Model komputer baru dapat memprediksi bagaimana COVID-19 menyebar di kota-kota

Sebuah studi tentang bagaimana 98 juta orang Amerika melakukan perjalanan setiap hari menunjukkan bahwa sebagian besar infeksi terjadi di situs “luas”, dan menunjukkan secara rinci bagaimana pola mobilitas membantu meningkatkan tingkat infeksi di antara minoritas dan orang miskin.

Sebuah tim peneliti menciptakan model komputer yang memprediksi penyebaran secara akurat COVID-19 musim semi ini di 10 kota besar, menganalisis tiga faktor yang menentukan risiko infeksi: ke mana orang pergi pada siang hari, berapa lama mereka tinggal dan berapa banyak orang yang mengunjungi tempat yang sama pada waktu yang sama.

“Kami membuat model komputer untuk menganalisis bagaimana orang dengan demografi berbeda dan dari daerah berbeda mengunjungi berbagai jenis tempat yang lebih atau kurang ramai. Berdasarkan semua ini, kami dapat memprediksi kemungkinan infeksi baru terjadi di mana saja atau kapan saja, “kata Jure Leskawiec, ilmuwan komputer Stanford yang memimpin acara tersebut, yang melibatkan para peneliti dari Universitas Northwestern.

COVID Kompromi antara infeksi dan aktivitas

Model komputer baru memprediksi Chicago pertukaran antara infeksi dan aktivitas COVID-19. Menurut angka ini, infeksi COVID-19 akan meningkat seiring kunjungan ke tempat bisnis dan tempat umum mendekati level pandemi. Namun, membatasi hunian maksimum dapat menciptakan keseimbangan yang efektif: misalnya, batas hunian 20 persen masih memungkinkan 60 persen kunjungan pandemi, dengan risiko hanya 18 persen infeksi yang akan terjadi saat tempat umum terbuka penuh. Penulis: Serena Yongcheng Chang

Studi yang dipublikasikan pada 10 November 2020 di Journal Alam, menggabungkan demografi, perkiraan epidemiologi, dan informasi lokasi ponsel anonim, dan tampaknya mengkonfirmasi bahwa sebagian besar siaran COVID-19 terjadi di situs “luas” seperti restoran layanan lengkap, pusat kebugaran dan kafe tempat orang-orang berada di lingkungan sekitar untuk waktu yang lama. Para peneliti berpendapat bahwa fitur model mereka dapat berfungsi sebagai alat bagi para pejabat untuk meminimalkan penyebaran COVID-19 saat mereka membuka kembali bisnis, mengungkapkan pertukaran antara infeksi baru dan hilangnya penjualan ketika perusahaan dibuka pada, katakanlah, kapasitas 20 persen atau 50 persen.

Rekan penulis studi, David Gruski, seorang profesor sosiologi di Stanford School of Humanities and Research, mengatakan kemampuan prediksi ini sangat berharga karena memberikan wawasan baru yang berguna tentang faktor-faktor yang terkait dengan infeksi yang tidak proporsional terhadap minoritas dan orang berpenghasilan rendah. “Di masa lalu, diasumsikan bahwa perbedaan ini disebabkan oleh kondisi yang ada dan akses yang tidak setara ke perawatan kesehatan, sementara model kami menunjukkan bahwa model mobilitas juga membantu mengelola risiko yang tidak proporsional ini,” katanya.

Gruski, yang juga menjalankan Stanford Center for Poverty and Inequality, mengatakan model tersebut menunjukkan bagaimana membangun kembali bisnis dengan beban kerja yang lebih sedikit cenderung memberikan manfaat terbesar bagi kelompok yang kurang beruntung. “Karena tempat-tempat di mana minoritas dan orang berpenghasilan rendah bekerja seringkali lebih kecil dan penuh sesak, terbatasnya pekerjaan di toko terbuka dapat mengurangi risiko yang mereka hadapi,” kata Grusky. “Kami memiliki tanggung jawab untuk membuat rencana pemulihan yang menghilangkan – atau setidaknya mengurangi ketidakseimbangan yang diciptakan oleh praktik modern.”

Leskavets mengatakan model tersebut “menawarkan bukti terkuat hingga saat ini” bahwa kebijakan “tinggal di rumah” musim semi telah mengurangi jumlah perjalanan ke luar rumah dan memperlambat laju infeksi baru.

Di jejaknya

Studi ini melacak pergerakan 98 juta orang Amerika di 10 wilayah metropolitan terbesar di negara itu melalui setengah juta tempat usaha yang berbeda – dari restoran dan pusat kebugaran hingga toko hewan peliharaan dan dealer mobil.

Tim tersebut termasuk mahasiswa pascasarjana Stanford, Serena Chang, Pang Wei Ko dan Emma Pearson, yang lulus musim panas ini, dan peneliti Northwestern University Jalin Gerardin dan Beth Redbird, yang mengumpulkan data penelitian dari 10 wilayah metropolitan. Dalam urutan populasi, kota-kota ini meliputi: New York, Los Angeles, Chicago, Dallas, Washington, DC, Houston, Atlanta, Miami, Philadelphia, dan San Francisco.

SafeGraph, sebuah perusahaan yang menggabungkan data lokasi anonim dari aplikasi seluler, memberi peneliti data yang menunjukkan mana dari 553.000 tempat umum, seperti toko perangkat keras dan lembaga keagamaan, yang dikunjungi orang setiap hari; berapa lama; dan, yang paling penting, meter persegi dari setiap institusi sedemikian rupa sehingga peneliti dapat menentukan kepadatan pekerjaan per jam.

