Lecciones del científico de datos superestrella de la pandemia, Youyang Gu

Sra. Tecnología | Foto de cortesía

El científico de datos Youyang Gu se considera realista, lo declara en su perfil de Twitter : Presentador de tomas imparciales. Realista.

Cuando notó las proyecciones dispersas de covid-19 la primavera pasada (un modelo proyectó 2 millones de muertes en EE. UU. para el verano, otro predijo 60,000), Gu cuestionó si eso era tan bueno como podría ser el modelo. Decidió intentar hacer un modelo covid-19 él mismo. Todo mi objetivo era producir el modelo más preciso posible, dice Gu, desde su apartamento en Manhattan. No hay 'si esto' o 'si eso'. Básicamente, no hay 'si'. Realmente no importa cuáles sean los escenarios. Solo quería exponerlo: 'Este es el pronóstico más probable o realista de lo que va a suceder'.

En una semana, construyó un modelo de aprendizaje automático y lanzó su Sitio web de proyecciones COVID-19 . Ejecutó el modelo todos los días (solo le tomó una hora en su computadora portátil) y publicó proyecciones de muerte por covid-19 para 50 estados de EE. UU., 34 condados y 71 países.

Historia relacionada

¿Podría el covid conducir a una vida de enfermedad autoinmune?

Cada vez hay más pruebas de que, en algunas personas, las infecciones por covid producen autoanticuerpos que se dirigen a los órganos del cuerpo. De ser cierto, podría significar años de enfermedad y miseria persistentes para muchos.

A fines de abril, estaba atrayendo la atención; en última instancia, millones de personas visitaban su sitio web todos los días. Carl Bergstrom, profesor de biología en la Universidad de Washington, se dio cuenta y comentó en Twitter que el modelo de Gu estaba haciendo predicciones que parecen tan buenas como las que he visto.

Puedo ser un poco escéptico de ML. Pero en este caso, no deje que el texto de 'aprendizaje automático' lo engañe y piense que esto es aceite de serpiente, tuiteó Bergstrom.

Graduado del MIT con una maestría en ingeniería eléctrica y ciencias de la computación (más un título en matemáticas), Gu, de 27 años, había estado trabajando en una empresa emergente de análisis deportivo cuando llegó la pandemia. Pero puso esa empresa en pausa cuando cerraron los deportes de las grandes ligas. Y luego, simplemente buscando en Google la epidemiología, comenzó su incursión en el modelado covid-19.

No tenía antecedentes en el modelado de enfermedades infecciosas, dice. Pero tenía algunos años de experiencia como científico de datos en finanzas, trabajando con modelos estadísticos, modelos que, basados ​​en ciertos supuestos estadísticos, analizan datos y hacen proyecciones sobre, digamos, dónde estará el precio de una acción en el futuro. .

Resulta que muchos modelos de enfermedades infecciosas son básicamente modelos estadísticos, dice Gu. Y el objetivo de precisión impulsado por las ganancias de la industria financiera le sirvió bien en el dominio epidemiológico. Si no puede hacer un modelo preciso en finanzas, ya no tendrá trabajo, dice. Por el contrario, el objetivo en la academia, al menos desde la perspectiva de Gu, no es tanto hacer modelos precisos, sino más bien publicar artículos e informar las políticas públicas. Eso no quiere decir que no hagan modelos precisos, solo que no optimizan específicamente para la precisión, dice.

El modelo de Gu combina el aprendizaje automático con un simulador clásico de enfermedades infecciosas llamado modelo SEIR (que tiene en cuenta a los individuos de la población que son susceptibles, expuestos, infecciosos, recuperados o eliminados debido a la muerte).

El componente SEIR utiliza como entrada un conjunto simulado de parámetros: un rango de estimación para variables como el número de reproducción básico (la tasa a la que surgen nuevos casos en una población totalmente susceptible al comienzo de un brote, antes de las intervenciones o la inmunidad) , tasa de infección, fecha de cierre, fecha de reapertura y número de reproducción efectiva (la tasa a la que surgen nuevos casos después de algunas intervenciones). En términos de resultados, el simulador SEIR primero calcula las infecciones a lo largo del tiempo y luego calcula las muertes (multiplicando las infecciones por la tasa de mortalidad por infección).

La capa de aprendizaje automático de Gu genera miles de combinaciones diferentes para esos conjuntos de parámetros al tratar de encontrar los parámetros de la vida real para cada región geográfica. Aprende qué parámetros generan las proyecciones de muerte más precisas al comparar las predicciones de SEIR con datos reales sobre muertes diarias de la Universidad Johns Hopkins. Intenta aprender qué conjuntos de parámetros generan muertes que se asemejan más a los datos reales observados, mirando hacia atrás, dice Gu. Y luego usa esos parámetros para pronosticar y hacer proyecciones sobre muertes en el futuro.

