di contenimento arriveranno ad una massima efficacia. E’ importante sottolineare che questo lavoro non è stato sottoposto a peer-review e ha notevoli limiti derivanti dall’affidabilità dei dati ufficiali.
