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 داده های فضایی موبایل را با الگوهای تحرک ترکیب می کند که می تواند الگوهای گسترده ای از نحوه حرکت افراد از مکانی به مکان دیگر را 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 طی سالهای ۲۰۱۹ و ۲۰۲۰ استفاده کردند. به گفته محققان، این سیستم در مقایسه با سیستمهای فعلی ۵۰ درصد بهبود در دقت را نشان میدهد.
سپنتا ضیغمی، یکی از محققان این پروژه گفت: «نتایج ما نشان میدهد که مناطق پرخطر خاص قابل پیشبینی و هدفگیری هستند.» چنین سیاستهایی با هدف تعیین سطح ریسک، میتواند تأثیر قابلتوجهی بر کنترل کووید-۱۹ و اقتصاد داشته باشد.
او گفت: «کووید-۱۹ بعید است آخرین اپیدمی در تاریخ بشر باشد. بنابراین اگر بخواهیم از تکرار هرج و مرج سال ۲۰۲۰ و خسارات غم انگیز آن جلوگیری کنیم و در عین حال زندگی روزمره خود را تا حد امکان مختل نکنیم، در زمان اپیدمی بعدی به چنین داده های کلیدی نیاز داریم.
برای رسیدگی به نگرانیهای مربوط به حریم خصوصی، دادههای تحرک در قالبی جمعآوری میشوند که به محققان اجازه میدهد الگوها 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 محققان این پروژه گفت: «روش ما بر دادههای 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 خاص استفاده کنید یا خیر.
روش های مبتنی بر داده
به گفته محققان، سیستمهای کنونی اطلاعات دقیق کافی در مورد میزان آلودگی در مکانهای خاص ارائه نمیکنند یا فرضیات غیر واقعی در مورد چگونگی تشکیل جمعیت ارائه نمیکنند.
ضیغمی گفت: “خطر ابتلا به این بیماری بسته به مکان بسیار متفاوت است و یک سیاست این واقعیت را نادیده می گیرد که برخی از مناطق خطرناک تر از مناطق دیگر هستند.”
بنابراین، محققان با استفاده از دادههای تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-۱۹، شبیهسازی را برای تولید الگوهای عفونت واقعی ایجاد کردند. در این شبیه سازی، تعدادی از عوامل در ابتدا بیماری را با پیشرفت آنها آلوده و منتشر می کنند.
سپس محققان مدلی را توسعه دادند که امتیازهای مبتنی بر ریسک را بر اساس تراکم سایت و الگوهای 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 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 مقاصد محبوب شهر خطرناک تر هستند. آنها همچنین دریافتند که به جای تکیه بر محبوبیت منطقه، با جابجایی افراد به بهبود پیش آگهی عفونت کمک می کند. به گفته محققان، این امر بر اهمیت ترکیب الگوهای تحرک و مدلهای پیشبینی برای ایجاد امتیاز ریسک تأکید میکند.
به گفته محققان، دو راه اصلی برای استفاده از این سیستم در زندگی واقعی وجود دارد. ساده ترین سناریو اتخاذ تصمیمات سیاسی در سطح محله است. به عنوان مثال، با توجه به خطر بالای عفونت در سانتا مونیکا، این محله باید امروز بسته شود.
برای مکانهای هدفمندتر، مانند یک استادیوم جداگانه، این سیستم دادههای حرکتی از 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 جابجایی و داده ها، امتیاز ریسک را پیش بینی و تعیین کند.
محققان قصد دارند امتیازات ویژه کاربر و همچنین حریم خصوصی آینده را توسعه دهند که امکان پیش بینی های بلند مدت برای هفته های آینده را فراهم می کند.
شهابی گفت: وضوح بسیار بالای داده های تحرک همراه با روش 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 خاص در زمان شام یا یک مرکز خرید در زمان ناهار.
۴۶