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 الگوهای گسترده‌ای از نحوه حرکت افراد از یک مکان به مکان دیگر را نشان دهد.

محققان از مجموعه داده های بزرگ، از جمله سیگنال های مکان منتشر شده از تلفن های همراه در سراسر ایالات متحده در سال های 2019 و 2020 برای تولید نشانگرهای خطر برای مکان ها و زمان های خاص استفاده کردند. به گفته محققان، این سیستم در مقایسه با سیستم های فعلی 50 درصد بهبود دقت را نشان می دهد.

سپنتا زیگامی، یکی از محققان این پروژه گفت: «نتایج ما نشان می‌دهد که مناطق پرخطر خاص قابل پیش‌بینی و هدف‌گیری هستند». چنین سیاست هایی با هدف تعیین سطح خطر می تواند تأثیر قابل توجهی هم بر کنترل کووید-19 و هم از نظر اقتصادی داشته باشد.

وی افزود: بعید است که کووید-19 آخرین اپیدمی در تاریخ بشریت باشد؛ بنابراین اگر بخواهیم از تکرار هرج و مرج سال 2020 و از دست دادن غم انگیز آن بدون استفاده حداکثری از زندگی روزمره خود جلوگیری کنیم، به چنین داده های مرکزی در طول تاریخ نیاز داریم. اپیدمی بعدی

برای رسیدگی به نگرانی‌های مربوط به حریم خصوصی، داده‌های تحرک در یک الگو جمع‌آوری می‌شوند و به محققان این امکان را می‌دهد تا 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.

قاهره شهابی، یکی از محققین این پروژه، گفت: «روش ما بر اساس داده های انبوه ناشناس است. این داده ها مشابه داده های ترافیکی نیستند، اما به تصمیم گیری در مورد استفاده از یک بزرگراه خاص در یک زمان خاص کمک می کنند.

روش های مبتنی بر داده

به گفته محققان، سیستم های فعلی اطلاعات دقیق و کافی در مورد بروز عفونت ها در مکان های خاص ارائه نمی دهند یا فرضیات غیر واقعی در مورد ترکیب جمعیت ایجاد می کنند.

زیگامی گفت: “خطر ابتلا از مکانی به مکان دیگر بسیار متفاوت است و یک سیاست مشترک این واقعیت را نادیده می گیرد که برخی از مناطق خطرناک تر از مناطق دیگر هستند.”

بنابراین، محققان یک شبیه‌سازی برای ایجاد مدل‌های واقعی عفونت با استفاده از داده‌های تحرک در دنیای واقعی و دانش موجود در مورد شیوع کووید-۱۹ ایجاد کردند. در این فرآیند شبیه سازی ابتدا برخی از عوامل آلوده می شوند و با حرکت بیماری گسترش می یابد.

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

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

به گفته محققان، دو راه اصلی برای استفاده از این سیستم در دنیای واقعی وجود دارد. ساده ترین حالت، سیاست گذاری در سطح محله است. به عنوان مثال، در سانتا مونیکا، به دلیل خطر بالای عفونت، امروز این منطقه باید بسته شود.

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

محققان قصد دارند در آینده امتیازات ویژه کاربر را به همراه حفظ حریم خصوصی توسعه دهند که امکان پیش بینی های بلندمدت در هفته های آینده را فراهم می کند.

شهابی گفت: وضوح بسیار بالای داده های تحرک و همچنین روش مقیاس پذیر ما به ما کمک می کند تا شاخص های 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