Los pronósticos resultaron ser notablemente precisos. Por ejemplo, el 3 de mayo, hizo una aparición en CNN esta noche y compartió las proyecciones de su modelo de que EE. UU. llegaría a 70 000 muertes el 5 de mayo, 80 000 muertes el 11 de mayo, 90 000 muertes el 18 de mayo y 100 000 muertes el 27 de mayo. El 28 de mayo, tuiteó , covid19-projections.com obtuvo las 4 fechas exactamente correctas. Con un poco de redondeo, eso era cierto.

No digo que haya sido perfecto durante este último año. Me he equivocado muchas veces. Pero creo que todos podemos aprender a abordar la ciencia como un método para encontrar la verdad, en lugar de la verdad misma.

youyang gu

El modelo no era perfecto, por supuesto, pero impresionó a Nicholas Reich, bioestadístico e investigador de enfermedades infecciosas de la Universidad de Massachusetts, Amherst, cuyo laboratorio, en colaboración con los Centros para el Control y la Prevención de Enfermedades de EE. UU., resultados agregados de alrededor de 100 equipos de modelos internacionales. Reich observó que, entre todos los modelos agregados, el modelo de Gu estuvo consistentemente entre los primeros.

El 6 de octubre, Gu publicó su pronóstico de muerte final, justo antes de la ola de otoño. El modelo proyectó que habría 231.000 muertes en EE. UU. para el 1 de noviembre. El total registrado para esa fecha: 230.995.

Gu cerró su primer modelo a principios de octubre porque para entonces había muchos equipos que hacían buenos pronósticos de muertes. En cambio, recurrió a modelar infecciones verdaderas versus infecciones reportadas. Y luego, en diciembre, comenzó a rastrear el lanzamiento de la vacuna y el escurridizo palmadita h a la inmunidad colectiva —que a principios de 2021 revisó a camino a la normalidad. Mientras que la inmunidad de grupo se logra cuando una porción suficiente de una población es inmune al virus, lo que reduce una mayor propagación, Gu define la normalidad como el levantamiento de todas las restricciones relacionadas con covid-19 para la mayoría de los estados de EE. UU.

Historia relacionada

Cómo una pequeña empresa de medios está ayudando a las personas a vacunarse

Con muchas personas que aún luchan por vacunarse contra el covid en Nueva York, un boletín local ha estado actuando como un emparejador de vacunas.

Quedó claro que no vamos a alcanzar la inmunidad colectiva en 2021, al menos definitivamente no en todo el país, dice. Y creo que es importante, especialmente si está tratando de infundir confianza, que hagamos caminos sensatos para saber cuándo podemos volver a la normalidad. No deberíamos vincular eso con un objetivo poco realista como alcanzar la inmunidad colectiva. Todavía soy cautelosamente optimista de que mi pronóstico original en febrero, para un regreso a la normalidad en el verano, será válido.

A principios de marzo, empacó la tienda por completo; pensó que había hecho la contribución que podía. Quería dar un paso atrás y dejar que los otros modeladores y expertos hicieran su trabajo, dice. No quiero desordenar el espacio.

Todavía está pendiente de los datos, investigando y analizando las variantes, el lanzamiento de la vacuna y la cuarta ola. Si veo algo que es particularmente problemático o preocupante de lo que creo que la gente no está hablando, definitivamente lo publicaré, dice. Pero por el momento se está centrando en otros proyectos, como Acciones YOLO , una plataforma de análisis de cotizaciones bursátiles. Su principal trabajo pandémico es como miembro del grupo asesor técnico de la Organización Mundial de la Salud sobre la evaluación de la mortalidad por covid-19, donde comparte su experiencia externa.

Definitivamente he aprendido mucho el año pasado, dice Gu. Fue muy revelador.

Lección #1: Concéntrese en los fundamentos

Desde la perspectiva de la ciencia de datos, mis modelos han demostrado la importancia de la simplicidad, que a menudo se subestima, dice Gu. Su modelo de pronóstico de muertes era simple no solo en su diseño, el componente SEIR con una capa de aprendizaje automático, sino también en su enfoque de abajo hacia arriba muy reducido con respecto a los datos de entrada. De abajo hacia arriba significa comenzar desde el mínimo básico y agregar complejidad según sea necesario, dice. Mi modelo solo usa muertes pasadas para predecir muertes futuras. No utiliza ninguna otra fuente de datos real.

Gu notó que otros modelos se basaron en una variedad ecléctica de datos sobre casos, hospitalizaciones, pruebas, movilidad, uso de máscaras, comorbilidades, distribución por edades, datos demográficos , estacionalidad de la neumonía, tasa anual de mortalidad por neumonía, densidad de población, contaminación del aire, altitud, datos de tabaquismo, contactos autoinformados, tráfico de pasajeros de aerolíneas, punto de atención, termómetros inteligentes, publicaciones de Facebook, búsquedas de Google y más.

