В разгар пандемии COVID-19 перед человечеством встал острый вопрос о возможности сдерживания вируса без катастрофического ущерба для мировой экономики. Известный блогер и специалист в области машинного обучения Янник Кильхер (Yannic Kilcher) представил подробный разбор научной статьи, соавтором которой выступил Шаи Шалев-Шварц — один из крупнейших теоретиков машинного обучения. В материале анализируется математическая модель «селективного карантина» и предлагается статистический метод оценки безопасности этой стратегии, призванный помочь обществу пережить кризис с минимальными потерями.
😷 Три стратегии борьбы с пандемией 1:00
В начале своего разбора Янник Кильхер выделяет три основные модели управления распространением COVID-19, которые рассматривают авторы исследования. Описание стратегий начинается с конца, чтобы, по замечанию ведущего, «нагнать интригу».
Третья стратегия заключается в жестком общенациональном карантине (lockdown), который продолжается до тех пор, пока распространение вируса не будет полностью взято под контроль. По оценкам исследователей, это может занять от нескольких недель до месяцев. Авторы работы признают данный путь самым безопасным в краткосрочной перспективе, однако указывают на критический недостаток: он не предотвращает вторую волну эпидемии. В условиях отсутствия коллективного иммунитета достаточно всего одного зараженного человека, чтобы сформировать новый эпицентр заболевания, поэтому авторы не считают этот вариант оптимальным.
Вторая стратегия — это селективный карантин на основе сдерживания (containment-based selective quarantine). Она предполагает выявление всех людей с положительным результатом теста и их изолирование дома, в то время как остальное население может свободно перемещаться. По словам Кильхера, эффективность этой модели критически зависит от масштабов тестирования и так называемого «интервала заразности». Поскольку существуют люди, способные распространять вирус без проявления каких-либо симптомов, данный метод не принесет ощутимой пользы, если не тестировать абсолютно каждого человека непрерывно. Несмотря на то, что данные из разных стран указывают на возможность снижения нагрузки на медицинскую систему с помощью этой меры, авторы статьи выступают против нее, так как проводить тестирование достаточно быстро, точно и повсеместно практически невозможно.
Первая стратегия, за которую и ратуют исследователи, называется селективным карантином на основе оценки рисков (risk-based selective quarantine). Суть подхода сводится к разделению населения на две ключевые группы:
- Группа высокого риска, куда входят пожилые люди.
- Группа низкого риска, состоящая из молодежи, которая активно пользуется смартфонами и приложением TikTok.
Согласно логике авторов, молодым людям разрешается вести обычный образ жизни, ходить на работу и «чихать друг на друга», поскольку вирус не представляет для них смертельной опасности. В результате в популяции низкого риска происходит резкий всплеск заболеваемости, который со временем выходит на плато и формирует устойчивый коллективный иммунитет. Как только это происходит, пожилые люди могут безопасно вернуться к нормальной жизни: даже если они выйдут на улицу, они не заразятся, так как окружающее их большинство уже переболело и получило иммунную защиту.
⚠️ Ключевой изъян: иллюзия идеальной изоляции 4:53
Прежде чем перейти к детальному математическому анализу, Янник Кильхер озвучивает свое главное и весьма скептическое замечание к предложенной работе. По его мнению, фундаментальное допущение всей модели является глубоко ошибочным.
Авторы статьи строят свои расчеты на гипотезе, что изоляция людей из группы высокого риска может быть реализована идеальным образом. Предполагается, что уровень заболеваемости среди молодежи никак не влияет на вероятность заражения пожилых людей. Кильхер открыто заявляет, что не верит в жизнеспособность такого сценария. По его словам, даже изолированным пожилым людям требуется доставка еды, а домам престарелых необходим обслуживающий персонал. Полностью оградить группу риска от внешнего мира невозможно. Следовательно, резкий рост числа инфекций среди лиц с низким уровнем риска неизбежно приведет к увеличению числа заболевших среди уязвимых слоев населения.
🧮 Математическая модель худшего случая 6:10
Несмотря на критику базовой предпосылки, Янник Кильхер предлагает подробно разобрать математический аппарат статьи, который, по его оценке, является довольно простым и понятным. Положительной стороной анализа Кильхер называет то, что авторы не полагаются на сложные эпидемиологические динамики или модели экспоненциального роста, а сразу рассматривают худший из возможных сценариев.
Для построения модели исследователи вводят несколько ключевых величин:
- $M$ — общая численность населения из группы низкого риска.
- $\nu$ — вероятность того, что заразившийся человек столкнется с тяжелыми симптомами и будет госпитализирован в отделение реанимации и интенсивной терапии (ОРИТ).
- $B$ — общее количество доступных коек в палатах интенсивной терапии.
Если умножить численность группы низкого риска ($M$) на вероятность тяжелого исхода ($\nu$), мы получим показатель $MD$ — общее число тяжелых случаев при условии, что абсолютно все представители этой группы заразятся одновременно. Это и есть математическое выражение худшего сценария («если мы все выйдем на улицу и начнем чихать друг другу в лицо»).
