Un model basat en tècniques de “machine learning” permet predir, a partir de dades de satèl·lits, si la reducció de l’activitat econòmica redueix els contagis. Desenvolupat amb participació del CSIC i de l’CREAF, el model permetrà afinar millor el temps i el grau de les mesures de confinament.

Un treball internacional amb participació dels científics Josep Peñuelas i Jordi Sardans, del CSIC i del CREAF, ha desenvolupat un model per predir, a partir de dades satel·litals de contaminació per diòxid de nitrogen, l’eficàcia del confinament per frenar epidèmies com la COVID-19. El model desenvolupat és capaç de predir com s’acceleren els contagis quan s’aixequen les mesures de confinament. Per tant, la informació permet optimitzar el temps i la intensitat de la implementació d’intervencions no farmacèutiques, i millorar l’efectivitat de control de la COVID-19 i en general de les pandèmies.

El Prof. Josep Peñuelas, investigador del CSIC i del CREAF explica que “el model millora significativament les prediccions fins ara usades per l’OMS i altres organitzacions governamentals i no governamentals”.

“Tal com hem vist en el treball, en l’hivern 2020-2021, prop d’un milió de casos diaris de COVID-19 es podrien haver evitat si s’haguessin optimitzat el temps i els nivells de restricció del confinament”, comenta Rong Wang, científic de la Universitat de Fudan (Xina) i coordinador d’aquesta investigació, que ha comptat amb finançament del programa PANDÈMIES 2020 de l’AGAUR.

La investigació es publica a la prestigiosa revista PNAS i ha comptat amb la participació d’una vintena de centres de recerca internacionals. Es tracta d’un treball interdisciplinari, amb especialistes en contaminació atmosfèrica, economia, epidemiologia, anàlisi de dades i intel·ligència artificial.

Els científics han aplicat tècniques d’aprenentatge automàtic que permeten seguir com es redueix l’activitat econòmica monitoritzant en temps gairebé real els nivells de diòxid de nitrogen (NO2) a l’atmosfera.

NO2, un indicador de l’activitat socioeconòmica

Per entrenar el model, s’han introduït i comparat els nivells de NO2 observats pels satèl·lits en les setmanes de confinament després del brot de COVID el 2020, amb els de les mateixes àrees en els anys 2016-2019.

Les observacions cobreixen 211 àrees geogràfiques, de les quals 31 són províncies a la Xina, 51 són estats dels EUA i 129 països d’Europa, Àsia, Est, Àfrica i Amèrica Llatina. Aquestes dades s’han correlacionat amb el nombre de contagis en cadascuna d’aquestes àrees en les setmanes de confinament i les posteriors, en què es van aixecar les mesures.

A més, els càlculs s’han ajustat per tenir en compte variables meteorològiques, ambientals i socials que poden influir tant en els nivells de NO2 com en la dispersió dels contagis, i que no estan relacionats amb l’activitat econòmica.

El model resultant pot predir la desacceleració en els contagis en les 211 àrees a partir de les observacions de NO2 i els 10 indicadors ambientals i socioeconòmics més determinants. En aquest sentit, el model també permet veure altres possibles resultats en funció de les mesures implementades.

“Sabíem que mesures no farmacològiques com el confinament són efectives per contenir les epidèmies com la de la COVID-19, però encara ens faltava una avaluació quantitativa de l’efectivitat i el moment adequat d’aplicació d’aquestes intervencions en diferents regions del món”, conclou Jordi Sardans, des del CREAF.

Article de referència: Xiaofan Xing et al. 2021. Predicting the effect of confinement on the COVID-19 spread using machine learning enriched with satellite air pollution observations. PNAS. DOI: 10.1073/pnas.2109098118 

Mercè Fernández / Comunicació CSIC Catalunya

Algunos de los arrecifes de coral más antiguos del Mediterráneo empezaron a formarse hace 400.000 años

A dalt, nivells de No2 durant les primeres quatre setmanes després del primer brot de Covid-19; a sota, nivells durant les últimes setmanes de l’estudi, entre octubre i novembre de 2020.