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

محققان دانشگاه ایالتی کالیفرنیای جنوبی (USC) روش جدیدی را برای پیش بینی امکان سنجی توسعه کووید-19 اعلام کردند. این رویکرد داده‌های فضایی موبایل را با الگوهای حرکتی ترکیب می‌کند که می‌تواند طیف وسیعی از راه‌های حرکت افراد را از مکانی به مکان دیگر نشان دهد.

برای ایجاد امتیازات خطر برای مکان‌ها و زمان‌های خاص، محققان از مجموعه داده‌های بزرگ، از جمله سیگنال‌های مکان منتشر شده از تلفن‌های همراه در سراسر ایالات متحده بین سال‌های 2019 تا 2020 استفاده کردند. به گفته محققان، این سیستم در مقایسه با سیستم‌های فعلی 50 درصد پیشرفت در دقت دارد.

سپنتا ضیغمی، یکی از محققان این پروژه می گوید: «نتایج ما نشان می دهد که مناطق پرخطر خاص را می توان پیش بینی و هدف قرار داد. چنین سیاستی که با هدف تعیین سطح خطر انجام می شود، می تواند تأثیر قابل توجهی بر مقررات کووید-19 و اقتصاد داشته باشد.

وی افزود: «COVID-19 ممکن است آخرین اپیدمی در تاریخ بشریت نباشد؛ بنابراین اگر بخواهیم از شروع آشفتگی سال 2020 و از دست دادن غم انگیز آن جلوگیری کنیم، در عین حال زندگی روزمره ما را تا حد ممکن تحت تأثیر قرار ندهیم. ما به چنین اطلاعات مرکزی در زمان نیاز داریم.

برای رفع نگرانی‌های مربوط به حریم خصوصی، داده‌های فعالیت در قالب‌ها جمع‌آوری می‌شوند و به محققان این امکان را می‌دهند که الگوها را بدون شناسایی کاربر ببینند. به گفته محققان، این اطلاعات برای ردیابی افراد مبتلا به این بیماری یا جایی که آنها می روند استفاده نمی شود.

سیروس شهابی، یکی از محققان این پروژه می گوید: «رویکرد ما بر اساس داده های بزرگ ناشناس است. این اطلاعات با داده های ترافیکی یکسان نیست، اما به شما کمک می کند تصمیم بگیرید از کدام بزرگراه در یک زمان خاص استفاده کنید.

روش های مبتنی بر داده

به گفته محققان، سیستم فعلی اطلاعات دقیق و کافی در مورد میزان آلودگی در یک مکان خاص ارائه نمی دهد یا فرضیات غیر واقعی در مورد چگونگی تشکیل جمعیت ارائه می کند.

ضیغمی گفت: «خطر ابتلا به این بیماری بسته به مکان بسیار متفاوت است و یک سیاست واحد وجود دارد که باید نادیده گرفته شود که برخی از مناطق خطرناک‌تر از مناطق دیگر هستند.

در نتیجه، محققان با استفاده از داده‌های حرکتی دنیای واقعی و دانش موجود در مورد پسوندهای Covid-19، شبیه‌سازی‌هایی را برای ایجاد مدل‌های واقعی عفونت ایجاد کرده‌اند. 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 امتیاز ریسک را بر اساس تراکم سایت و الگوهای حرکت در زمان ها و مکان های خاص ارائه می کرد. آنها با استفاده از شبیه سازها، این مدل را برای تعیین اینکه آیا می تواند نرخ عفونت را در مکان های مختلف به طور دقیق پیش بینی کند، آزمایش کردند. مشخص شد که امتیاز خطر یک معیار قابل اعتماد برای عفونت در شهرهای سراسر ایالات متحده از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس آنجلس است.

احتمالاً محققان، مقاصد محبوب شهر را خطرناک‌تر می‌دانند. آنها همچنین دریافتند که ترکیب روش های جابجایی جمعیت به جای مبتنی بر محبوبیت منطقه، پیش آگهی عفونت را بهبود می بخشد. به گفته محققان، این امر بر اهمیت ترکیب الگوهای حرکتی و مدل های پیش بینی برای ایجاد امتیاز ریسک تاکید می کند.

به گفته محققان، دو راه عمده برای اعمال این سیستم در دنیای واقعی وجود دارد. ساده ترین حالت اتخاذ یک تصمیم سیاستی در سطح روستا است. به عنوان مثال، به دلیل خطر بالای عفونت در سانتا مونیکا، این محله باید امروز بسته شود.

برای مکان‌های هدف اضافی، مانند یک استادیوم خاص، سیستم داده‌های فعالیت گذشته را تجزیه و تحلیل می‌کند تا خطر تغییرات عفونت در استادیوم را پس از رویداد درک کند. سپس این سیستم می تواند با استفاده از مدل های مهاجرت و داده، امتیاز ریسک را پیش بینی و تعیین کند.

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

شهابی گفت: وضوح بالای داده های مهاجرت و همچنین رویکرد مقیاس پذیر ما به ما این امکان را می دهد که امتیازات ریسک را با دقت مکانی و گذرا بیشتری تخمین بزنیم. به عنوان مثال، یک رستوران خاص در هنگام شام یا یک مرکز خرید در ظهر.

46