По мере появления и быстрого распространения новых вариантов коронавируса по всему миру как общественность, так и политики сталкиваются с затруднительным положением: поддерживать видимость нормальности, а также минимизировать количество инфекций. Хотя приложения для отслеживания цифровых контактов были многообещающими, уровень внедрения был низким, отчасти из-за проблем с конфиденциальностью.
Исследователи Университета Южной Калифорнии выступают за новый подход к прогнозированию вероятности заражения COVID-19: объединение анонимных данных о местонахождении мобильного телефона с моделями мобильности — общими моделями того, как люди перемещаются с места на место.
Чтобы получить « оценку риска » для определенных мест и времени, команда использовала большой набор данных анонимных сигналов реального местоположения от мобильных телефонов в США в 2019 и 2020 годах. Система показывает повышение точности на 50% по сравнению с текущими системами. , — заявили исследователи.
«Наши результаты показывают, что можно прогнозировать и нацеливать конкретные области с высоким риском, а не объединять все предприятия под одну крышу. Такая политика, ориентированная на риски, может быть значительно более эффективной как для борьбы с COVID-19, так и с экономической точки зрения. — сказал ведущий автор Сепанта Зейгами, доктор компьютерных наук. студент, рекомендованный профессором Сайрусом Шахаби.
«Также маловероятно, что COVID-19 станет последней пандемией в истории человечества , поэтому, если мы хотим избежать хаоса 2020 года и трагических потерь, сохранив при этом повседневную жизнь как можно более незатронутой, когда произойдет следующая пандемия, нам нужны такие данные. управляемые подходы».
Чтобы решить проблемы конфиденциальности, данные о мобильности предоставляются в агрегированном формате, что позволяет исследователям видеть закономерности, не идентифицируя отдельных пользователей. Исследователи заявили, что данные не используются для отслеживания контактов, выявления инфицированных или их маршрутов.
«Наш подход основан на анонимных совокупных данных», — сказал Шахаби, соавтор исследования и профессор инженерии Хелен Н. и Эммет Х. Джонс, а также профессор компьютерных наук, электротехники и вычислительной техники, а также пространственных наук. «Это то же самое, что и данные о трафике, где информация о человеке не раскрывается, но совокупные данные помогут вам принять решение о том, следует ли использовать определенную автостраду в определенное время».
Статья появится в ACM Transactions on Spatial Algorithms and Systems и доступна для раннего доступа.
Подходы, основанные на данных
По словам исследователей, существующие инструменты оценки риска не предоставляют достаточно подробной информации об уровне заражения в конкретных местах или делают нереалистичные предположения о смешении населения.
«Риск заражения сильно различается в зависимости от местоположения, и наличие единой политики, например, на уровне округа, игнорирует то, насколько одни районы более опасны, чем другие», — сказал Зейгами.
Итак, используя данные о мобильности в реальном мире и существующие знания о распространении COVID-19, команда создала симулятор для создания реалистичных моделей заражения. В симуляции некоторые «агенты» изначально заражены и распространяют болезнь по мере передвижения.
Затем исследователи создали модель, основанную на процессах Хоукса, которая присваивает оценки риска на основе плотности местоположения и моделей мобильности в определенное время и в заданном месте. Используя симулятор, исследователи проверили модель, чтобы определить, может ли она точно предсказать количество инфекций в разных местах. Оказалось, что оценки риска действительно являются надежным показателем для отслеживания инфекций в городах США, включая Сан-Франциско, Нью-Йорк, Чикаго и Лос-Анджелес.
