دانشمندان ایرانی روش جدیدی برای پیش‌بینی ابتلا به کووید-۱۹ ابداع کردند

محققان دانشگاه کالیفرنیای جنوبی (USC) روش جدیدی را برای پیش بینی احتمال ابتلا به کووید-19 اعلام کردند. این روش داده‌های فضایی موبایل را با مدل‌های تحرک ترکیب می‌کند که می‌تواند مدل‌های وسیعی از نحوه حرکت افراد از مکانی به مکان دیگر را نشان دهد.

برای ایجاد ارزیابی خطر برای مکان‌ها و زمان‌های خاص، محققان از مجموعه داده‌های بزرگ، از جمله سیگنال‌های مکان منتشر شده از تلفن‌های همراه در ایالات متحده در سال‌های 2019 و 2020 استفاده کردند. به گفته محققان، این سیستم در مقایسه با سیستم‌های فعلی 50 درصد بهبود دقت را نشان می‌دهد. .

سپنتا زیگامی، یکی از محققین این پروژه گفت: نتایج ما نشان می دهد که مناطق پرخطر خاصی را می توان شناسایی و هدف قرار داد. چنین سیاست های ریسک جویی می تواند تأثیر قابل توجهی بر کنترل کووید-19 و اقتصاد داشته باشد.

وی افزود: بعید است کووید-19 آخرین اپیدمی در تاریخ بشر باشد. بنابراین، اگر بخواهیم از تکرار هرج و مرج سال 2020 و خسارات غم انگیز آن جلوگیری کنیم، در حالی که زندگی روزمره ما را تا حد ممکن تحت تأثیر قرار ندهد، به چنین داده های مرکزی در طول اپیدمی بعدی نیاز داریم.

برای رفع نگرانی‌های مربوط به حریم خصوصی، داده‌های تحرک در قالبی جمع‌آوری می‌شوند که به محققان اجازه می‌دهد مدل‌ها را بدون شناسایی کاربران ببینند. به گفته محققان، این داده ها برای ردیابی افراد آلوده یا جایی که آنها می روند استفاده نمی شود.

سیروس شهابی، یکی از محققین این پروژه می گوید: «روش ما بر داده های ناشناس عظیم متکی است. این داده ها با داده های ترافیکی یکسان نیستند، اما به شما کمک می کنند تصمیم بگیرید که آیا از یک بزرگراه خاص در یک زمان خاص استفاده کنید یا خیر.

روش های مبتنی بر داده

به گفته محققان، سیستم‌های فعلی اطلاعات دقیق و کافی در مورد میزان آلودگی در مکان‌های خاص ارائه نمی‌کنند یا فرضیات غیرواقعی در مورد چگونگی تشکیل جمعیت ارائه نمی‌کنند.

زیگامی گفت: “خطر ابتلا به عفونت بسته به مکان بسیار متفاوت است و داشتن یک سیاست نادیده می گیرد که چگونه برخی از مناطق خطرناک تر از سایرین هستند.”

به این ترتیب، محققان با استفاده از داده های واقعی در مورد تحرک و دانش موجود در مورد گسترش Covid-19، شبیه سازی را برای تولید مدل های واقعی عفونت ایجاد کردند. در این شبیه سازی، برخی از عوامل در ابتدا عفونی می شوند و در حین حرکت بیماری را گسترش می دهند.

سپس محققان مدلی را توسعه دادند که نتایج مبتنی بر ریسک را بر اساس تراکم مکان و الگوهای تحرک در زمان و مکان معین ارائه می‌دهد. آنها با استفاده از یک شبیه ساز، این مدل را برای تعیین اینکه آیا می تواند به طور دقیق میزان آلودگی در مکان های مختلف را پیش بینی کند، آزمایش کردند. مشخص شده است که پیامدهای خطر معیار قابل اعتمادی از عفونت در شهرهای ایالات متحده از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس آنجلس است.

محققان پیش‌بینی کرده‌اند که مقاصد محبوب این شهر خطرناک‌تر هستند. آنها همچنین دریافتند که ترکیب نحوه حرکت افراد به جای تکیه بر محبوبیت یک منطقه به بهبود پیش آگهی عفونت کمک می کند. به گفته محققان، این امر بر اهمیت مقایسه مدل‌های تحرک و مدل‌های پیش‌بینی برای شناسایی نتایج ریسک تأکید می‌کند.

به گفته محققان، دو روش کلیدی برای استفاده از این سیستم در دنیای واقعی وجود دارد. ساده ترین حالت تصمیم گیری سیاسی در سطح محله است. به عنوان مثال، به دلیل خطر بالای عفونت در سانتا مونیکا، این محله باید امروز بسته شود.

برای مکان‌های هدفمندتر، مانند یک استادیوم خاص، این سیستم داده‌های حرکت گذشته را تجزیه و تحلیل می‌کند تا بفهمد چگونه خطر عفونت در استادیوم بعد از رویداد تغییر می‌کند. سپس سیستم می تواند نتایج ریسک را با استفاده از مدل و داده های سوگیری پیش بینی و تعیین کند.

محققان قصد دارند در آینده امتیازات ویژه مصرف کننده را همراه با حریم خصوصی ایجاد کنند که امکان پیش بینی های بلندمدت را برای چند هفته آینده فراهم می کند.

شهابی گفت: وضوح بسیار بالای داده های تحرک و همچنین روش مقیاس پذیر ما به ما کمک می کند تا نتایج ریسک را با دقت مکانی و زمانی بسیار دقیق ارزیابی کنیم. به عنوان مثال، یک رستوران ویژه برای شام یا یک مرکز خرید برای ناهار.

46