Kathimerini.gr
Πέννυ Μπουλούτζα
Διπλάσια αποτελεσματικότητα στον εντοπισμό ασυμπτωματικών μολυσμένων ταξιδιωτών αποδείχθηκε ότι είχε η εφαρμογή στη χώρα μας του συστήματος EVA για τους στοχευμένους εργαστηριακούς ελέγχους για SARS-CoV-2 σε σχέση με τυχαίους ελέγχους ή και ελέγχους με βάση επιδημιολογικά κριτήρια. Το σύστημα που κάνει χρήση τεχνικών τεχνητής νοημοσύνης, όπως η ενισχυτική μάθηση, και το οποίο εφαρμόζεται από τον Αύγουστο του 2020, παρείχε επίσης έγκαιρη προειδοποίηση προς τις αρμόδιες αρχές σχετικά με περιοχές υψηλού κινδύνου εκτός των συνόρων.
Η σχετική εργασία, που υπογράφουν οι καθηγητές Κίμωνας Δρακόπουλος (Παν. Νότιας Καλιφόρνιας), Παγώνα Λάγιου, Γκίκας Μαγιορκίνης, Δημήτρης Παρασκευής, Σωτήρης Τσιόδρας (ΕΚΠΑ) και Χρήστος Χατζηχριστοδούλου (Παν. Θεσσαλίας), δημοσιεύθηκε προχθές στο περιοδικό Nature και συνοδεύτηκε με ένα πολύ θετικό άρθρο της ομάδας σύνταξης του περιοδικού με τίτλο «Greece used AI to curb COVID: what other nations can learn» (Η Ελλάδα χρησιμοποίησε τεχνητή νοημοσύνη για να περιορίσει την COVID: Τι μπορούν να μάθουν άλλα κράτη). Αρθρο για την εργασία συνέταξε και ο καθηγητής στη Σχολή Δημόσιας Υγείας στο Πανεπιστήμιο Μπέρκλεϊ της Καλιφόρνιας Zia Obermeyer, αναφέροντας μεταξύ άλλων ότι τη συγκεκριμένη εργασία «θα τη θυμόμαστε ως ένα από τα καλύτερα παραδείγματα χρήσης δεδομένων στον αγώνα κατά της COVID-19».
Το EVA είναι σύστημα ενισχυμένης μάθησης που εφαρμόστηκε για πρώτη φορά για στοχευμένους ελέγχους για SARS-COV-2 σε ταξιδιώτες που επισκέφθηκαν την Ελλάδα το καλοκαίρι του 2020. Η Ελλάδα υιοθέτησε τότε μία διαφορετική προσέγγιση, σε σχέση με άλλες χώρες, εφαρμόζοντας για πρώτη φορά αλγόριθμο ενισχυμένης μάθησης που προβλέπει ποιοι ταξιδιώτες θα πρέπει να υποβληθούν σε έλεγχο. Οπως εξηγούν οι συντάκτες της εργασίας, το EVA χρησιμοποιεί δημογραφικά δεδομένα (χώρα, περιοχή, ηλικία και φύλο) που συλλέγονται από ταξιδιώτες μέσω της φόρμας PLF, μαζί με αποτελέσματα από διερευνητικούς ελέγχους και από προηγούμενους εργαστηριακούς ελέγχους ταξιδιωτών για να εκτιμηθεί ο επιπολασμός της COVID-19 σε ορισμένες κατηγορίες ταξιδιωτών. Χρησιμοποιώντας αυτά τα στοιχεία, το σύστημα EVA προσδιορίζει μια υποομάδα ταξιδιωτών για έλεγχο PCR. Δηλαδή, εάν διαπιστωθεί ότι ορισμένα δημογραφικά στοιχεία σχετίζονται με αυξημένη πιθανότητα να είναι θετικοί σε SARS-CoV-2, οι ταξιδιώτες με παρόμοια χαρακτηριστικά θα υποβληθούν σε διαγνωστικό έλεγχο. Για την πρόληψη των «τυφλών σημείων» που δεν ανιχνεύονται από το σύστημα, προβλέπονται επίσης εστιασμένοι έλεγχοι σε τύπους ταξιδιωτών για τους οποίους τα δεδομένα είναι περιορισμένα. Αυτό είναι ένα κρίσιμο βήμα «ανατροφοδότησης», που βελτιώνει τον τρόπο με τον οποίο ο αλγόριθμος συνεχίζει να «εκπαιδεύεται».
Οπως αποδείχθηκε, το ΕVA εντοπίζει 1,85 φορές περισσότερους ασυμπτωματικούς, μολυσμένους ταξιδιώτες από ό,τι αναμενόταν από τυχαία κατανεμημένα τεστ. Η εντελώς τυχαία παρακολούθηση θα είχε εντοπίσει περίπου το 54% των περιπτώσεων που εντόπισε το EVA. Το σύστημα εντόπισε 1,25-1,45 φορές περισσότερους ασυμπτωματικούς ταξιδιώτες από ό,τι αναμενόταν από πολιτικές ελέγχων που βασίζονται σε επιδημιολογικές μετρήσεις. Οι εκτιμήσεις του EVA για τον επιπολασμό της COVID-19 χρησιμοποιήθηκαν επίσης στην παροχή έγκαιρων προειδοποιήσεων για περιοχές υψηλού κινδύνου, τις οποίες η ελληνική κυβέρνηση χρησιμοποίησε για να προσαρμόσει τα πρωτόκολλα ταξιδιών προσθέτοντας στην γκρίζα λίστα αυτές τις χώρες και απαιτώντας από τους ταξιδιώτες να έχουν αρνητικά αποτελέσματα τεστ PCR πριν από την είσοδο στη χώρα. Οι συγγραφείς εκτιμούν πως το σύστημα EVA απέτρεψε ένα πρόσθετο ποσοστό 6,7% των μολυσμένων ταξιδιωτών να εισέλθει στη χώρα μέσω των έγκαιρων αποφάσεων να συμπεριληφθούν χώρες στην γκρίζα λίστα.
