La pandèmia de SARS-CoV-2 va deixar clar el risc que les malalties infeccioses continuen suposant per a la societat, i també el valor de disposar d'informació fiable sobre la càrrega que probablement suportaran els hospitals en les properes setmanes. Els models compartimentals que fan servir tradicionalment els epidemiòlegs per fer aquestes prediccions tenen dificultats per capturar la complexitat real de com es transmet una malaltia barri a barri, cosa que sovint produeix prediccions poc precises i excessivament segures de si mateixes; els models d'agents, més detallats, capturen millor aquesta complexitat però són difícils de calibrar i massa costosos de fer córrer en temps real.
Un equip liderat per Laura M. Guzmán-Rincón i Daniela De Angelis, amb participació de la Universitat de Cambridge, va publicar el 20 d'agost a arXiv Generative Neural Inference for Epidemics (GENIE), un sistema d'aprenentatge automàtic pensat per predir amb alta resolució espacial i temporal la càrrega de malalties respiratòries. L'arquitectura es divideix en dues parts: un «codificador d'infecció local», que aprèn els mecanismes biològics compartits per totes les zones geogràfiques, i un «codificador de perfil local», que aprèn les característiques pròpies de cada lloc que afecten com s'hi transmet la malaltia. El sistema s'entrena amb simulacions generades per un model d'agents d'alta resolució, i un cop entrenat pot generar ràpidament mostres d'una distribució probable de com evolucionarà l'epidèmia. En les comparatives fetes contra models estadístics i d'aprenentatge automàtic ja establerts, els autors afirmen que GENIE obté un rendiment superior en diverses mètriques, entre les quals el moment exacte i la magnitud del pic d'hospitalitzacions.
La notícia és rellevant perquè ofereix una via intermèdia entre la simplicitat excessiva dels models clàssics i el cost computacional dels models d'agents més detallats, en un àmbit —la previsió epidèmica local— on una estimació més precisa pot ajudar els gestors sanitaris a preparar llits, personal i material amb més marge de temps del que permeten els mètodes actuals.
El sistema s'ha entrenat i validat amb simulacions generades pel mateix tipus de model d'agents que intenta substituir en temps real, i encara no hi ha una validació publicada amb dades de brots reals i independents que confirmi si aquest rendiment es manté fora de l'entorn de simulació. Els autors tampoc detallen en aquesta versió del treball quant de temps de còmput estalvia exactament GENIE respecte a fer córrer directament el model d'agents complet.