علمی و پزشکی

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

محققان دانشگاه کالیفرنیای جنوبی (USC) از روش جدیدی برای پیش بینی احتمال ابتلا به کووید-19 رونمایی کردند. این روش داده‌های فضای تلفن همراه را با الگوهای تحرک ترکیب می‌کند، که می‌تواند طیف وسیعی از نمونه‌ها را از نحوه حرکت افراد از یک مکان به مکان دیگر نشان دهد.

برای ایجاد نقاط تهدید برای مکان ها و زمان های خاص، محققان از مجموعه داده های بزرگ، از جمله سیگنال های مکان از تلفن های همراه در ایالات متحده، در سال های 2019 و 2020 استفاده کردند. به گفته محققان، این سیستم 50 درصد دقیق تر از سیستم های موجود است.

سپنتا ضیغمی، محقق پروژه گفت: نتایج ما نشان می دهد که مناطق پرخطر خاص را می توان پیش بینی و هدف قرار داد. چنین سیاست‌های تعدیل‌شده با ریسک می‌تواند تأثیر قابل‌توجهی بر کنترل کووید-19 و اقتصاد داشته باشد.

وی افزود: بعید است که کووید-19 آخرین اپیدمی در تاریخ بشریت 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 ندهیم، به چنین مواردی نیاز داریم. اطلاعات مرکزی در طول اپیدمی بعدی. var.

برای رسیدگی به مسائل مربوط به حریم خصوصی، داده‌های تحرک در یک الگو جمع‌آوری می‌شود و به محققان اجازه می‌دهد نمونه‌ها را بدون شناسایی کاربران مشاهده کنند. به گفته محققان، این اطلاعات برای ردیابی افراد آلوده یا جایی که آنها می روند استفاده نمی شود.

سیروس شهابی، یکی از محققان این پروژه می گوید: «روش ما مبتنی بر رسانه های ناشناس است. این اطلاعات با داده های ترافیکی یکسان نیست، اما به شما کمک می کند تصمیم بگیرید که آیا از یک بزرگراه خاص در یک زمان خاص استفاده کنید یا نه.

روش های مبتنی بر اطلاعات

به گفته محققان، سیستم های موجود اطلاعات دقیق و کافی در مورد میزان آلودگی در مناطق خاص ارائه نمی دهند یا فرضیات غیر واقعی در مورد نحوه سازماندهی جمعیت ایجاد نمی کنند.

ضیغمی گفت: «خطر ابتلا از مکانی به مکان دیگر بسیار متفاوت است و داشتن یک سیاست یکپارچه این واقعیت را نادیده می گیرد که برخی از مناطق خطرناک تر از مناطق دیگر هستند.

بنابراین، محققان یک شبیه‌سازی برای ایجاد الگوهای عفونت واقعی با استفاده از داده‌های تحرک در دنیای واقعی و دانش موجود در مورد گسترش Covid-19 ایجاد کردند. در این شبیه سازی، برخی از عوامل در ابتدا عفونی می شوند و در حین حرکت بیماری را گسترش می دهند.

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

محققان دریافته‌اند که مقاصد محبوب در یک شهر، همانطور که پیش‌بینی شده بود، خطرناک‌تر هستند. آنها همچنین دریافتند که ترکیب نحوه عمل افراد به جای تکیه بر محبوبیت یک منطقه به بهبود پیش آگهی عفونت کمک می کند. به گفته محققان، این امر بر اهمیت ترکیب الگوهای تحرک و مدل‌های پیش‌بینی برای ایجاد نقاط خطر تأکید می‌کند.

به گفته محققان، دو راه اصلی برای استفاده از این سیستم در دنیای واقعی وجود دارد. ساده ترین حالت اتخاذ تصمیمات سیاسی در سطح محله است. به عنوان مثال، در سانتا مونیکا، به دلیل خطر بالای عفونت، امروز باید این محله بسته شود.

برای مکان‌های هدفمندتر، مانند یک استادیوم خاص، سیستم داده‌های ترافیک گذشته را تجزیه و تحلیل می‌کند تا بفهمد که خطر ابتلا به عفونت در استادیوم از زمان حادثه چگونه تغییر کرده است. سپس سیستم می تواند نقاط خطر را با استفاده از مدل جابجایی و داده ها پیش بینی و تعیین کند.

علاوه بر حفظ حریم خصوصی، که به محققان امکان پیش بینی های بلندمدت برای چند هفته آینده را می دهد، محققان قصد دارند امتیازات ویژه ای برای کاربر ایجاد کنند.

شهابی گفت: وضوح بسیار بالای داده های تحرک ما و همچنین روش مقیاس پذیر ما به ما کمک می کند نقاط خطر را با دقت مکانی و زمانی بسیار دقیق محاسبه کنیم. به عنوان مثال، یک رستوران خصوصی در وقت ناهار یا یک مرکز خرید در زمان ناهار.

46