Investigadores desarrollan una útil de modelado de incorporación precisión para predecir el peligro de COVID-19 – ScienceDaily

En la USC, los investigadores abogan por un nuevo enfoque para predecir la posibilidad de una infección por covid-19: combinar datos anónimos de ubicación de teléfonos celulares con patrones de movilidad, patrones generales de cómo las personas se mueven de un lugar a otro.

Para producir ‘puntuaciones de riesgo’ para ubicaciones y horas específicas, el equipo utilizó un gran conjunto de datos de señales de ubicación real y anónimas de teléfonos móviles en los Estados Unidos en 2019 y 2020. El sistema muestra una mejora en la precisión del 50% en comparación con sistemas actuales, dijeron los investigadores.

«Nuestros resultados muestran que es posible predecir y apuntar a áreas específicas de alto riesgo, en lugar de poner a todas las empresas bajo el mismo paraguas. Tales políticas centradas en el riesgo pueden ser significativamente más efectivas, tanto para controlar el covid-19 como económicamente, «, dijo el autor principal Sepanta Zeighami, un doctorado en ciencias de la computación. estudiante recomendado por el profesor Cyrus Shahabi.

«También es poco probable que el Covid-19 sea la última pandemia en la historia de la humanidad, por lo que si queremos evitar el caos de 2020 y las trágicas pérdidas manteniendo la vida diaria lo más inalterada posible cuando ocurra la próxima pandemia, necesitamos esos datos. . «aproximaciones guiadas».

Para abordar las preocupaciones de privacidad, los datos de movilidad están disponibles en un formato agregado, lo que permite a los investigadores ver patrones sin identificar a los usuarios individuales. Los datos no se utilizan para rastrear contactos, identificar a las personas infectadas o hacia dónde se dirigen, dijeron los investigadores.

«Nuestro enfoque se basa en datos agregados anónimos», dijo Shahabi, coautor del estudio y profesor de ingeniería y profesor de ingeniería informática, ingeniería eléctrica e informática y ciencias espaciales Helen N. y Emmett H. Jones. «Es lo mismo que los datos de tráfico, donde la información de un individuo no se divulga, pero los datos agregados lo ayudarán a decidir si usar una determinada carretera en un momento determinado».

La tarjeta aparecerá en la Transacciones ACM sobre algoritmos y sistemas espaciales y está disponible para acceso anticipado.

Enfoques basados ​​en datos

Según los investigadores, las herramientas de evaluación de riesgos existentes no brindan información suficientemente detallada sobre las tasas de infección en lugares específicos o hacen suposiciones poco realistas sobre cómo se mezclan las poblaciones.

“El riesgo de infección varía mucho según la ubicación y tener una política única, por ejemplo a nivel de condado, ignora cómo algunas áreas son más riesgosas que otras”, dijo Zeighami.

Luego, utilizando datos de movilidad del mundo real y el conocimiento existente sobre la propagación de Covid-19, el equipo creó un simulador para generar modelos de infección realistas. En la simulación, algunos «agentes» se infectan inicialmente y propagan la enfermedad a medida que avanzan.

Luego, los investigadores crearon un modelo basado en el proceso de Hawkes, que asigna puntajes de riesgo en función de la densidad de ubicación y los patrones de movilidad en un momento y lugar determinados. Usando el simulador, los investigadores probaron el modelo para determinar si podía predecir con precisión la cantidad de infecciones en diferentes lugares. Se descubrió que los puntajes de riesgo son, de hecho, una métrica confiable para rastrear infecciones en ciudades de EE. UU., incluidas San Francisco, Nueva York, Chicago y Los Ángeles.

Los investigadores han encontrado, como era de esperar, que los destinos populares en una ciudad son más riesgosos. Pero también descubrieron que incorporar la movilidad de la infección, la forma en que las personas se mueven, en lugar de confiar solo en la popularidad de un área, ayudó a mejorar la predicción de la infección. Esto, dijeron los investigadores, subraya la importancia de reunir modelos de movilidad y modelos de predicción de propagación de infecciones para generar puntajes de riesgo.

Hay dos formas clave en que el sistema podría usarse en el mundo real, dijeron los investigadores. El caso más simple es tomar decisiones políticas a nivel de vecindario; por ejemplo, se espera que hoy cierren bares en Santa Mónica, California, debido al alto riesgo en ese vecindario.

Para lugares más específicos, como un evento específico en un estadio, el sistema procesa datos de movilidad de conciertos similares en el pasado para saber cómo cambia el riesgo de infección en el área como resultado de este tipo de evento. Luego, utilizando el modelo de los investigadores y los datos de movilidad actuales en Los Ángeles, el sistema podría hacer predicciones y asignar puntajes de riesgo.

En el futuro, el equipo planea desarrollar puntajes de riesgo específicos para el usuario, pero aún preservando la privacidad, e incluir capacidades de pronóstico a largo plazo para varias semanas en el futuro.

«La resolución muy alta de estos datos de movilidad, así como nuestro enfoque escalable, nos permitirá estimar puntajes de riesgo con una resolución espacial y temporal muy fina, por ejemplo, un restaurante específico a la hora de la cena o un centro comercial a la hora del almuerzo». Shahabi dijo.

«Como individuo, es posible que desee evitar áreas consideradas de alto riesgo, y los responsables de la formulación de políticas pueden advertir al público que evite un área que se sabe que es un punto de acceso potencial de infección. Los puntajes también se pueden usar para decisiones de cierre o reducción de capacidad. En su lugar, al tomar estas decisiones a nivel de condado, los expertos en salud pública pueden tomar esas decisiones a nivel de ciudad, vecindario o código postal».