Главный аргумент исследователей заключается в следующем: если количество коек в реанимации ($B$) строго больше, чем теоретически возможное число тяжелых пациентов в худшем случае ($MD$), то общество находится в безопасности. В данном контексте «безопасность» дефинируется авторами узко: это ситуация, при которой ни один человек не умрет исключительно из-за нехватки койко-места или аппарата ИВЛ.
📈 Оценка скрытых параметров пандемии 9:34
Основная задача метода — найти надежную верхнюю границу для потенциального числа тяжелых случаев и сопоставить её с возможностями системы здравоохранения. Для этого авторы вводят еще две переменные: $K$ (текущее число тяжелых пациентов в ОРИТ) и $P^*$ (текущий процент зараженных людей в популяции, который в реальности остается неизвестным).
Связь между параметрами выражается через базовые математические пропорции. Если умножить неизвестный процент заболевших $P^*$ на общую численность населения $M$, получится абсолютное число людей, инфицированных в данный момент. Разделив текущее число тяжелых случаев $K$ на это общее число зараженных, авторы получают оценку вероятности $\nu$ (шанс попасть в реанимацию при заражении). Исследователи утверждают, что эта вероятность является константой и не меняется со временем, если только вирус не мутирует, а значит, её можно рассчитывать на основе текущих статистических данных.
Однако Янник Кильхер указывает на практическую сложность: из-за экспоненциального роста эпидемии точно оценить реальное текущее число тяжелых случаев $K$ крайне трудно. Авторы работы признают этот динамический фактор и для подстраховки заменяют реальное значение $K$ на его верхнюю оценку — $\tilde{K}$. Эта величина рассчитывается с использованием статистических неравенств концентрации и включает в себя доверительный интервал. Задав параметр погрешности $\delta$ на уровне 0,05, исследователи получают 95-процентную уверенность в том, что расчетное значение $\tilde{K}$ гарантированно покрывает реальное количество тяжелых случаев. Кильхер отмечает, что не обладает достаточными компетенциями для критики обоснованности применения данных неравенств, поэтому принимает их как условно корректные.
🧪 Гипотеза безопасности и случайное тестирование 16:09
Используя верхнюю оценку $\tilde{K}$ вместо неизвестного $K$, авторы преобразуют исходное уравнение. Численность населения $M$ сокращается, и максимальное число будущих тяжелых пациентов ($MD$) оказывается ограничено отношением $\tilde{K} / P^*$. Таким образом, для обеспечения безопасности системы здравоохранения должно выполняться неравенство:
$$\frac{\tilde{K}}{P^} < B \implies P^ > \frac{\tilde{K}}{B}$$
Для проверки этого условия авторы вводят пороговую величину $\tilde{P} = \tilde{K} / B$ и прибегают к классическому аппарату проверки статистических гипотез. Формулируется вопрос: является ли реальный процент зараженных $P^*$ существенно большим, чем критический порог $\tilde{P}$? Если да — стратегия селективного карантина безопасна, если нет — риски превышают допустимые.
Поскольку узнать точное значение $P^*$ невозможно, авторы предлагают проводить равномерное случайное тестирование (uniform sampling) среди населения. Из общей популяции случайным образом выбираются люди, у которых берется анализ на вирус. Математики вывели конкретную формулу для объема выборки ($n$):
$$n = 4.5 \times \frac{B}{\tilde{K}}$$
Если в ходе случайного тестирования такого количества людей ($n$) удается обнаружить как минимум 10 положительных результатов, то с вероятностью не менее 95% можно утверждать, что предложенная модель селективного карантина безопасна для медицинской системы. Кильхер поясняет кажущийся парадокс: чем больше зараженных людей обнаруживается при тестировании, тем лучше. При неизменном количестве тяжелых случаев в больницах высокая доля инфицированных в тесте означает, что вирус переносится легче, а общая вероятность госпитализации ($\nu$) на самом деле ниже, чем предполагалось.
🛑 Почему математика может разбиться о реальность 20:52
В финале обзора Янник Кильхер возвращается к жесткой критике практического применения этой красивой математической теории. Он подчеркивает, что безупречные статистические выводы полностью опираются на утопическое допущение о возможности жестко изолировать пожилых граждан.
Если на практике карантин для уязвимых групп окажется неидеальным, возникнет прямая корреляция между лавинообразным ростом заболевших среди молодежи и притоком инфицированных стариков. Пожилые люди обладают кратно более высоким уровнем госпитализации, а значит, они стремительно займут свободные койки в реанимациях. В этот момент доступное для молодой популяции число мест $B$ начнет резко сокращаться, разрушая базовую константу математической модели. Вся система уравнений потеряет валидность, и то, что казалось безопасным на бумаге, мгновенно превратится в масштабную катастрофу.
Завершая свое выступление, Янник Кильхер leaves leaves оставляет зрителям право самостоятельно оценивать применимость данной научной работы и с иронией желает всем «здоровой пандемии».
