یک تیم تحقیقاتی مدل مانتس (Mantis) را معرفی کرده؛ مدل بنیادی که برای غلبه بر موانع کلیدی در پیش‌بینی بیماری‌های عفونی طراحی شده — به‌ویژه در شیوع‌های جدید یا مناطقی با منابع محدود که داده‌های تاریخی کمیاب است.
رویکردهای سنتی پیش‌بینی معمولاً به مجموعه داده‌های بزرگ اختصاصی بیماری، تنظیم تخصصی گسترده، و خط لوله‌های آموزش سفارشی نیاز دارند — همه اینها می‌توانند پیش‌بینی‌های حیاتی اولیه را در تهدیدات بهداشتی نوظهور به تأخیر بیندازند.
نکته متمایز مانتس، روش آموزش آن است: این مدل صرفاً از شبیه‌سازی‌های مکانیکی (mechanistic simulations) یاد گرفته، نه از داده‌های اپیدمیولوژیک واقعی. این رویکرد امکان آنچه پژوهشگران «پیش‌بینی از جعبه» (out-of-the-box forecasting) می‌نامند را فراهم می‌کند — توانایی پیش‌بینی در بیماری‌ها، مناطق جغرافیایی، و انواع پیامدهای مختلف، حتی در شرایطی که اطلاعات تاریخی اندک یا صفر است.
تیم مانتس را در برابر معیار گسترده‌ای از ۷۸ مدل پیش‌بینی در ۱۶ بیماری با حالت‌های انتقال متنوع ارزیابی کرد. آنها عملکرد را با معیارهای متعدد سنجیدند: دقت نقطه‌ای با میانگین قدرمطلق خطا (mean absolute error) و عملکرد احتمالی از طریق امتیاز بازه‌ای وزن‌دار و پوشش. نتایج نشان داد مانتس در موقعیت رقابتی قوی قرار دارد و با بک‌تست روی پیش‌بینی‌های اولیه همه‌گیری، خطای کمتری نسبت به تمام ارسالی‌های هاب پیش‌بینی کووید-۱۹ مرکز کنترل بیماری (CDC COVID-19 Forecast Hub) داشته است.
شاید مهم‌تر از همه، مانتس به‌طور مؤثری به بیماری‌هایی تعمیم یافت که مکانیزم‌های انتقال آنها در داده‌های آموزشی‌اش نمایندگی نشده بود. این توانایی نشان می‌دهد مدل، پویایی‌های بنیادین سرایت را آموخته نه صرفاً الگوهای خاص بیماری را حفظ کرده — تمایزی که می‌تواند آن را برای پیش‌بینی پاتوژن‌های جدید یا واریانت‌های نوظهور ارزشمند سازد.
این پژوهش روند گسترده‌تری در هوش مصنوعی و یادگیری ماشین را نشان می‌دهد: مدل‌های بنیادی که روی داده‌های مصنوعی یا شبیه‌سازی‌شده پیش‌آموزش دیده، سپس برای کارهای پایین‌دستی تنظیم دقیق یا مستقیماً اعمال می‌شوند. این الگو در پردازش زبان طبیعی و بینایی ماشین موفقیت‌آمیز بوده و مانتس این رویکرد را به پیش‌بینی اپیدمیولوژیک گسترش می‌دهد.
گفتگو