Стэнфордская модель картографирует распространение COVID-19 в городах, направляя политические решения

По мере роста случаев COVID-19 по всей стране, городским чиновникам дан сложный баланс между предотвращением распространения инфекций и поддержкой бизнеса. Компьютерная модель из Стэнфордского университета демонстрирует паттерны подвижности и контактов так, как ее создатели надеются, что это поможет руководить принятием решений лидерами сообществ.

Команда Стэнфорда говорит, что специфичность их модели может служить ценным инструментом для чиновников, так как симуляция раскрывает компромиссы между новыми инфекциями и потерянными продажами, если заведения открываются на ограниченных мощностях.

Главный вывод: Согласно модели (и вышеуказанному видео от Стэнфордского университета), ограничение заполняемости на 50 процентов от максимума приведет к потере экономикой только 5-10 процентов посещений, в то время как снижение общего числа инфекций более чем на 50 процентов.

Используя анонимизированные большие данные от мобильных телефонов, команда Стэнфорда проанализировала паттерны движения в 10 крупнейших метрополитенских районах США, включая Атланту, Даллас и Нью-Йорк — группу, общей численностью более 98 миллионов человек.

Компьютерная модель точно предсказала распространение COVID-19 в десяти крупных городах этой весной, анализируя три фактора, определяющие риск инфекции: куда люди идут в течение дня, как долго они задерживаются; и насколько переполненными становятся места в одно время.

«Небольшой процент инфекций в точках интереса, оказывается, отвечает за большой процент инфекций».

Исследование, опубликованное этим месяцем в журнале Nature , использовало комбинацию демографических данных, эпидемиологических оценок и анонимной информации о местоположении мобильных телефонов, чтобы предсказать, что большинство передач COVID-19 вне дома происходят в «суперраспространителях», где люди остаются в тесных кварталах длительные периоды.

«Мы построили компьютерную модель для анализа того, как люди разных демографических профилей и из разных районов посещают разные типы мест, которые более или менее переполнены. Основываясь на всем этом, мы могли предсказать вероятность новых инфекций в любом данном месте или времени», — сказал Жур Лесковец , стэнфордский компьютерный ученый и ведущий исследователь.

Лесковец и его команда заключили, что ограничения плотности, или ограничение заполняемости заведений, снижают инфекции в целом, а также разницы между сообществами, затронутыми COVID-19. Модель предполагает, что паттерны подвижности движут непропорциональными рисками.

«Оказывается, что низко доходные группы более склонны часто посещать места, в которых плотность высока», — сказал соавтор исследования Дэвид Груски, профессор социологии в Школе гуманитарных наук Стэнфорда (в вышеуказанном видео). «Например, продуктовые магазины в низкодоходных районах tend to быть выше по плотности и tend to быть более переполненными».

Как Стэнфорд собрал данные

SafeGraph, компания, агрегирующая анонимизированные данные о местоположении из мобильных приложений, показала Стэнфордским моделировщикам, куда люди шли; как долго; и, что самое важное, какая площадь каждого заведения была, чтобы исследователи могли определить часовую плотность заполняемости.

Города в Стэнфордском исследовании включали Нью-Йорк, Лос-Анджелес, Чикаго, Даллас, Вашингтон, Д.C., Хьюстон, Атланту, Майами, Филадельфию и Сан-Франциско.

В фазе один исследования, с 8 марта по май этого года, данные подвижности использовались для предсказания скорости передачи коронавируса. В их модели, после включения числа COVID-19 инфекций, сообщенных в органы здравоохранения каждый день, исследователи разработали и уточнили серию уравнений для вычисления вероятности инфекционных событий в разных местах и временах.

Предсказания близко отслеживали фактические отчеты от органов здравоохранения, давая исследователям уверенность в надежности модели.

Команда, включавшая PhD студента Эмму Пиерсон, сделала свои инструменты и данные публично доступными, чтобы другие исследователи могли реплицировать и строить на находках.

В коротком Q&A ниже, Пиерсон рассказывает Tech Briefs почему модель предполагает, что стратегия повторного открытия не должна быть «всё-или-ничего».

Tech Briefs: С самой моделью, какой вид данных собирается, позволяющий ценную «специфичность», особенно по сравнению с существующими методами моделирования?

Эмма Пиерсон: Мы используем анонимизированные, агрегированные данные от SafeGraph, компании, отслеживающей паттерны движения людей с использованием данных мобильных телефонов. Наши данные записывают, сколько людей идут в точки интереса (POI), как рестораны и продуктовые магазины, каждый час, и также записывают районы, из которых они приходят.

Наш анализ основан на данных из десяти крупных метрополитенских районов США с марта по май 2020 года (первая волна инфекций). Эта мелкозернистая данные подвижности позволяет нам моделировать, кто инфицирован, где они инфицированы и когда они инфицированы.

Tech Briefs: Каков был самый важный вывод, как вы думаете, сделанный из вашей модели?

Эмма Пиерсон: Есть несколько выводов, вытекающих из нашего анализа, но два из самых важных:

• Повторное открытие не должно быть «всё-или-ничего»: стратегии вроде снижения максимальной заполняемости могут позволить нам открываться более эффективно, обеспечивая большое снижение инфекций за относительно небольшое снижение посещений.
• Наша модель также предполагает, что расовые и социально-экономические разрывы движутся частично подвижностью: они не неизбежны, но могут влияться краткосрочными политическими решениями. Поэтому, оценивая стратегии повторного открытия, важно не только учитывать влияние на население в целом, но и влияние на неблагополучные группы. Это поддерживает шаги, предпринятые Калифорнией и переходной командой Байден-Харрис для конкретного рассмотрения влияния политик повторного открытия на неблагополучные популяции.

Tech Briefs: Как чиновники могут использовать вашу модель наиболее эффективно?

Эмма Пиерсон: Два вышеуказанных вывода напрямую относятся к политике и помогают нам развивать более эффективные и справедливые стратегии повторного открытия. Мы также строим онлайн-инструмент, который может позволить политикам и членам публики взаимодействовать с и учиться из нашей модели. Наконец, мы работаем над расширением анализа на более обновленных данных, так как оригинальный анализ основан на данных весны, и многое изменилось с тех пор.

Что вы думаете? Делитесь вопросами и комментариями ниже.