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 سلولی را با الگوهای تحرک ترکیب می‌کند که می‌تواند الگوهای گسترده‌ای از نحوه حرکت افراد از مکانی به مکان دیگر را نشان دهد.
برای ایجاد امتیاز خطر برای مکان‌ها و زمان‌های خاص، محققان از مجموعه داده‌های بزرگی از جمله سیگنال‌های 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 دقت 50 درصد افزایش نشان داد. به سیستم فعلی
سپنتا ضیغمی، یکی از محققین این پروژه گفت: نتایج ما نشان می دهد که برخی مناطق پرخطر قابل پیش بینی و هدفمند هستند. این سیاست که هدف آن تعیین سطح خطر است، می‌تواند تأثیر قابل‌توجهی بر کنترل کووید-۱۹ و از نظر اقتصادی داشته باشد.
وی افزود: بعید است که 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 و در عین حال زندگی روزمره ما را تا حد ممکن تحت تأثیر قرار ندهد. ما در زمان اپیدمی بعدی به چنین داده های مرکزی نیاز داریم.
برای رفع نگرانی‌های مربوط به حریم خصوصی، داده‌های تحرک در قالب‌هایی جمع‌آوری می‌شوند که به محققان اجازه می‌دهد الگوها را بدون شناسایی کاربر ببینند. به گفته محققان، این داده ها برای ردیابی افراد آلوده یا جایی که آنها رفته اند استفاده نشده است.
سیروس شهابی، یکی از محققین این پروژه می گوید: «روش ما بر داده های عظیم ناشناس متکی است. این داده ها مانند داده های ترافیکی نیستند، اما به شما کمک می کنند تصمیم بگیرید که آیا از یک بزرگراه خاص در یک زمان معین استفاده کنید یا خیر.
روش داده محور
به گفته محققان، سیستم فعلی اطلاعات دقیق و کافی در مورد میزان آلودگی در مکان‌های خاص ارائه نمی‌کند یا فرضیات غیرواقعی در مورد چگونگی ساختار جمعیت ایجاد می‌کند.
ضیغمی گفت: «خطر عفونت بسته به مکان بسیار متفاوت است و داشتن یک سیاست نادیده می‌گیرد که برخی از مناطق خطرناک‌تر از سایرین هستند.
در انجام این کار، محققان با استفاده از داده های تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-19، شبیه سازی هایی را برای تولید الگوهای عفونت واقعی ایجاد کردند. در این شبیه سازی عوامل متعددی در ابتدا آلوده می شوند و در حین حرکت بیماری را منتشر می کنند.
سپس محققان مدلی را توسعه دادند که امتیازی مبتنی بر ریسک را بر اساس تراکم مکان و الگوهای تحرک در زمان و مکان معین ارائه می‌کرد. آنها با استفاده از یک شبیه ساز، این مدل را برای تعیین اینکه آیا می تواند به طور دقیق نرخ عفونت را در مکان های مختلف پیش بینی کند، آزمایش کردند. مشخص شده است که امتیاز خطر یک معیار قابل اعتماد برای عفونت در شهرهای سراسر ایالات متحده از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس آنجلس است.
محققان همانطور که انتظار می رفت متوجه شدند که مقاصد محبوب یک شهر خطرناک تر هستند. آنها همچنین دریافتند که ترکیب روش حرکت افراد به جای تکیه بر محبوبیت یک منطقه به بهبود پیش آگهی عفونت کمک می کند. به گفته محققان، این امر بر اهمیت کنار هم قرار دادن الگوهای تحرک و مدل های پیش بینی برای تعیین امتیاز ریسک تاکید می کند.
به گفته محققان، دو راه اصلی برای استفاده از این سیستم در دنیای واقعی وجود دارد. ساده ترین مورد، اتخاذ تصمیمات مرتبط با سیاست در سطح زیست محیطی است. به عنوان مثال، به دلیل خطر بالای عفونت در سانتا مونیکا، امروز این محله باید بسته شود.
برای مکان‌های هدفمندتر، مانند استادیوم‌های 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 با استفاده از مدل ها و داده های جابجایی، امتیاز ریسک را پیش بینی و اختصاص دهد.
محققان قصد دارند در آینده امتیازات ویژه کاربر را همراه با حریم خصوصی توسعه دهند 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 های مقیاس پذیر ما به ما کمک می کند امتیازات ریسک را با دقت مکانی و زمانی بسیار دقیق برآورد کنیم. به عنوان مثال، یک رستوران تخصصی در زمان شام یا یک مرکز خرید در زمان ناهار.
46