محققان دانشگاه کالیفرنیای جنوبی (USC) یک پیش بینی کننده جدید پتانسیل کووید-19 را اعلام کردند. این سیستم داده‌های تلفن همراه و سیستم‌های تلفن همراه را ادغام می‌کند که می‌تواند مسیرهای اصلی نحوه حرکت افراد را از مکانی به مکان دیگر نشان دهد.
برای مقابله با تهدیدات مکانی و گاه به گاه، محققان از داده های بزرگ، از جمله امضاهای مکان منتشر شده از تلفن های همراه در ایالات متحده در سال های 2019 و 2020 استفاده کردند. به گفته محققان، این سیستم 50 درصد تغییر در دقت را در مقایسه با سیستم های مدرن نشان می دهد.
سپنتا ضیغمی، یکی از محققان این پروژه گفت: نتایج ما نشان می دهد که مناطق پرخطر می توانند پیش بینی و مدیریت کنند. چنین داده هایی که برای تعیین سطح خطر در نظر گرفته شده است، ممکن است تأثیر قابل توجهی بر توسعه کووید-19 و از نظر مالی داشته باشد.
وی افزود: بعید است که کووید-19 آخرین بیماری همه گیر در تاریخ بشر باشد. بنابراین، اگر می‌خواهیم از تکرار آشفتگی ۲۰۲۰ و از دست دادن غم‌انگیز آن جلوگیری کنیم، در عین حال تا آنجا که می‌توانیم بر زندگی روزمره‌مان تأثیر نگذاریم، به داده‌های متوسط در طول همه‌گیری بعدی نیاز داریم.
برای رفع نگرانی‌های مربوط به حریم خصوصی، داده‌های متحرک در قالبی جمع‌آوری می‌شوند که به جستجوگران اجازه می‌دهد تا سیستم‌ها را بدون شناسایی کاربران مشاهده کنند. به گفته محققان، این برای ردیابی افراد مبتلا به ویروس یا مقصد آنها استفاده نمی شود.
سیروس شهابی، یکی از محققین این پروژه می گوید: «رویکرد ما متکی بر ناشناس ماندن زیادی است. این مانند جاده نیست، اما به شما کمک می کند تصمیم بگیرید که آیا از یک جاده خاص در یک زمان خاص استفاده کنید یا خیر.
روش های انتقال داده
به گفته محققان، سیستم های مدرن اطلاعات دقیق و کاملی در مورد شیوع بیماری در یک منطقه خاص ارائه نمی دهند یا تصورات نادرستی در مورد نحوه تشکیل جمعیت ایجاد می کنند.
ضیغمی گفت: «خطر ابتلا به بیماری در مکان‌های مختلف بسیار متفاوت است و داشتن یک برنامه، خطر خطرناک‌تر بودن برخی از مناطق را نادیده می‌گیرد.
در نتیجه، محققان مدلی را برای توسعه مسیرهای بیماری خاص، با استفاده از داده‌های دنیای واقعی و اطلاعات موجود در مورد توسعه Covid-19 ایجاد کردند. در این شبیه سازی، مواد خاصی شروع به تسخیر ویروس می کنند و با پیشرفت بیماری، آن را گسترش می دهند.
سپس محققان مدلی را توسعه دادند که داده‌های مبتنی بر ریسک را بر اساس میزان فضا و فرکانس حرکت آن در زمان و مکان ارائه می‌دهد. او با کمک یک اسکنر، تصویر را آزمایش کرد تا مشخص کند که آیا می تواند شدت بیماری را در تعدادی از مکان ها پیش بینی کند یا خیر. مشخص شده است که خطرات شایع ترین مسیر بیماری در شهرهای ایالات متحده از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس آنجلس است.
همانطور که پیش بینی شده بود، محققان متوجه شدند که مشهورترین مکان های دیدنی شهر خطرناک هستند. آنها همچنین دریافتند که ترکیب تحرک افراد به جای تکیه بر محبوبیت جامعه به بهبود کنترل بیماری کمک می کند. به گفته محققان، این نیاز به پیوند سیستم های تحرک با مدل های پیش بینی به منظور کاهش خطرات را نشان می دهد.
به گفته محققان، دو روش اصلی برای استفاده از این سیستم در دنیای واقعی وجود دارد. ساده ترین کار این است که تصمیمات مربوط به سیاست در مورد گروه های همسایه گرفته شود. به عنوان مثال، به دلیل خطر بالای عفونت در سانتا مونیکا، این مرکز باید امروز بسته شود.
در تعدادی از مکان‌ها، مانند یک استادیوم خاص، این ماشین‌ها آنچه در گذشته اتفاق افتاده را تجزیه و تحلیل می‌کنند تا بفهمند چگونه خطر بیماری در استادیوم بعد از رویداد تغییر می‌کند. در مرحله بعد، سیستم قادر به پیش بینی و شناسایی خطرات با استفاده از نوع مهاجرت و داده ها است.
محققان قصد دارند در آینده فرصت‌هایی برای تعامل با کاربران و اسرار ایجاد کنند و امکان پیش‌بینی بلندمدت برای چند هفته آینده را فراهم کنند.
شهابی گفت: تغییرات عمده در فرآیند و همچنین رویکرد مستقیم ما، ما را قادر می‌سازد تا ریسک‌ها را به‌طور دقیق‌تر و موقت اندازه‌گیری کنیم. به عنوان مثال، یک رستوران ویژه برای شام یا یک استراحت ناهار.
46