在预印本学术论文发表在四月上旬，麻省理工学院的研究人员描述了量化的检疫措施对COVID-19，该新型冠状病毒的传播影响的模型。与迄今提出的大多数模型不同，该模型不依赖于有关SARS或MERS等先前暴发研究的数据。取而代之的是，它使用了经过训练的AI算法，该算法经过训练，可以使用SEIR模型捕获隔离区中的受感染个体数量，将人们分为“易感”，“暴露”，“感染”和“恢复”等类别。
与以前的工作相比，此方法有可能实现更高的准确性，这可能有助于更好地为政府，卫生系统和非营利组织提供有关社会隔离的治疗和政策决策的信息。例如，该模型发现，在韩国等受到政府立即干预的地方，该病毒的传播速度更快达到了平稳状态。
“我们的模型表明，隔离限制可以成功地将有效繁殖数从大于1减少到小于1。［模型］正在学习我们所谓的“隔离控制强度函数”。候选人Raj Dandekar作为期末课程的一部分。“这对应于我们可以使曲线变平坦并开始减少感染的点。”
在每个地区（分别于1月24日，2月27日和2月22日分别对武汉，意大利和韩国进行记录）记录了第500个案例之后，使用从武汉（中国），意大利，韩国和美国收集的数据对MIT模型进行了训练，直到4月1日为止。经过500次迭代，它学会了预测感染传播的模式，在隔离措施与病毒有效繁殖数量减少之间建立了相关性。
随着特定国家/地区病例数的减少，预测模型将从指数形式（表明病毒呈指数传播）过渡到线性形式（表明感染正在稳定）。意大利从4月初开始进入这种线性体制，该模型预计，美国将在4月15日至20日之间进行类似的过渡，这与健康指标与评估研究所的其他预测类似。
该模型还预测，在感染率开始停滞之前，美国的感染人数将达到60万。
“这是一个非常关键的时刻。如果我们放松检疫措施，可能会导致灾难。” Barbastathis说。“如果美国过早采取同样的放松检疫措施的政策，我们预计后果将是灾难性的。”
MIT模型与Microsoft，印度理工学院和TCS Research（塔塔咨询服务的R＆D部门）的研究人员于今年早些时候发布的模型相吻合，该模型可以根据疾病参数（如传染性，妊娠期，症状持续时间，死亡可能性，人口密度和运动倾向。在持续了52周（364天）的模拟过程中，进行了75次模拟，结果表明，锁定5％至10％社区的政府的COVID-19感染高峰期较低。
另外，一个国际研究小组使用百度提供的人类流动性数据来阐明COVID-19传播在中国城市中的作用。他们发现，在实施控制和围堵措施之后，COVID-19病例的地理分布与流动性之间的相关性下降，并且大多数地区的增长率都为负，这表明这些措施减轻了COVID-19的传播。
这就是说，要记住，即使是最好的AI模式是很重要的-就像那些由疾病警报，Metabiota，开发蓝点，这是第一个准确地识别COVID-19的传播当中-只是学会从历史数据中的模式。如布鲁金斯学会所指出在最近的一份报告中，虽然某些流行病学模型采用了AI，但流行病学家在很大程度上采用了包含主题专业知识的统计模型。该报告的作者写道：“仅凭准确性就不足以评估预测的质量。” “如果管理不当，AI算法将花费大量精力寻找与尝试结果相关的数据模式。但是，这些模式可能完全是荒谬的，仅在开发期间有效。