Existe la creencia de que si agrega más datos al modelo, o lo hace más sofisticado, entonces el modelo funcionará mejor, dice. Pero en situaciones reales como la pandemia, donde los datos son tan ruidosos, desea mantener las cosas lo más simples posible.

Decidí desde el principio que las muertes pasadas son el mejor predictor de muertes futuras. Es muy simple: entrada, salida. Agregar más fuentes de datos solo hará que sea más difícil extraer la señal del ruido.

Lección #2: Minimice las suposiciones

Gu considera que tenía una ventaja al abordar el problema con una pizarra en blanco. Mi objetivo era simplemente seguir los datos sobre covid para aprender sobre covid, dice. Ese es uno de los principales beneficios de la perspectiva de un extraño.

Pero al no ser epidemiólogo, Gu también tenía que estar seguro de que no estaba haciendo suposiciones incorrectas o inexactas. Mi función es diseñar el modelo de manera que pueda aprender los supuestos por mí, dice.

Cuando aparecen nuevos datos que van en contra de nuestras creencias, a veces tendemos a pasarlos por alto o ignorarlos, y eso puede tener repercusiones en el futuro, señala. Ciertamente me encontré siendo víctima de eso, y sé que muchas otras personas también lo han hecho.

Por lo tanto, ser conscientes del sesgo potencial que tenemos y reconocerlo, y poder ajustar nuestros antecedentes (ajustar nuestras creencias si los nuevos datos las refutan) es realmente importante, especialmente en un entorno de rápido movimiento como el que hemos visto con covid. .

Lección #3: Prueba la hipótesis

Lo que he visto en los últimos meses es que cualquiera puede hacer afirmaciones o manipular datos para que se ajusten a la narrativa de lo que quieren creer, dice Gu. Esto resalta la importancia de simplemente hacer hipótesis comprobables.

Para mí, esa es toda la base de mis proyecciones y pronósticos. Tengo un conjunto de suposiciones, y si esas suposiciones son ciertas, entonces esto es lo que predecimos que sucederá en el futuro, dice. Y si las suposiciones terminan siendo incorrectas, entonces, por supuesto, debemos admitir que las suposiciones que hacemos no son ciertas y ajustarlas en consecuencia. Si no hace hipótesis comprobables, entonces no hay forma de demostrar si realmente tiene razón o no.

Lección #4: Aprende de los errores

No todas las proyecciones que hice fueron correctas, dice Gu. En mayo de 2020, proyectó 180.000 muertes en EE. UU. para principios de agosto. Eso es mucho más alto de lo que vimos, recuerda (hubo alrededor de 155,000 muertes). Su hipótesis comprobable resultó incorrecta, y eso me obligó a ajustar mis suposiciones.

En ese momento, Gu estaba usando una tasa fija de mortalidad por infección de aproximadamente el 1 % como constante en el simulador SEIR. Cuando en el verano redujo la tasa de mortalidad por infección a alrededor del 0,4% (y luego a alrededor del 0,7%), sus proyecciones volvieron a un rango más realista.

Lección #5: Involucrar a los críticos

No todos estarán de acuerdo con mis ideas, y lo agradezco, dice Gu, quien usó Twitter para publicar sus proyecciones y análisis. Intento responder a la gente tanto como puedo, defender mi posición y debatir con la gente. Te obliga a pensar en cuáles son tus suposiciones y por qué crees que son correctas.

Se remonta al sesgo de confirmación, dice. Si no soy capaz de defender adecuadamente mi posición, ¿es realmente la afirmación correcta y debería hacer estas afirmaciones? Me ayuda a comprender, al relacionarme con otras personas, cómo pensar sobre estos problemas. Cuando otras personas presentan evidencia que contradice mis posiciones, tengo que ser capaz de reconocer cuándo puedo estar equivocado en algunas de mis suposiciones. Y eso realmente me ha ayudado enormemente a mejorar mi modelo.

Lección n.° 6: Ejercer un escepticismo saludable

Ahora soy mucho más escéptico con respecto a la ciencia, y no es algo malo, dice Gu. Creo que es importante cuestionar siempre los resultados, pero de una manera saludable. Es una línea fina. Porque mucha gente simplemente rechaza rotundamente la ciencia, y esa tampoco es la forma de hacerlo.

Pero creo que también es importante no solo confiar ciegamente en la ciencia, continúa. Los científicos no son perfectos. Es apropiado, dice, si algo no parece correcto, hacer preguntas y buscar explicaciones. Es importante tener diferentes perspectivas. Si hay algo que hemos aprendido durante el año pasado, es que nadie tiene la razón al 100% todo el tiempo.

No puedo hablar por todos los científicos, pero mi trabajo es atravesar todo el ruido y llegar a la verdad, dice. No digo que haya sido perfecto durante este último año. Me he equivocado muchas veces. Pero creo que todos podemos aprender a abordar la ciencia como un método para encontrar la verdad, en lugar de la verdad misma.

esconder