Model Komputer Stanford Memprediksi Bagaimana COVID-19 Menyebar di Kota
Ketika kasus COVID-19 meningkat di seluruh negeri, pejabat kota telah diberi tindakan penyeimbangan yang sulit untuk mencegah penyebaran infeksi dan mendukung bisnis. Model komputer dari Universitas Stanford menunjukkan mobilitas dan pola kontak dengan cara yang diharapkan oleh pembuatnya akan membantu memandu pengambilan keputusan pemimpin komunitas.
Tim Stanford mengatakan bahwa kekhususan model mereka dapat berfungsi sebagai alat yang berharga bagi para pejabat, karena simulasi mengungkapkan timbal balik antara infeksi baru dan kehilangan penjualan jika perusahaan buka dengan kapasitas terbatas.
Kesimpulan utama:Menurut model (dan video di atas dari Universitas Stanford), membatasi hunian pada 50 persen dari maksimum akan menyebabkan ekonomi kehilangan hanya 5 hingga 10 persen kunjungan, sekaligus mengurangi jumlah keseluruhan infeksi hingga lebih dari 50 persen.
Menggunakan data skala besar yang dianonimkan dari ponsel, tim Stanford menganalisis pola pergerakan di 10 wilayah metropolitan terbesar di Amerika Serikat, termasuk Atlanta, Dallas, dan New York City — sebuah kelompok yang berjumlah lebih dari 98 juta orang.
Model komputer secara akurat memprediksi penyebaran COVID-19 di sepuluh kota besar musim semi ini dengan menganalisis tiga faktor yang mendorong risiko infeksi:ke mana orang pergi dalam sehari, berapa lama mereka tinggal; dan seberapa ramai tempat-tempat tersebut dalam satu waktu.
Persentase kecil infeksi di tempat-tempat menarik," ternyata merupakan persentase besar infeksi.
Studi yang dipublikasikan bulan ini di jurnal Nature , menggunakan kombinasi data demografis, perkiraan epidemiologis, dan informasi lokasi ponsel anonim, untuk memprediksi bahwa sebagian besar penularan COVID-19 di luar rumah terjadi di situs “penyebar super”, tempat orang-orang tetap berada dalam jarak dekat untuk waktu yang lama.
“Kami membangun model komputer untuk menganalisis bagaimana orang-orang dari latar belakang demografis yang berbeda, dan dari lingkungan yang berbeda, mengunjungi berbagai jenis tempat yang kurang lebih ramai. Berdasarkan semua ini, kami dapat memprediksi kemungkinan infeksi baru yang terjadi di tempat atau waktu tertentu,” kata Jure Leskovec , ilmuwan komputer Stanford dan peneliti utama.
Leskovec dan timnya menyimpulkan bahwa pembatasan kepadatan, atau pembatasan hunian perusahaan, mengurangi infeksi secara keseluruhan, serta kesenjangan antara komunitas yang terkena dampak COVID-19. Model tersebut menunjukkan bahwa pola mobilitas mendorong risiko yang tidak proporsional.
"Ternyata kelompok berpenghasilan rendah lebih cenderung sering mengunjungi tempat-tempat dengan kepadatan tinggi," kata rekan penulis studi David Grusky, seorang profesor sosiologi di Sekolah Humaniora dan Ilmu Pengetahuan Stanford (dalam video di atas). "Misalnya, toko kelontong di lingkungan berpenghasilan rendah cenderung lebih padat, dan cenderung lebih ramai."
Model Komputer Lainnya di Ringkasan Teknologi
Tonton di Tech Briefs TV: Model komputer MIT memungkinkan bentuk DNA 3D paling kompleks yang pernah diproduksi.
Blog Billy: Model terobosan menawarkan tampilan yang lebih baik di dalam baterai isi ulang.
Di Majalah: Mesin diagnosis berbasis model NASA
Grusky, yang juga memimpin Stanford Center on Poverty and Inequality, mengatakan model tersebut menunjukkan bagaimana membuka kembali bisnis dengan batas hunian yang lebih rendah cenderung paling menguntungkan kelompok yang kurang beruntung.
“Karena tempat-tempat yang mempekerjakan minoritas dan orang-orang berpenghasilan rendah seringkali lebih kecil dan lebih ramai, batas hunian di toko yang dibuka kembali dapat menurunkan risiko yang mereka hadapi,” kata Grusky. “Kami memiliki tanggung jawab untuk membangun rencana pembukaan kembali yang menghilangkan – atau setidaknya mengurangi – kesenjangan yang diciptakan oleh praktik saat ini.”
