Стэнфордская компьютерная модель предсказывает, как COVID-19 распространяется в городах

Поскольку число случаев COVID-19 растет по всей стране, городским властям приходится непросто балансировать между предотвращением распространения инфекций и поддержкой бизнеса. Компьютерная модель из Стэнфордского университета демонстрирует модели мобильности и контактов, которые, как надеются ее создатели, помогут руководителям сообществ направлять процесс принятия решений.

Команда из Стэнфорда говорит, что специфика их модели может послужить ценным инструментом для чиновников, поскольку симуляция выявляет компромиссы между новыми случаями заражения и потерянными продажами, если заведения открываются с ограниченной пропускной способностью.

Главный вывод:согласно модели (и вышеприведенному видео из Стэнфордского университета), ограничение заполняемости на уровне 50 процентов от максимального приведет к тому, что экономика потеряет всего от 5 до 10 процентов посещений, при этом общее число заражений уменьшится более чем на 50. процентов.

Используя анонимные крупномасштабные данные с мобильных телефонов, команда из Стэнфорда проанализировала схемы передвижения в 10 крупнейших мегаполисах США, включая Атланту, Даллас и Нью-Йорк, в которых проживает более 98 миллионов человек.

Компьютерная модель точно предсказала распространение COVID-19 в десяти крупных городах этой весной, проанализировав три фактора, повышающих риск заражения:куда люди ходят в течение дня, как долго они задерживаются; и насколько переполнены места одновременно.

Небольшой процент заражений в точках интереса", оказывается, составляет большой процент заражений.

Исследование, опубликованное в этом месяце в журнале Nature , использовали комбинацию демографических данных, эпидемиологических оценок и анонимной информации о местоположении мобильного телефона, чтобы предсказать, что большая часть случаев передачи COVID-19 вне дома происходит в местах «суперраспространителей», где люди остаются в тесном контакте в течение длительного времени.

«Мы создали компьютерную модель, чтобы проанализировать, как люди из разных демографических групп и из разных районов посещают разные типы мест, которые более или менее многолюдны. Основываясь на всем этом, мы могли предсказать вероятность появления новых инфекций в любом месте и в любое время», — сказал Юре Лесковец , ученый-компьютерщик из Стэнфорда и ведущий исследователь.

Лесковец и его команда пришли к выводу, что ограничение плотности или ограничение заполняемости заведений снижает общее количество инфекций, а также неравенство между сообществами, пострадавшими от COVID-19. Модель предполагает, что модели мобильности приводят к непропорциональным рискам.

«Оказывается, группы с низким доходом чаще посещают места с высокой плотностью населения», — сказал соавтор исследования Дэвид Груски, профессор социологии Стэнфордской школы гуманитарных наук и наук (в приведенном выше видео). "Например, продуктовые магазины в районах с низким доходом, как правило, имеют более высокую плотность и, как правило, больше людей".

Больше компьютерных моделей в технических бюллетенях

Смотрите на канале Tech Briefs TV: Компьютерная модель Массачусетского технологического института позволяет создавать самые сложные трехмерные формы ДНК из когда-либо созданных.

Блог Билли: Инновационная модель позволяет лучше заглянуть внутрь перезаряжаемых батарей.

В журнале: Модуль диагностики НАСА на основе моделей

Граски, который также руководит Стэнфордским центром по проблемам бедности и неравенства, сказал, что эта модель демонстрирует, как повторное открытие предприятий с более низким пределом занятости, как правило, приносит наибольшую пользу группам населения, находящимся в неблагоприятном положении.

«Поскольку места, в которых работают представители меньшинств и люди с низким доходом, часто меньше по размеру и более многолюдны, ограничения на вместимость вновь открытых магазинов могут снизить риски, с которыми они сталкиваются», — сказал Груски. «Мы обязаны разработать планы повторного открытия, которые устранят или, по крайней мере, сократят несоответствия, которые создают существующие методы».

Как Стэнфорд собирал данные

SafeGraph, компания, собирающая анонимные данные о местоположении из мобильных приложений, показала стэнфордским моделистам, куда ходили люди; На сколько долго; и, самое главное, какова площадь каждого заведения, чтобы исследователи могли определить почасовую плотность заполняемости.

В исследование Стэнфордского университета вошли Нью-Йорк, Лос-Анджелес, Чикаго, Даллас, Вашингтон, округ Колумбия, Хьюстон, Атланта, Майами, Филадельфия и Сан-Франциско.

На первом этапе исследования, с 8 марта по май этого года, данные о мобильности использовались для прогнозирования скорости передачи коронавируса. В свою модель, после включения количества случаев заражения COVID-19, ежедневно сообщаемых представителям здравоохранения, исследователи разработали и уточнили серию уравнений для расчета вероятности инфекционных событий в разных местах и ​​в разное время.

Прогнозы тесно связаны с фактическими отчетами органов здравоохранения, что дает исследователям уверенность в надежности модели.

Команда, в которую входила аспирантка Эмма Пирсон, сделала свои инструменты и данные общедоступными, чтобы другие исследователи могли воспроизвести полученные результаты и развить их.

В коротких вопросах и ответах ниже Пирсон рассказывает Технические бюллетени почему модель предполагает, что стратегия повторного открытия не обязательно должна быть «все или ничего».

Технические обзоры :Что касается самой модели, какие данные собираются, что обеспечивает некую ценную «специфичность», особенно по сравнению с существующими методами моделирования?

Эмма Пирсон: Мы используем анонимные агрегированные данные от SafeGraph, компании, которая отслеживает модели движения человека с помощью данных мобильного телефона. Наши данные фиксируют, сколько людей посещают достопримечательности (POI), такие как рестораны и продуктовые магазины, каждый час, а также регистрируют районы, из которых они приехали.

Наш анализ основан на данных из десяти крупных городских агломераций США с марта по май 2020 года (первая волна инфекций). Эти детализированные данные о мобильности позволяют нам моделировать, кто заражен, где и когда он заражен.

Технические обзоры :Какой, по вашему мнению, был самый важный вывод из вашей модели?

Эмма Пирсон: Из нашего анализа следует ряд выводов, но два наиболее важных из них:

• Возобновление работы не обязательно должно осуществляться по принципу «все или ничего»:такие стратегии, как сокращение максимальной вместимости, могут позволить нам возобновить работу более эффективно, обеспечив значительное сокращение случаев заражения при относительно небольшом сокращении посещений.
• Наша модель также предполагает, что расовые и социально-экономические различия частично обусловлены мобильностью:они не являются неизбежными, но на них могут влиять краткосрочные политические решения. Поэтому при оценке стратегий повторного открытия важно учитывать не только воздействие на население в целом, но и воздействие на группы, находящиеся в неблагоприятном положении. Это поддерживает шаги, предпринимаемые Калифорнией и переходной группой Байдена-Харриса, чтобы конкретно рассмотреть влияние политики возобновления работы на обездоленные группы населения.

Технические обзоры :Как должностные лица могут наиболее эффективно использовать вашу модель?

Эмма Пирсон: Два приведенных выше вывода имеют непосредственное отношение к политике и помогают нам разработать более эффективные и справедливые стратегии повторного открытия. Мы также создаем онлайн-инструмент, который позволит политикам и представителям общественности взаимодействовать с нашей моделью и учиться на ее основе. Наконец, мы работаем над расширением анализа на более свежие данные, поскольку первоначальный анализ основан на данных весны, и с тех пор многое изменилось.

Что вы думаете? Поделитесь своими вопросами и комментариями ниже.