با ظهور سویههای جدید کروناویروس و گسترش سریع آن در سراسر جهان، هم مردم و هم سیاستگذاران با موضوع به حداقل رساندن میزان ابتلا به کووید-۱۹ رو به رو هستند. اگرچه برنامههای ردیابی دیجیتال، وعدههایی داده بودند اما به دلیل نگرانیهای مربوط به حریم خصوصی، میزان پذیرش تا اندازهای پایین بوده است.
پژوهشگران “دانشگاه کالیفرنیای جنوبی” (USC)، از روش جدیدی برای پیشبینی احتمال ابتلا به کووید-۱۹ خبر دادهاند. این روش، ترکیب دادههای مکانی تلفن همراه با الگوهای تحرک است که میتواند الگوهای گستردهای را در مورد نحوه حرکت افراد از مکانی به مکان دیگر نشان دهد.
پژوهشگران به منظور ایجاد نمرات خطر برای مکانها و زمانهای خاص، مجموعه دادههای بزرگی شامل سیگنالهای موقعیت مکانی منتشرشده از تلفنهای همراه در سراسر آمریکا طی سالهای ۲۰۱۹ و ۲۰۲۰ را به کار بردند. به گفته پژوهشگران، این سیستم در مقایسه با سیستمهای کنونی، ۵۰ درصد بهبودی را در دقت نشان میدهد.
“سپنتا ضیغمی” (Sepanta Zeighami)، از پژوهشگران این پروژه گفت: نتایج ما نشان میدهند که میتوان مناطق خاصی را که دارای میزان خطر بالایی هستند، پیشبینی کرد و آنها را هدف قرار داد. چنین سیاستهایی با هدف مشخص کردن میزان خطر میتوانند هم برای کنترل کووید-۱۹ و هم از نظر اقتصادی تاثیر قابل توجهی داشته باشند.
وی افزود: بعید است که کووید-۱۹ آخرین بیماری همهگیر در تاریخ بشریت باشد؛ بنابراین اگر بخواهیم از تکرار هرج و مرج سال ۲۰۲۰ و خسارات غمانگیز آن جلوگیری کنیم و در عین حال زندگی روزمره را تا حد امکان تحت تأثیر آن قرار ندهیم، در زمان وقوع همهگیری بعدی، به چنین دادههای محوری نیاز داریم.
برای برطرف شدن نگرانیهای مربوط به حریم خصوصی، دادههای مبنی بر تحرک در قالبی جمعآوری میشوند و به پژوهشگران این امکان را میدهند تا الگوها را بدون شناسایی کاربران ببینند. به گفته پژوهشگران، این دادهها برای ردیابی افراد مبتلا یا جایی که آنها میروند، استفاده نمیشوند.
“سیروس شهابی” (Cyrus Shahabi)، از پژوهشگران این پروژه گفت: روش ما بر دادههای انبوه ناشناس متکی است. این دادهها همان دادههای مربوط به عبور و مرور نیستند، اما به شما کمک میکنند تا تصمیم بگیرید که آیا از یک آزادراه خاص در یک زمان خاص استفاده کنید یا خیر.
روشهای مبتنی بر داده
به گفته پژوهشگران، سیستمهای کنونی، اطلاعات دقیق و کافی را در مورد میزان ابتلا در مکانهای خاص ارائه نمیکنند یا فرضیات غیرواقعی را در مورد نحوه ترکیب جمعیت ارائه میدهند.
ضیغمی گفت: خطر ابتلا بر اساس مکان، بسیار متفاوت است و داشتن یک سیاست واحد، این موضوع را نادیده میگیرد که برخی از مناطق چگونه نسبت به سایرین پرخطرتر هستند.
بدین ترتیب، پژوهشگران با استفاده از دادههای مربوط به تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-۱۹، یک شبیهسازی را برای تولید الگوهای واقعی ابتلا ایجاد کردند. در این شبیهسازی، برخی از عوامل در ابتدا آلوده میشوند و هنگام حرکت، بیماری را گسترش میدهند.
سپس پژوهشگران، مدلی ابداع کردند که امتیازهای مربوط به میزان خطر را بر اساس تراکم مکان و الگوهای تحرک در زمان و مکان معین ارائه میدهد. آنها با استفاده از شبیهساز، این مدل را آزمایش کردند تا تعیین کنند که آیا میتواند میزان ابتلا در مکانهای گوناگون را به طور دقیق پیشبینی کند یا خیر. مشخص شد که امتیازات خطر میتوانند یک معیار قابل اعتماد برای ردیابی ابتلا در شهرهای سراسر آمریکا از جمله سانفرانسیسکو، نیویورک، شیکاگو و لسآنجلس باشند.
پژوهشگران همان گونه که پیشبینی میشد، دریافتند که مقاصد محبوب یک شهر، خطرناکتر هستند. همچنین آنها دریافتند که ترکیب نحوه حرکت افراد به جای تکیه بر محبوبیت یک منطقه، به بهبود پیشبینی در مورد ابتلا کمک میکند. به گفته پژوهشگران، این موضوع، بر اهمیت کنار هم قرار دادن الگوهای تحرک و مدلهای پیشبینی شیوع ابتلا برای ایجاد امتیاز خطر تأکید میکند.
به گفته پژوهشگران، دو روش کلیدی برای استفاده از این سیستم در جهان واقعی وجود دارد. مورد ساده تر، اتخاذ تصمیمات مرتبط با خط مشی در سطح محله است. به عنوان مثال، به دلیل خطر بالای ابتلا در سانتا مونیکا، این محله باید امروز تعطیل شود.
این سیستم برای مکانهای هدفمندتر، مانند یک استادیوم خاص، دادههای مربوط به حرکت در گذشته را تحلیل میکند تا بفهمد خطر ابتلا پس از رویداد مورد نظر در استادیوم چگونه تغییر میکند. سپس، سیستم با استفاده از مدل و دادههای مربوط به جابهجایی میتواند پیشبینی کند و امتیازهای مربوط به خطر را تعیین کند.
پژوهشگران در نظر دارند که در آینده، امتیازات ویژه کاربر را همراه با حفظ حریم خصوصی توسعه دهند و امکان پیشبینی بلندمدت را برای چند هفته آینده فراهم کنند.
شهابی گفت: وضوح بسیار بالای دادههای مربوط به تحرک و همچنین روش مقیاسپذیر ما، کمک میکند تا امتیازات خطر را با وضوح مکانی و زمانی بسیار دقیقی تخمین بزنیم؛ به عنوان مثال، یک رستوران خاص در زمان شام یا یک مرکز خرید در زمان ناهار.
46
