روش جدید دانشمندان ایرانی برای پیش بینی مبتلاشدن به کووید-19
گردو دانلود روش جدید دانشمندان ایرانی برای پیش بینی مبتلاشدن به کووید-19
به گزارش گردو دانلود به نقل از ایسنا و به نقل از ساینس دیلی، با ظهور سویه های جدید کروناویروس و گسترش سریع آن در سراسر جهان، هم مردم و هم سیاست گذاران با موضوع به حداقل رساندن میزان مبتلاشدن به کووید-۱۹ رو به رو هستند. بااینکه برنامه های ردیابی دیجیتال، وعده هایی داده بودند اما به سبب نگرانی های مربوط به حریم خصوصی، میزان پذیرش تا اندازه ای پایین بوده است.
پژوهشگران "دانشگاه کالیفرنیای جنوبی" (USC)، از روش جدیدی برای پیش بینی احتمال مبتلاشدن به کووید-۱۹ آگاهی داده اند. این روش، ترکیب داده های مکانی تلفن همراه با الگوهای تحرک است که می تواند الگوهای گسترده ای را در مورد نحوه حرکت افراد از مکانی به مکان دیگر نشان دهد.
پژوهشگران بمنظور ایجاد نمرات خطر برای مکان ها و زمان های خاص، مجموعه داده های بزرگی شامل سیگنال های موقعیت مکانی منتشرشده از تلفن های همراه در سراسر آمریکا طی سالهای ۲۰۱۹ و ۲۰۲۰ را به کار بردند. بگفته پژوهشگران، این سیستم در مقایسه با سیستم های فعلی، ۵۰ درصد بهبودی را در دقت نشان میدهد.
"سپنتا ضیغمی" (Sepanta Zeighami)، از پژوهشگران این پروژه اظهار داشت: نتایج ما نشان می دهند که می توان مناطق خاصی را که دارای میزان خطر بالایی هستند، پیش بینی نمود و آنها را هدف قرار داد. چنین سیاست هایی با هدف مشخص کردن میزان خطر می توانند هم برای کنترل کووید-۱۹ و هم از نظر اقتصادی تاثیر قابل توجهی داشته باشند.
وی ادامه داد: بعید است که کووید-۱۹ آخرین بیماری همه گیر در تاریخ بشریت باشد؛ بدین سبب اگر بخواهیم از تکرار هرج و مرج سال ۲۰۲۰ و خسارات غم انگیز آن جلوگیری نماییم و در عین حال زندگی روزمره را تا حد امکان تحت تأثیر آن قرار ندهیم، در زمان وقوع همه گیری بعدی، به چنین داده های محوری نیاز داریم.
برای برطرف شدن نگرانی های مربوط به حریم خصوصی، داده های در خصوص تحرک در قالبی جمع آوری می شوند و به پژوهشگران این امکان را می دهند تا الگوها را بدون شناسایی کاربران ببینند. بگفته پژوهشگران، این داده ها برای ردیابی افراد مبتلا یا جایی که آنها می روند، استفاده نمی شوند.
"سیروس شهابی" (Cyrus Shahabi)، از پژوهشگران این پروژه اظهار داشت: روش ما بر داده های انبوه ناشناس متکی است. این داده ها همان داده های مربوط به عبور و مرور نیستند، اما به شما کمک می کنند تا تصمیم بگیرید که آیا از یک آزادراه خاص در یک زمان خاص استفاده کنید یا خیر.
روش های مبتنی بر داده
بگفته پژوهشگران، سیستم های فعلی، اطلاعات دقیق و کافی را در مورد میزان مبتلاشدن در مکان های خاص ارائه نمی کنند یا فرضیات غیرواقعی را در مورد نحوه ترکیب جمعیت ارائه می دهند.
ضیغمی اظهار داشت: خطر مبتلاشدن برمبنای مکان، بسیار متفاوت می باشد و داشتن یک سیاست واحد، این مساله را نادیده می گیرد که تعدادی از مناطق چگونه نسبت به سایرین پرخطرتر هستند.
بدین ترتیب، پژوهشگران با بهره گیری از داده های مربوط به تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-۱۹، یک شبیه سازی را برای تولید الگوهای واقعی مبتلاشدن ایجاد کردند. در این شبیه سازی، تعدادی از عوامل در ابتدا آلوده می شوند و هنگام حرکت، بیماری را گسترش می دهند.
سپس پژوهشگران، مدلی ابداع کردند که امتیازهای مربوط به میزان خطر را برمبنای تراکم مکان و الگوهای تحرک در زمان و مکان معین ارائه می دهد. آنها با بهره گیری از شبیه ساز، این مدل را آزمایش کردند تا تعیین کنند که آیا می تواند میزان مبتلاشدن در مکان های مختلف را بطور دقیق پیش بینی نماید یا خیر. مشخص شد که امتیازات خطر می توانند یک معیار قابل اعتماد برای ردیابی مبتلاشدن در شهرهای سراسر آمریکا همچون سانفرانسیسکو، نیویورک، شیکاگو و لس آنجلس باشند.
پژوهشگران همان گونه که پیش بینی می شد، دریافتند که مقاصد محبوب یک شهر، خطرناک تر هستند. همین طور آنها دریافتند که ترکیب نحوه حرکت افراد بجای تکیه بر محبوبیت یک منطقه، به بهبود پیش بینی در مورد مبتلاشدن کمک می نماید. بگفته پژوهشگران، این موضوع، بر اهمیت کنار هم قرار دادن الگوهای تحرک و مدلهای پیش بینی شیوع مبتلاشدن برای ایجاد امتیاز خطر تاکید می کند.
بگفته پژوهشگران، دو روش کلیدی جهت استفاده از این سیستم در جهان واقعی وجود دارد. مورد ساده تر، اتخاذ تصمیمات در رابطه با خط مشی در سطح محله است. بعنوان مثال، به سبب خطر بالای مبتلاشدن در سانتا مونیکا، این محله باید امروز تعطیل شود.
این سیستم برای مکان های هدفمندتر، مانند یک استادیوم خاص، داده های مربوط به حرکت در گذشته را تحلیل می کند تا بفهمد خطر مبتلاشدن بعد از رویداد مورد نظر در استادیوم چگونه تغییر می کند. سپس، سیستم با بهره گیری از مدل و داده های مربوط به جابه جایی می تواند پیش بینی نماید 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 پیش بینی بلندمدت را برای چند هفته آتی فراهم آورند.
شهابی اظهار داشت: وضوح بسیار بالای داده های مربوط به تحرک و همین طور روش مقیاس پذیر ما، کمک می نماید تا امتیازات خطر را با وضوح مکانی و زمانی بسیار دقیقی تخمین بزنیم؛ بعنوان مثال، یک رستوران خاص در زمان شام یا یک مرکز خرید در زمان ناهار.
منبع: گردو دانلود
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب