研究人员开发高度精确建模工具来预测局部COVID-19风险

随着新冠状病毒变体的出现和迅速扩散到全球,公众和政策制定者们面临着进退两难的境地:维持表面的平静,同时尽量减少感染。而数字接触者追踪应用程序提供了保证,采用率较低,部分原因是隐私问题。

南加州大学,研究人员正在倡导一种新的方法来预测的可能性感染从COVID-19:结合匿名手机位置数据移动模式广泛的模式,人们从一个地方移动到另一个地方。

生产”风险评分”具体的地点和时间,匿名的团队使用一个大型数据集,实际位置信号手机在美国在2019年和2020年。系统显示当前系统相比,精度提高了50%,研究人员说。

“我们的研究结果表明,可以预测和目标高风险的特定区域,而不是把所有的企业在一个雨伞下。这种risk-targeted政策会更有效,控制COVID-19和经济上,”作者说Sepanta Zeighami,计算机科学博士生建议塞勒斯Shahabi教授。

,COVID-19”也不太可能是最后一次大流行人类历史上,如果我们希望避免2020年的混乱和悲剧的损失,同时保持日常生活尽可能不受影响当下一次大流行发生的时候,我们需要这样的数据驱动的方法。”

为了解决隐私问题,移动数据的聚合格式,允许研究人员看到模式没有识别个人用户。数据没有被用于接触者追踪,确定感染的个体,或他们要去的地方,研究人员说。

“我们的方法依赖于匿名聚合数据,”Shahabi说,这项研究的合作者和海伦n和艾美特h·琼斯教授工程和计算机科学教授,电子与计算机工程、和空间科学。“这是一样的交通数据,不透露个人信息,但聚合数据将帮助您做出决定是否使用某一高速公路在特定的时间。”

本文将出现在ACM交易空间算法和系统并为早期访问是可用的。

数据驱动的方法

据研究人员介绍,现有的风险评分工具不提供足够的详细信息感染率在特定的地方,或者他们做不切实际的假设关于种群混合。

感染的风险变化很多基于位置,和有一个政策,例如,在一个县,忽略了某些领域的风险高于他人,如何“Zeighami说。

所以,使用真实的流动数据和现有知识的传播COVID-19,团队创建了一个模拟器生成现实的感染模式。在仿真,一些“代理”最初是感染和传播疾病,因为他们移动。

然后,研究人员创建了一个霍克斯基于过程的模型,风险分配分数基于密度和位置移动模式在给定的时间和地点。使用模拟器,研究人员测试了模型,以确定是否准确预测感染的数量在不同的位置。结果,风险分数确实是一个可靠的指标跟踪感染在美国各地的城市,包括旧金山、纽约、芝加哥和洛杉矶。

研究人员发现,可以预见的是,受欢迎的目的地城市的风险。但他们也发现合并感染mobility-how人是反对仅仅依靠区域帮助改善感染的流行预测。研究人员说,这凸显了汇集移动模式的重要性和感染传播预测模型产生的风险分数。

方法有两个关键的系统可以用在现实世界中,研究人员说。越简单的案例是让社区决策:例如,酒吧在圣塔莫尼卡,CA,今天应该关闭由于高风险的社区。

”,而不是做这些决定县级,公共健康专家可以在城市做出这些决定,社区或邮政编码的水平。”Cyrus Shahabi.

等更具针对性的地点,一个特定的音乐会体育场活动,系统将紧缩的流动数据类似的音乐会在过去学习后的感染风险区域的变化这种类型的事件。然后,使用研究者的模型和当前的流动性数据在洛杉矶,系统可以预测和风险分配分数。

展望未来,该小组计划开发特定于用户,但仍然保护隐私风险评分,包括长期预测能力在未来几个星期。

“高分辨率移动数据以及我们可伸缩的方法,将使我们能够评估风险得分非常精密的空间和时间分辨率,例如,一个特定的餐厅吃饭,或购物中心在午餐时间,”Shahabi说。

“作为一个个体,你可能想要避免被视为高风险地区,和决策者可以警告公众,以避免一个区域已知感染的潜在热点。分数还可以用于关闭或降低产能的决定。而不是做这些决定县级,公共健康专家可以在城市做出这些决定,社区或邮政编码的水平。”