Investigadores desarrollan una herramienta de modelado de alta precisión para predecir el riesgo de COVID-19 localizado
Crédito: Unsplash/CC0 Public Domain
A medida que surgen nuevas variantes del coronavirus y se propagan rápidamente por todo el mundo, tanto el público como los legisladores se enfrentan a un dilema: mantener una apariencia de normalidad, al mismo tiempo que minimiza las infecciones. Si bien las aplicaciones de rastreo de contactos digitales eran prometedoras, la tasa de adopción ha sido baja, debido en parte a problemas de privacidad.
En la USC, los investigadores abogan por un nuevo enfoque para predecir la posibilidad de infección por COVID-19: combinar datos anónimos de ubicación de teléfonos celulares con patrones de movilidad, patrones amplios de cómo las personas se mueven de un lugar a otro.
Para Para producir «puntuaciones de riesgo» para ubicaciones y horas específicas, el equipo utilizó un gran conjunto de datos de señales anónimas de ubicación del mundo real de teléfonos celulares en todo EE. UU. en 2019 y 2020. El sistema muestra una mejora del 50 % en la precisión en comparación con los sistemas actuales. dijeron los investigadores.
«Nuestros resultados muestran que es posible predecir y apuntar a áreas específicas que son de alto riesgo, en lugar de poner todas las empresas bajo un mismo paraguas. Tales políticas dirigidas al riesgo pueden ser significativamente más eficaz, tanto para controlar COVID-19 como económicamente», dijo el autor principal Sepanta Zeighami, un Ph.D. en ciencias informáticas. estudiante asesorado por el profesor Cyrus Shahabi.
«También es poco probable que COVID-19 sea la última pandemia en la historia humana, por lo que si queremos evitar el caos de 2020 y las trágicas pérdidas mientras mantenemos la vida diaria como menos afectados posible cuando ocurra la próxima pandemia, necesitamos enfoques basados en datos».
Para abordar las preocupaciones de privacidad, los datos de movilidad vienen 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 adónde van, dijeron los investigadores.
«Nuestro enfoque se basa en datos agregados anónimos», dijo Shahabi, coautor del estudio y Helen N. y Emmett H. Jones Profesor de Ingeniería y Profesor de Informática, Ingeniería Eléctrica e Informática y Ciencias Espaciales. «Es lo mismo que los datos de tráfico, donde la información de un individuo no se revela, pero los datos agregados lo ayudarán a tomar una decisión sobre si usar una determinada autopista en un momento determinado».
El documento aparecerá en ACM Transactions on Spatial Algorithms and Systems y está disponible para acceso anticipado.
Enfoques basados en datos
Según los investigadores, las herramientas de puntuación de riesgo existentes no brindan suficiente información 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.
Entonces, utilizando datos de movilidad del mundo real y el conocimiento existente sobre la propagación de COVID-19, el equipo creó un simulador para generar patrones de infección realistas. . En la simulación, algunos «agentes» se infectan inicialmente y propagan la enfermedad a medida que se desplazan.
Luego, los investigadores crearon un modelo basado en procesos de Hawkes, que asigna puntajes de riesgo según la densidad de ubicación y los patrones de movilidad. en un momento y lugar dado. Usando el simulador, los investigadores probaron el modelo para determinar si podía predecir con precisión la cantidad de infecciones en diferentes lugares. Resultó que los puntajes de riesgo eran de hecho una métrica confiable para rastrear infecciones en ciudades de los EE. UU., incluidas San Francisco, Nueva York, Chicago y Los Ángeles.
Los investigadores encontraron, como era de esperar, que los destinos populares en una ciudad son más riesgosos. Pero también descubrieron que incorporar la movilidad de la infección, cómo se mueven las personas, en lugar de simplemente confiar en la popularidad de un área, ayudó a mejorar la predicción de la infección. Esto, dijeron los investigadores, subraya la importancia de reunir patrones 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 sencillo es tomar decisiones políticas a nivel de vecindario: por ejemplo, los bares en Santa Mónica, CA, deberían cerrar hoy debido al alto riesgo en ese vecindario.
«En lugar de tomar estas decisiones en el condado nivel, los expertos en salud pública pueden tomar esas decisiones a nivel de ciudad, vecindario o código postal». Cyrus Shahabi.
Para ubicaciones más específicas, como un evento de estadio de concierto específico, el sistema analizaría los datos de movilidad de conciertos similares en el pasado para aprender cómo cambia el riesgo de infección en el área después 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 que aún así preserven la privacidad. , e incluir capacidades de pronóstico a largo plazo para varias semanas en el futuro.
«La muy alta resolución de estos datos de movilidad, así como nuestro enfoque escalable, nos permitirán estimar puntajes de riesgo a un nivel muy resolución espacial y temporal de grano fino, por ejemplo, un restaurante específico a la hora de la cena o un centro comercial a la hora del almuerzo», dijo Shahabi.
«Como individuo, es posible que desee evitar áreas consideradas de alta riesgo, y los formuladores de políticas podrían advertir al público que evite un área conocida como un punto crítico potencial de infección. Los puntajes también se pueden usar para decisiones de cierre o capacidad reducida. En lugar de tomar estas decisiones a nivel del condado, los expertos en salud pública pueden tomar esas decisiones decisiones a nivel de ciudad, vecindario o código postal».
Explore más
Los investigadores usan datos de dispositivos móviles para predecir brotes de COVID-19 Más información: Sirisha Rambhatla et al, Toward Accurate Spatiotemporal COVID-19 Risk Scores Using High-Resolution Real-World Mobility Data, ACM Transactions on Spatial Algorithms and Systems (2022). DOI: 10.1145/3481044 Proporcionado por la Universidad del Sur de California Cita: Los investigadores desarrollan una herramienta de modelado de alta precisión para predecir el riesgo localizado de COVID-19 (2022, 1 de febrero) consultado el 29 de agosto de 2022 en https://medicalxpress. com/news/2022-02-highly-accurate-tool-localized-covid-.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.