Bagaimana Stanford Mengumpulkan Data
SafeGraph, sebuah perusahaan yang mengumpulkan data lokasi anonim dari aplikasi seluler, menunjukkan kepada para pembuat model Stanford ke mana orang pergi; untuk berapa lama; dan, yang paling penting, berapa luas persegi setiap bangunan sehingga peneliti dapat menentukan kepadatan hunian per jam.
Kota-kota dalam studi Stanford termasuk New York, Los Angeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Philadelphia, dan San Francisco.
Dalam Fase satu penelitian, dari 8 Maret hingga Mei tahun ini, data mobilitas digunakan untuk memprediksi tingkat penularan virus corona. Dalam model mereka, setelah memasukkan jumlah infeksi COVID-19 yang dilaporkan ke pejabat kesehatan setiap hari, para peneliti mengembangkan dan menyempurnakan serangkaian persamaan untuk menghitung probabilitas kejadian menular di tempat dan waktu yang berbeda.
Prediksi tersebut dilacak dengan cermat dengan laporan aktual dari pejabat kesehatan, sehingga peneliti yakin akan keandalan model.
Tim, yang termasuk mahasiswa PhD Emma Pierson, telah membuat alat dan datanya tersedia untuk umum sehingga peneliti lain dapat mereplikasi dan mengembangkan temuannya.
Dalam T&J singkat di bawah ini, Pierson memberi tahu Ikhtisar Teknologi mengapa model menyarankan bahwa strategi pembukaan kembali tidak harus "semua atau tidak sama sekali".
Ringkasan Teknologi :Dengan model itu sendiri, jenis data apa yang dikumpulkan yang memungkinkan semacam "kekhususan" yang berharga, terutama dibandingkan dengan metode pemodelan yang ada?
Emma Pierson: Kami menggunakan data agregat yang dianonimkan dari SafeGraph, sebuah perusahaan yang melacak pola pergerakan manusia menggunakan data ponsel. Data kami mencatat berapa banyak orang yang pergi ke tempat menarik (POI) seperti restoran dan toko kelontong setiap jam, dan juga mencatat lingkungan tempat mereka berasal.
Analisis kami didasarkan pada data dari sepuluh wilayah metro besar AS dari Maret hingga Mei 2020 (gelombang infeksi pertama). Data mobilitas yang halus ini memungkinkan kami untuk membuat model siapa yang terinfeksi, di mana mereka terinfeksi, dan kapan mereka terinfeksi.
Ringkasan Teknologi :Menurut Anda, apa kesimpulan terpenting yang diambil dari model Anda?
Emma Pierson: Ada sejumlah kesimpulan yang mengalir dari analisis kami, tetapi dua di antaranya yang paling penting adalah:
- Pembukaan kembali tidak harus "semua atau tidak sama sekali":strategi seperti mengurangi tingkat hunian maksimum dapat memungkinkan kami untuk membuka kembali secara lebih efisien dengan memberikan pengurangan besar dalam infeksi untuk pengurangan kunjungan yang relatif kecil.
- Model kami juga menunjukkan bahwa disparitas ras dan sosial ekonomi sebagian didorong oleh mobilitas:mereka tidak dapat dihindari, tetapi dapat dipengaruhi oleh keputusan kebijakan jangka pendek. Oleh karena itu, dalam mengevaluasi strategi pembukaan kembali, penting untuk tidak hanya mempertimbangkan dampaknya terhadap populasi secara keseluruhan, tetapi juga dampak pada kelompok yang kurang beruntung. Ini mendukung langkah-langkah yang diambil oleh California dan tim transisi Biden-Harris untuk secara khusus mempertimbangkan dampak pembukaan kembali kebijakan pada populasi yang kurang beruntung.
Ringkasan Teknologi :Bagaimana pejabat dapat menggunakan model Anda dengan paling efektif?
Emma Pierson: Kedua temuan di atas secara langsung relevan dengan kebijakan, dan membantu kami mengembangkan strategi pembukaan kembali yang lebih efektif dan adil. Kami juga membangun alat online yang memungkinkan pembuat kebijakan dan anggota masyarakat untuk berinteraksi dan belajar dari model kami. Terakhir, kami berupaya memperluas analisis pada data yang lebih baru, karena analisis asli didasarkan pada data dari musim semi, dan banyak hal telah berubah sejak saat itu.
Bagaimana menurutmu? Bagikan pertanyaan dan komentar Anda di bawah.
