Finché non sarà disponibile un vaccino sicuro ed efficace contro il covid, fermare la sua trasmissione è un obiettivo primario. Ma come arrivare ad uno screening di massa e ad eliminare le “zone grigie”? In questa lotta contro il tempo la risposta può arrivare dall’uso del machine learning.
Screening di massa e machine learning
Attualmente, la capacità di condurre test, seppur aumentata, non è nemmeno lontanamente vicina a quanto necessario per lo screening dei pazienti asintomatici, che rappresentano una fetta considerevole di popolazione mondiale.
Se implementassimo il machine learning nei cicli di test che vengono effettuati in tutto il mondo, si potrebbero sottoporre a screen un numero enorme di persone a cadenza settimanale o, addirittura, quotidianamente, con una spesa che potrebbe aggirarsi attorno ai 3-5 dollari pro capite al giorno. In altre parole, con un prezzo irrisorio i governi di tutto il mondo potrebbero tranquillamente riaprire i settori dell’economia e fermare la trasmissione del Covid-19 in corso, il tutto senza costruire nuovi laboratori e senza utilizzare/sperimentare nuovi farmaci o – addirittura – vaccini.
La maggior parte delle persone che vengono sottoposte a tamponi e/o test sierologici hanno manifestato dei sintomi, ovvero sono entrate a stretto contatto con qualcuno che li ha avuti. E la spiacevole verità sopraggiunge in modo inesorabile: i soggetti asintomatici, presintomatici e paucisintomatici non vengono sottoposti a screen. Con un possibile grave nocumento per tutti. Le alternative attuali, tuttavia, non sono interessanti. I test poco frequenti (quello a cadenza mensile sembra essere “di default” in molte realtà) o lo screening “disordinato” permettono a molti soggetti di diffondere il virus per settimane prima che ci si accorga della situazione. E il prezzo è ancora alto, dai cento ai duecento dollari (o più) per ogni test.
I test collettivi col machine learning
Come brevemente accennato prima, i test “collettivi” guidati da algoritmi di Machine Learning possono cambiare radicalmente questa realtà. Nei test effettuati con l’ausilio del Machine Learning, i campioni di più persone vengono “combinati” in uno solo. Se non viene rilevato alcun virus nel campione combinato, significa che nessun soggetto del gruppo è infetto. L’intero gruppo di persone può essere sottoposto ad esame con un solo test. Tuttavia, l’inghippo è dietro l’angolo: ove qualcuno del gruppo risultasse infetto, l’intero gruppo sarebbe “compromesso”, rendendo necessario sottoporre tutti ad altri test per capire chi tra i “testati” ha il virus. Quindi una parte fondamentale del gioco è conoscere chi all’interno del gruppo di persone testate siano positive, separandole dal resto.
Ma come si fa a comprendere chi del gruppo è positivo? È qui che entra in gioco il machine learning. Ma partiamo dalla prassi. Com’è di dominio pubblico, l’espansione dei contagi negli USA è ancora in rapida ascesa. Tuttavia – lapalissianamente – il rischio di contagio differisce anche in modo significativo tra le persone; basta paragonare un operatore sanitario a un dipendente in remote working. Tuttavia, la stima di questo rischio che varia di persona in persona è un lavoro perfetto per il machine learning.
I vantaggi
Utilizzando i dati disponibili al pubblico provenienti dai datori di lavoro e dalle scuole, i dati epidemiologici sulle infezioni locali e sui tassi di analisi, nonché i dati più sofisticati sui modelli di viaggio e sui contatti sociali, gli esperti possono prevedere il rischio di contagio da Covid-19 di chiunque giorno per giorno. Ciò consente approcci altamente flessibili, applicabili a diversi gruppi di persone sottoposti ad esame.
Un altro vantaggio: i test collettivi diventano più efficienti quando la prevalenza della malattia è più bassa. Se un rilevante gruppo di persone – ad esempio gli studenti di un’università – viene sottoposta a test giornalieri, il rischio di infezione si riduce drasticamente per tutti i membri del gruppo, semplicemente perché i tester rimuovono giorno per giorno i positivi dal gruppo. Ciò significa che il gruppo successivo da esaminare potrebbe essere ancora più grande del precedente, il che riduce significativamente il numero di test necessari (e quindi il costo dei test sulla popolazione). E con test più frequenti, le persone asintomatiche, presintomatiche e paucisintomatiche possono rimanere presso il proprio domicilio, riducendo ulteriormente la diffusione del virus e rendendo i test di gruppo ancora più efficienti.
Di conseguenza, con l’uso del machine learning i test di gruppo ad alta frequenza costano molto meno di quanto si possa pensare: ad esempio i test giornalieri costano solo il doppio di quelli mensili. E i test giornalieri possono sopprimere attivamente il virus, cosa nemmeno lontanamente paragonabile a quelli mensili e alla loro potenziale inefficienza.
Questo effetto può essere così potente, infatti, che in alcune condizioni – come ad esempio in impianti di macellazione della carne o nelle case di cura – una frequenza crescente di test può effettivamente abbassare il numero di ulteriori test, e quindi il costo stesso dello screening su una determinata popolazione in un determinato periodo di tempo. Quindi, quasi paradossalmente, si può affermare che gli screening più frequenti possono essere meno costosi – rispetto a quelli mensili – per il sistema sanitario del Paese che li “adotta”.
L’ultimo pilastro della prevenzione attraverso i test richiede che si tenga conto della diffusione del virus tra le persone e, quindi, del rischio correlato. L’uso del machine learning per “modellare” i social network è stato un obiettivo “crescente” per i ricercatori del campo dell’informatica e dell’economia. Tali algoritmi, combinati con determinati dati su lavoro, aule, dormitori universitari e altri settori, consentono agli strumenti di Machine Learning di stimare il potenziale di interazione tra persone diverse. Conoscere questa probabilità può rendere i test di gruppo ancora più potenti ed efficienti.
I test intelligenti approvati dalla FDA
Ma vi è un’altra domanda: i test di gruppo ad alta frequenza sono fattibili nel “mondo reale”? Al momento non vi sono risposte certe. Ciò che è vero, è che la “Food and Drug Administration” (FDA) – che si occupa della regolamentazione dei prodotti alimentari e farmaceutici negli USA – ha appena approvato il primo utilizzo di tali test “intelligenti”. Al contempo la ricerca dimostra sempre più che questa tecnica è abbastanza sensibile da rilevare casi positivi. Quindi, finché i laboratori saranno disponibili, i tester possono iniziare a sperimentare tali test da subito.
Anche se alcuni hanno messo in discussione la fattibilità dei test di gruppo, l’entità dell’attuale pandemia è solo una sfida, poiché tradizionalmente ci affidiamo a stime grossolane del problema. Nonché potenzialmente imprecise circa la prevalenza del virus in grandi gruppi di persone. Invece, il Machine Learning può fornirci le stime precise a livello individuale di cui abbiamo bisogno per far funzionare il test di gruppo anche con svariati fattori, identificando quelli che potrebbero risultare positivi. Tenendoli successivamente fuori dal gruppo. Tuttavia, prima di implementare i test di gruppo – ad esempio in una fabbrica o in una scuola – l’intero gruppo di lavoratori o studenti potrebbe dover completare uno screening una tantum. Le persone infette rimarrebbero a casa fino a quando non si riprendono, e i test di gruppo ad alta frequenza manterrebbero bassa la prevalenza tra gli infetti “catturando” precocemente la malattia.
In ogni caso deve essere affrontata anche la logistica della raccolta dei campioni e del test di gruppo in diversi contesti. È incoraggiante la notevole crescita negli USA di prodotti, alcuni approvati dalla FDA, che consentono autonomamente alle persone di raccogliere e presentare i propri campioni per i test. Tra questi, uno si basa sulla saliva, il che significa che i costi di raccolta possono essere mantenuti bassi anche su larga scala. I test collettivi che sfruttano la potenza dell’apprendimento automatico rendono il pagamento dei costi associati non solo fattibile, ma, se soppesati rispetto all’alternativa di chiusure prolungate, l’affare del secolo.[1]
_____________________________________________________________________________
