Model Stanford Memetakan Penyebaran COVID-19 di Kota, Memandu Keputusan Kebijakan
Seiring meningkatnya kasus COVID-19 di seluruh negeri, para pejabat kota telah diberikan tugas seimbang yang sulit untuk mencegah penyebaran infeksi dan mendukung bisnis. Model komputer dari Stanford University menunjukkan pola mobilitas dan kontak dengan cara yang para pencipta harap akan membantu memandu pengambil keputusan komunitas.
Tim Stanford mengatakan bahwa spesifikitas model mereka dapat menjadi alat yang berharga bagi pejabat, karena simulasi mengungkapkan tradeoff antara infeksi baru dan penjualan yang hilang jika’établisment membuka dengan kapasitas terbatas.
Kesimpulan utama: Menurut model (dan video di atas dari Stanford University), membatasi kapasitas penempatan pada 50 persen dari maksimum akan menyebabkan ekonomi kehilangan hanya 5 hingga 10 persen kunjungan, sambil mengurangi jumlah infeksi keseluruhan di atas 50 persen.
Menggunakan data seluler anonim skala besar, tim Stanford menganalisis pola gerakan di 10 area metropolitan terbesar di Amerika Serikat, termasuk Atlanta, Dallas, dan New York City — sekelompok yang total 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 mengubah risiko infeksi: ke mana orang pergi selama hari, berapa lama mereka tinggal; dan seberapa ramai tempatnya pada satu waktu.
Persentase kecil infeksi di titik minat," ternyata, merupakan persentase besar infeksi.
Studi, diterbitkan bulan ini di jurnal Nature , menggunakan kombinasi data demografi, estimasi epidemiologis, dan informasi lokasi seluler anonim, untuk memprediksi bahwa sebagian besar transmisi COVID-19 di luar rumah terjadi di situs “superspreader,” di mana orang tetap berada dalam jarak dekat untuk waktu yang lama.
“Kami membuat model komputer untuk menganalisis bagaimana orang dengan latar belakang demografi yang berbeda, dan dari lingkungan yang berbeda, mengunjungi berbagai jenis tempat yang lebih atau lebih ramai. Berdasarkan semua ini, kami dapat memprediksi kemungkinan infeksi baru yang terjadi pada tempat atau waktu tertentu,” ujar Jure Leskovec , ilmuwan komputer Stanford dan peneliti utama.
Leskovec dan timnya menyimpulkan bahwa batas kepadatan, atau membatasi kapasitas penempatan’établisment, mengurangi infeksi secara keseluruhan, serta kesenjangan antara komunitas yang terpengaruh oleh COVID-19. Model menunjukkan bahwa pola mobilitas mengarah pada risiko yang tidak proporsional.
"Ternyata kelompok berpendapatan rendah lebih sering mengunjungi tempat di mana kepadatan tinggi," ujar penulis bersama studi David Grusky, profesor sosiologi di Sekolah Ilmu Manusia dan Sains Stanford (dalam video di atas). "Misalnya, toko keliling di lingkungan berpendapatan rendah cenderung memiliki kepadatan yang lebih tinggi, dan cenderung lebih ramai."
More Computer Models on Tech Briefs
Watch on Tech Briefs TV: Model komputer MIT memungkinkan bentuk DNA 3D yang paling kompleks yang pernah dibuat.
Billy's Blog: Model terobosan menawarkan pandangan yang lebih baik di dalam baterai baterai ulang.
In the Magazine: NASA's model-based diagnosis engin
Grusky, yang juga memimpin Stanford Center on Poverty and Inequality, mengatakan model menunjukkan bagaimana membuka kembali bisnis dengan batas penempatan yang lebih rendah cenderung memberikan manfaat terbesar bagi kelompok yang kurang untung.
“Karena tempat-tempat yang mempekerjakan minoritas dan orang berpendapatan rendah sering kali lebih kecil dan lebih ramai, batas penempatan pada toko yang dibuka kembali dapat menurunkan risiko yang dihadapi,” ujar Grusky. “Kami memiliki tanggung jawab untuk membuat rencana pembukaan kembali yang menghilangkan – atau setidaknya mengurangi – kesenjangan yang praktik saat ini menciptakan.”
