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 رویکرد داده‌های فضایی موبایل را با مدل‌های تحرک ترکیب می‌کند که الگوهای گسترده‌ای از نحوه حرکت افراد از مکانی به مکان دیگر را نشان می‌دهد.

برای ایجاد نقاط خطر برای مکان‌ها و زمان‌های خاص، محققان از مجموعه داده‌های بزرگ، از جمله کدهای مکان منتشر شده از تلفن‌های همراه، در سراسر ایالات متحده طی سال‌های 2019 و 2020 استفاده کردند. به گفته محققان، این سیستم در مقایسه با سیستم های فعلی 50 درصد بهبود دقت را نشان می دهد.

سپنتا ضیغمی، یکی از محققان این پروژه می گوید: «نتایج ما نشان می دهد که می توان مناطق پرخطر خاصی را تصور و هدف قرار داد. چنین سیاست هایی با هدف تعیین سطح خطر می تواند تأثیر قابل توجهی بر کنترل کووید-19 و از نظر اقتصادی داشته باشد.

وی گفت: بعید است که کووید-19 آخرین بیماری همه گیر در تاریخ بشر باشد؛ بنابراین اگر بخواهیم از تکرار آشفتگی سال 2020 و خسارات فاجعه بار آن جلوگیری کنیم، در زمان اپیدمی بعدی به چنین داده های مرکزی نیاز داریم. زندگی روزمره ما را تا حد امکان تحت تأثیر قرار نمی دهد.

برای رفع نگرانی‌های مربوط به حریم خصوصی، داده‌های تحرک در الگو ذخیره می‌شود و به محققان این امکان را می‌دهد تا بدون شناسایی کاربران به الگوها نگاه کنند. به گفته محققان، از این داده ها نمی توان برای ردیابی افراد آلوده یا جایی که آنها می روند استفاده کرد.

سیروس شهابی، یکی از محققین این پروژه می گوید: «روش ما بر داده های عظیم ناشناس متکی است. این داده‌ها مشابه داده‌های ترافیکی نیستند، اما می‌توانند به شما در تصمیم‌گیری در مورد استفاده از یک آزادراه خاص در زمان معین کمک کنند.

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 نحوه ادغام جمعیت ارائه نمی‌کنند.

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

بنابراین، محققان شبیه‌سازی را برای تولید مدل‌های واقعی عفونت با استفاده از داده‌های تحرک در دنیای واقعی و دانش موجود در مورد پسوند کووید-۱۹ ایجاد کردند. در این شبیه سازی، برخی از عناصر در ابتدا آلوده می شوند و در حین حرکت، بیماری را منتشر می کنند.

سپس محققان مدلی را توسعه دادند که امتیازهای مبتنی بر ریسک را بر اساس مدل‌های تراکم مکان و تحرک در زمان و مکان خاص ارائه می‌دهد. او با استفاده از شبیه ساز، مدل را آزمایش کرد تا تعیین کند آیا می توان میزان آلودگی را در مکان های مختلف به طور دقیق پیش بینی کرد یا خیر. مشخص شده است که نمرات خطر یک معیار قابل اعتماد برای عفونت در شهرهای سراسر ایالات متحده از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس آنجلس است.

همانطور که پیش بینی شده بود، محققان دریافتند که محبوب ترین مکان های شهر خطرناک تر هستند. آنها دریافتند که ادغام نحوه حرکت افراد، به جای تکیه بر محبوبیت یک منطقه، می تواند به بهبود پیش آگهی عفونت کمک کند. به گفته محققان، این امر بر اهمیت ترکیب مدل‌های تحرک و مدل‌های پیش‌بینی برای ایجاد امتیاز ریسک تأکید می‌کند.

به گفته محققان، دو راه اصلی برای استفاده از این سیستم در دنیای واقعی وجود دارد. اتخاذ تصمیمات مرتبط با سیاست در سطح محله یک مورد ساده 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 ورزشگاه بعد از رویداد تغییر می‌کند. سپس با استفاده از مدل جابجایی سیستم و داده ها می توان نقاط خطر را پیش بینی و تعیین کرد.

محققان قصد دارند در آینده علاوه بر حفظ حریم خصوصی، ویژگی های خاص کاربر را نیز توسعه دهند که امکان پیش بینی های بلندمدت را برای چند هفته آینده فراهم می کند.

شهابی گفت: وضوح بالای داده‌های تحرک و همچنین روش‌شناسی مقیاس‌پذیر ما را قادر می‌سازد نقاط خطر را با دقیق‌ترین دقت مکانی و زمانی تخمین بزنیم. به عنوان مثال، یک رستوران خاص در هنگام ناهار یا یک مرکز خرید در زمان ناهار.

46