Para peneliti menganalisis data dari 8 hingga 9 Mei dalam dua tahap terpisah. Pada tahap pertama, mereka memberikan data model tentang mobilitas dan mengembangkan sistem mereka sendiri untuk menghitung variabel epidemiologi yang paling penting: tingkat penularan virus dalam keadaan yang berbeda di 10 wilayah metropolitan. Dalam kehidupan nyata, tidak mungkin untuk mengetahui sebelumnya kapan dan di mana orang yang mudah terinfeksi dan rentan melakukan kontak untuk menciptakan potensi infeksi baru. Tetapi dalam model mereka, para peneliti mengembangkan dan menyempurnakan sejumlah persamaan untuk menghitung kemungkinan kejadian menular di tempat dan waktu yang berbeda. Persamaan tersebut dapat memecahkan variabel yang tidak diketahui karena para peneliti memberi makan komputer satu fakta penting dan terkenal: berapa banyak infeksi COVID-19 yang dilaporkan kepada pejabat di setiap kota setiap hari.

Para peneliti menyempurnakan model tersebut hingga dapat menentukan tingkat penularan virus di setiap kota. Biayanya bervariasi tergantung pada kota, tergantung pada faktor, dari seberapa sering orang meninggalkan rumah dan jenis tempat yang mereka kunjungi.

Setelah para peneliti memperoleh tingkat penularan untuk 10 wilayah metropolitan, mereka menguji model tersebut pada tahap kedua, meminta untuk meningkatkan tingkat penularan untuk setiap kota dibandingkan dengan database model mobilitas untuk memprediksi infeksi COVID-19 baru. Prediksi tersebut dipantau secara ketat dengan laporan aktual dari pejabat kesehatan, yang membuat peneliti yakin akan keandalan model tersebut.

Memprediksi infeksi

Menggabungkan model mereka dengan data demografis yang tersedia dari database 57.000 kelompok sensus – area yang terdiri dari 600 hingga 3.000 orang – para peneliti menunjukkan bagaimana orang dengan minoritas dan orang berpenghasilan rendah lebih sering meninggalkan rumah karena pekerjaan mereka membutuhkannya, dan berbelanja di tingkat yang lebih kecil. tempat yang ramai dibandingkan orang dengan pendapatan lebih tinggi yang dapat bekerja dari rumah menggunakan pengiriman ke rumah untuk menghindari berbelanja dan mendorong bisnis yang lebih luas saat mereka pergi ke luar. Misalnya, sebuah penelitian menemukan bahwa dua kali lebih berisiko bagi penduduk non-kulit putih untuk membeli makanan dibandingkan dengan orang kulit putih. “Dengan menggabungkan kumpulan data pada data mobilitas, demografi dan epidemiologi, kami dapat menggunakan model kami untuk menganalisis keefektifan dan keadilan berbagai kebijakan pemulihan,” kata Chang.

Tim membuat alat dan datanya tersedia untuk umum sehingga peneliti lain dapat mereplikasi dan memanfaatkan hasilnya.

“Pada dasarnya, setiap orang dapat menggunakan model ini untuk memahami implikasi dari berbagai keputusan kebijakan untuk ‘tinggal di rumah’ dan ‘menutup bisnis’,” kata Leskovets, yang timnya sekarang sedang bekerja untuk mengembangkan model tersebut sebagai alat yang nyaman bagi pembuat kebijakan dan pejabat kesehatan.

Referensi: “Model Mobilitas Jaringan COVID-19 Menjelaskan Ketimpangan dan Informasi Pemulihan” Serena Chang, Emma Pearson, Pang Wei Co., Jalin Gerardin, Beth Redbird, David Grusky dan Jure Leskovets, 10 November 2020, Alam.
DOI: 10.1038 / s41586-020-2923-3

Jure Leskawiec adalah profesor ilmu komputer di Stanford Engineering, anggota Stanford Bio-X dan Institute of Neurology di Tsai. David Gruski adalah profesor di Edward Ames Edmonds School of the Humanities dan rekan senior di Stanford Institute for Economic Policy Research (SIEPR).

Studi ini didukung oleh National Science Foundation, Stanford Data Science Initiative, Wu Tsai Institute of Neurology, dan Chan Zuckerberg’s Biohob.

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Skrining sinar-X mengidentifikasi obat yang menjanjikan untuk pengobatan COVID-19

Sebuah tim peneliti, termasuk ilmuwan MPSD, telah mengidentifikasi beberapa kandidat untuk melawan obat tersebut SARS-CoV-2 coronavirus menggunakan sumber cahaya sinar-X PETRA III di German...

Teori konspirasi memengaruhi perilaku kita – bahkan jika kita tidak mempercayainya!

Paling tidak karena COVID-19 pandemi, teori konspirasi lebih relevan dari sebelumnya. Mereka diberitakan dan didiskusikan di hampir semua media dan komunikasi. Tapi...

Eksplorasi pertama arus laut di bawah “Doomsday Glacier” memicu kekhawatiran

Untuk pertama kalinya, para peneliti dapat memperoleh data di bawah Gletser Thwaites, yang juga dikenal sebagai "Gletser Hari Kiamat". Mereka menemukan bahwa pasokan...

“Doodle Ringan” Nyata dalam Waktu Nyata

Para peneliti di Tokyo Metropolitan University telah merancang dan menerapkan algoritme yang disederhanakan untuk mengubah garis yang digambar secara bebas menjadi hologram pada CPU...

Teleskop Webb NASA menyertakan tabir surya seukuran lapangan tenis untuk perjalanan jutaan kilometer

Kedua wajah tabir surya James Webb Space Telescope dinaikkan secara vertikal untuk mempersiapkan pelipatan lapisan tabir surya. Kredit: NASA / Chris Gunn Insinyur bekerja...

Newsletter

Subscribe to stay updated.