Bagaimana Stanford Mengumpulkan Data
SafeGraph, perusahaan yang mengagregasi data lokasi anonim dari aplikasi seluler, menunjukkan kepada modeler Stanford ke mana orang pergi; selama berapa lama; dan, yang paling penting, berapa luas setiap’établisment sehingga peneliti dapat menentukan kepadatan penempatan per jam.
Kota dalam studi Stanford meliputi New York, Los Angeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Philadelphia dan San Francisco.
Dalam Fase satu studi, dari 8 Maret hingga Mei tahun ini, data mobilitas digunakan untuk memprediksi tingkat transmisi coronavirus. Dalam model mereka, setelah memasukkan jumlah infeksi COVID-19 yang dilaporkan kepada pejabat kesehatan setiap hari, para peneliti mengembangkan dan menyempurnakan serangkaian persamaan untuk menghitung probabilitas peristiwa infeksi di tempat dan waktu yang berbeda.
Prediksi sangat dekat dengan laporan aktual dari pejabat kesehatan, yang memberikan kepercayaan para peneliti pada keandalan model.
Tim, yang termasuk mahasiswa PhD Emma Pierson, telah membuat alat dan data mereka tersedia untuk umum sehingga peneliti lain dapat mereplikasi dan membangun atas temuan mereka.
Dalam Q&A singkat di bawah, Pierson memberi tahu Tech Briefs mengapa model menunjukkan bahwa strategi pembukaan kembali tidak harus “semua atau tidak sama sekali.”
Tech Briefs: Dengan model itu sendiri, jenis data apa yang dikumpulkan yang memungkinkan spesifikitas yang berharga, terutama dibandingkan metode pemodelan yang ada?
Emma Pierson: Kami menggunakan data agregat anonim dari SafeGraph, perusahaan yang melacak pola gerakan manusia menggunakan data ponsel seluler. Data kami mencatat berapa banyak orang yang pergi ke titik minat (POI) seperti restoran dan toko keliling setiap jam, dan juga mencatat lingkungan tempat mereka berasal.
Analisis kami berdasarkan data dari sepuluh area metro AS besar dari Maret hingga Mei 2020 (gelombang pertama infeksi). Data mobilitas yang terperinci ini memungkinkan kami untuk memodelkan siapa yang terinfeksi, di mana mereka terinfeksi, dan kapan mereka terinfeksi.
Tech Briefs: Apa kesimpulan terpenting, menurut Anda, yang ditarik dari model Anda?
Emma Pierson: Ada sejumlah kesimpulan yang muncul dari analisis kami, tetapi dua yang paling penting adalah:
- Membuka kembali tidak harus “semua atau tidak sama sekali”: strategi seperti mengurangi kapasitas maksimum dapat memungkinkan kami untuk membuka kembali dengan lebih efisien dengan memberikan penurunan besar dalam infeksi untuk penurunan yang relatif kecil dalam kunjungan.
- Model kami juga menunjukkan bahwa kesenjangan rasial dan sosial-ekonomi dikemudikan sebagian oleh mobilitas: mereka tidak tak terhindarkan, tetapi dapat dipengaruhi oleh keputusan kebijakan jangka pendek. Oleh karena itu, dalam mengevaluasi strategi pembukaan kembali, penting untuk tidak hanya mempertimbangkan dampak pada populasi secara keseluruhan, tetapi juga dampak pada kelompok yang kurang untung. Ini mendukung langkah yang diambil oleh California dan tim transisi Biden-Harris untuk secara khusus mempertimbangkan dampak kebijakan pembukaan kembali pada populasi yang kurang untung.
Tech Briefs: Bagaimana pejabat dapat menggunakan model Anda dengan paling efektif?
Emma Pierson: Dua temuan di atas langsung relevan dengan kebijakan, dan membantu kami mengembangkan strategi pembukaan kembali yang lebih efektif dan adil. Kami juga membangun alat online yang dapat memungkinkan pembuat kebijakan dan anggota masyarakat untuk berinteraksi dengan dan belajar dari model kami. Terakhir, kami bekerja untuk memperluas analisis pada data yang lebih terbaru, karena analisis asli berdasarkan data dari musim semi, dan banyak hal telah berubah sejak itu.
Apa pendapat Anda? Bagikan pertanyaan dan komentar Anda di bawah.
