مدل کامپیوتری می‌تواند پیش‌بینی کند که چگونه COVID19 در شهرها شیوع پیدا می‌کند

منتشر شده در: sciencedaily به تاریخ ۱۰ نوامبر ۲۰۲۰
لینک مطلب اصلی: Computer model can predict how COVID-19 spreads in cities

گروهی از محققان یک مدل کامپیوتری ایجاد کرده‌اند که به دقت گسترش COVID19 را در ۱۰ شهر اصلی در بهار امسال با تجزیه و تحلیل سه عامل محرک خطر عفونت پیش‌بینی کرده‌است: جایی که مردم در طول یک روز به آنجا می‌روند، چه مدت طول می‌کشند و چند نفر دیگر همزمان از یک مکان دیدن می‌کنند.

دانشمند رایانه‌ای استنفورد که تلاش را در این زمینه انجام داد، محققانی از دانشگاه نورث وسترن را درگیر کرد ، Jure Leskovec گفت "ما یک مدل کامپیوتری برای تحلیل این که چگونه افراد با سوابق جمعیتی مختلف، و از محله‌های مختلف، به انواع مختلفی از مکان‌ها که کم و بیش شلوغ هستند، مراجعه می‌کنند، ساختیم. براساس همه اینها، ما می‌توانیم احتمال بروز عفونت‌های جدید در هر مکان و زمانی را پیش‌بینی کنیم."

این مطالعه، که امروز در مجله «طبیعت» منتشر شد، اطلاعات جمعیتی، برآوردهای اپیدمیولوژیک و اطلاعات مکانی تلفن همراه ناشناس را ادغام می‌کند، و به نظر می‌رسد که تایید می‌کند که بیشتر پیام‌های ارسالی COVID19 در سایت‌های «سوپر اسپریدر»، مانند رستوران‌های پر خدمات، مراکز تناسب اندام و کافه‌ها، که در آن مردم برای دوره‌های طولانی در محل‌های بسته می‌مانند، رخ می‌دهد. محققان می‌گویند ویژگی مدل آن‌ها می‌تواند به عنوان ابزاری برای مقامات باشد تا به حداقل رساندن انتشار COVID19 کمک کند در حالی که تجارت را با آشکار کردن تعادل بین عفونت‌های جدید و فروش از دست رفته در صورت باز بودن، مثلا با ۲۰ درصد یا ۵۰ درصد ظرفیت، بازگشایی می‌کنند.

دیوید گروسکی، یکی از نویسندگان مشترک مطالعات، استاد جامعه‌شناسی در دانشکده علوم و علوم انسانی گفت که این قابلیت پیش‌بینی به ویژه ارزشمند است زیرا بینش جدید مفیدی را در مورد عوامل پشت نرخ عفونت نامتناسب اقلیت و افراد کم‌درآمد فراهم می‌کند. او گفت: «در گذشته، فرض بر این بود که این تفاوت‌ها ناشی از شرایط از پیش موجود و دسترسی نابرابر به مراقبت‌های بهداشتی است، در حالی که مدل ما نشان می‌دهد که الگوهای حرکتی نیز به ایجاد این خطرات نامتناسب کمک می‌کند.»

گروسکی، که مرکز فقر و نابرابری استنفورد را نیز هدایت می‌کند، گفت که این مدل نشان می‌دهد که چگونه بازگشایی کسب و کارها با پوشش سکونت کم‌تر تمایل دارد به نفع گروه‌های محروم باشد. گروسکی گفت: « از آنجا که مکان‌هایی که اقلیت و افراد کم‌درآمد را استخدام می‌کنند اغلب کوچک‌تر و پرجمعیت‌تر هستند، کلاه گذاشتن بر روی مغازه‌های باز شده می‌تواند خطراتی که با آن مواجه هستند را کاهش دهد.» «ما مسئول ایجاد برنامه‌های بازگشایی هستیم که نابرابری‌هایی که شیوه‌های کنونی ایجاد می‌کنند را حذف یا حداقل کاهش می‌دهند.» Leskovec گفت که این مدل «قوی‌ترین شواهد را ارائه می‌دهد» که سیاست‌های ماندن در خانه در بهار امسال تصویب کردند تعداد سفره‌ای خارج از خانه را کاهش داد و سرعت عفونت‌های جدید را کاهش داد.

دنبال کردن ردپاها

این مطالعه مسیر حرکت ۹۸ میلیون آمریکایی را در ۱۰ تا از بزرگ‌ترین مناطق شهری کشور از طریق نیم‌میلیون سازمان مختلف، از رستوران‌ها و مراکز تناسب اندام گرفته تا فروشگاه‌های حیوانات خانگی و نمایندگی‌های جدید خودرو ردیابی کرد.

این تیم شامل دانشجویان دکتری استنفورد، Serina Chang, Pang Wei Koh و Emma Pierson بود که تابستان امسال فارغ‌التحصیل شدند، و محققان دانشگاه Northwestern، Jaline Gerardin و Beth Redbird که داده‌ها را برای ۱۰ منطقه شهری جمع‌آوری کردند. به لحاظ جمعیت، این شهرها عبارتند از: نیویورک، لس‌آنجلس، شیکاگو، دالاس، واشنگتن دی سی، هوستون، آتلانتا، میامی، فیلادلفیا و سان‌فرانسیسکو.

شرکتی که داده‌های مکانی ناشناخته را از برنامه‌های کاربردی تلفن همراه جمع‌آوری می‌کند، SafeGraph، داده‌های محققان را نشان می‌دهد، که نشان می‌دهد کدام یک از ۵۵۳۰۰۰ مکان عمومی مانند فروشگاه‌های سخت‌افزار و موسسات مذهبی که مردم هر روز از آن‌ها بازدید می‌کنند، برای چه مدت؛ و به طور قطع، چه مساحت مربعی از هر استقرار به گونه‌ای است که محققان بتوانند تراکم ساعتی را تعیین کنند.

محققان داده‌های ۸ مارس تا ۹ می را در دو مرحله جداگانه تحلیل کردند. در مرحله اول، آن‌ها داده‌های تحرک مدل خود را تغذیه کردند و سیستم خود را برای محاسبه یک متغیر اپیدمیولوژیک حیاتی طراحی کردند: نرخ انتقال ویروس تحت شرایط مختلف در ۱۰ منطقه شهری. در زندگی واقعی، غیر ممکن است که از قبل بدانیم چه موقع و کجا یک فرد عفونی و مستعد با هم در تماس هستند تا یک عفونت جدید بالقوه ایجاد کنند. اما در مدل آن‌ها، محققان یک سری از معادلات را برای محاسبه احتمال رویدادهای عفونی در مکان‌ها و زمان‌های مختلف توسعه و اصلاح کردند. این معادلات قادر به حل متغیرهای ناشناخته بودند زیرا محققان به کامپیوتر یک واقعیت مهم شناخته‌شده را دادند: تعداد عفونت‌های COVID19 هر روز به مقامات بهداشتی در هر شهر گزارش می‌شد.

محققان این مدل را تا زمانی که قادر به تعیین نرخ انتقال ویروس در هر شهر بود، اصلاح کردند. این نرخ از شهری به شهر دیگر بسته به فاکتورهایی متفاوت است، از این که مردم هر چند وقت یک‌بار از خانه خارج می‌شوند تا چه مکان‌هایی را بازدید می‌کنند.

هنگامی که محققان نرخ انتقال را برای ۱۰ منطقه شهری به دست آوردند، مدل را در طول فاز دو با درخواست از آن برای ضرب نرخ برای هر شهر در برابر پایگاه‌داده الگوهای تحرک‌شان برای پیش‌بینی عفونت‌های جدید COVID19 تست کردند. این پیش‌بینی‌ها با گزارش‌ها واقعی از سوی مقامات بهداشتی پی‌گیری شدند و به محققان اطمینان دادند که مدل قابل‌اطمینان است.

پیش‌بینی عفونت

با ترکیب مدل خود با داده‌های جمعیتی موجود از یک پایگاه‌داده از ۵۷۰۰۰ گروه بلوک سرشماری-- ۶۰۰ تا ۳۰۰۰ نفر-- محققان نشان می‌دهند که چگونه افراد اقلیت و کم‌درآمد خانه را بیشتر ترک می‌کنند زیرا شغل آن‌ها به آن نیاز دارد، و در موسسات کوچک‌تر، پر ازدحام تر از افرادی با درآمد بالاتر، که می‌توانند از خانه کار کنند، از تحویل خانه برای جلوگیری از خرید و حمایت از کسب و کارهای رومیه در هنگام خروج استفاده می‌کنند. به عنوان مثال، این مطالعه نشان داد که خرید مواد غذایی برای جمعیت غیرسفیدپوست در مقایسه با سفیدپوستان تقریبا دو برابر خطرناک‌تر است. چانگ گفت: «با ادغام تحرک، داده‌های جمعیتی و اپیدمیولوژیک، ما توانستیم از مدل خود برای تحلیل اثربخشی و برابری سیاست‌های مختلف بازگشایی استفاده کنیم.»

این تیم ابزارها و داده‌های خود را در دسترس عموم قرار داده‌است تا محققان دیگر بتوانند یافته‌های خود را تکرار کرده و بسازند. Leskovec که تیمش در حال حاضر تلاش می‌کند تا این مدل را به یک ابزار کاربر پسند برای سیاست گذاران و مقامات بهداشت عمومی تبدیل کند گفت: «در اصل، هر کسی می‌تواند از این مدل برای درک پیامدهای تصمیمات مختلف سیاست توقف در خانه و بسته شدن کسب‌وکار استفاده کند.» Jure Leskovec استادیار علوم کامپیوتر در دانشگاه مهندسی استنفورد، یکی از اعضای استنفورد Bio-X و موسسه علوم عصبی Wu Tsai است. دیوید گروسکی استاد ادوارد ایمز ادموندز در دانشکده علوم انسانی و عضو ارشد موسسه تحقیقات سیاست اقتصادی استنفورد (SIEPR) است.

این تحقیق توسط بنیاد علوم ملی، موسسه علوم داده استنفورد، موسسه علوم اعصاب Wu Tsai و Chan Zuckerberg Biohub پشتیبانی شد.

ترجمه این مقاله با استفاده از ربات ترجمه آنلاین مقالات کامپیوتر انجام شده و بصورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.