[논문 리뷰] From Prediction to Prescription: AI-Based Optimization of Non-Pharmaceutical Interventions for the COVID-19 Pandemic.

Risto Miikkulainen, Olivier Francon외 4명|arXiv (Cornell University)|2020. 05. 27.

COVID-19 epidemiological studies참고 문헌 41인용 수 7

한 줄 요약

이 논문은 패anemic 제어와 경제적 영향을 균형 잡는 데 초점을 맞춰 코로나19에 대한 효과적인 약물 외 간접적 조치(NPI) 전략을 자동으로 식별하는 AI 기반 최적화 프레임워크인 진화적 서rogate 보조 처방(ESP)을 제안한다. 연구 결과, 직장 및 학교 제한 조치가 가장 핵심적임을 확인하였으며, 더 신뢰할 수 있는 결과를 얻기 위해 시간에 따라 변하는 교대 방식의 시행이 바람직하다는 점을 제안한다.

ABSTRACT

Several models have been developed to predict how the COVID-19 pandemic spreads, and how it could be contained with non-pharmaceutical interventions (NPIs) such as social distancing restrictions and school and business closures. This paper demonstrates how evolutionary AI could be used to facilitate the next step, i.e. determining most effective intervention strategies automatically. Through evolutionary surrogate-assisted prescription (ESP), it is possible to generate a large number of candidate strategies and evaluate them with predictive models. In principle, strategies can be customized for different countries and locales, and balance the need to contain the pandemic and the need to minimize their economic impact. While still limited by available data, early experiments suggest that workplace and school restrictions are the most important and need to be designed carefully. It also demonstrates that results of lifting restrictions can be unreliable, and suggests creative ways in which restrictions can be implemented softly, e.g. by alternating them over time. As more data becomes available, the approach can be increasingly useful in dealing with COVID-19 as well as possible future pandemics.

연구 동기 및 목표

• 코로나19 패안emic 기간 동안 최적의 약물 외 간접적 조치(NPI)를 자동으로 식별하는 방법을 개발하는 것.
• 감염 전파를 최소화하고 간접적 조치로 인한 경제적 혼란을 줄이는 이중 목표를 균형 잡는 것.
• 특정 국가 및 지역적 맥락에 맞게 맞춤형 NPI 전략을 가능하게 하는 것.
• AI 최적화 전략을 활용한 제한 조치 해제 정책의 신뢰성과 설계에 대해 탐구하는 것.

제안 방법

• 다양한 후보 NPI 전략을 생성하기 위해 진화 알고리즘을 활용한다.
• 완전한 시뮬레이션 없이도 각 전략의 효과를 평가하기 위해 예측형 전염병 모델을 서rogate 함수로 사용한다.
• 최적화 과정에 공중보건 및 경제적 영향 관련 제약 조건을 통합한다.
• 학교 및 직장에 대한 제한 조치를 교대 방식으로 구현하는 등 동적이고 시간에 따라 변하는 간접적 조치 패tern을 가능하게 한다.
• 입력 매개변수와 데이터를 조정함으로써 다양한 지역에 대해 확장 가능하고 적응 가능한 방법이다.
• 대규모 전략 공간을 효율적으로 평가하기 위해 서rogate 모델링을 활용하여 계산 비용을 절감한다.

실험 결과

연구 질문

• RQ1 감염 전파를 최소화하면서도 경제적 영향을 최소화하는 데 가장 효과적인 약물 외 간접적 조치 전략은 무엇인가?
• RQ2 다른 국가 및 지역 맥락에 맞게 간접적 조치 전략을 어떻게 맞춤화할 수 있는가?
• RQ3 유행 이후 제한 조치를 해제할 경우의 신뢰성과 장기적 결과는 어떠한가?
• RQ4 어떻게 부드럽고 단계적으로 제한 조치를 시행하여 지속 가능성을 높일 수 있는가?
• RQ5 직장 및 학교 폐쇄는 패안emic 확산을 통제하는 데 어떤 역할을 하는가?

주요 결과

• 직장 및 학교 제한 조치가 전파 감소에 가장 영향력 있는 NPI로 나타났다.
• 제한 조치를 해제하면 예측 불가능한 결과가 발생할 수 있어 갑작스러운 완화 조치의 위험성을 시사한다.
• 교대 또는 단계적 방식으로 제한 조치를 시행하면 지속 가능성과 재발 효과가 감소한다.
• AI 최적화 전략은 정적 정책보다 공중보건과 경제 목표를 더 효과적으로 균형 잡을 수 있다.
• 향후 더 많은 데이터 확보가 가능해지면 이 방법론이 향후 패안emic에 적용 가능한 타당성을 입증한다.
• 서rogate 보조 최적화 기법을 통해 복잡한 간접적 조치 전략 공간을 효율적으로 탐색할 수 있다.