Stanford 컴퓨터 모델은 도시에서 COVID-19가 어떻게 확산되는지 예측합니다

전국적으로 COVID-19 사례가 증가함에 따라 시 공무원은 감염 확산을 방지하고 기업을 지원하는 어려운 균형 조치를 받았습니다. Stanford University의 컴퓨터 모델은 제작자가 커뮤니티 리더의 의사 결정을 안내하는 데 도움이 되기를 바라는 방식으로 이동성과 접촉 패턴을 보여줍니다.

Stanford 팀은 시뮬레이션을 통해 시설이 제한된 용량으로 문을 여는 경우 새로운 감염과 판매 손실 간의 균형을 보여주기 때문에 모델의 특이성이 공무원에게 귀중한 도구가 될 수 있다고 말합니다.

주요 결론:모델(및 스탠포드 대학의 위 비디오)에 따르면 최대 수용 인원을 50%로 제한하면 경제가 방문의 5~10%만 잃게 되는 반면 전체 감염 수는 50명 이상 감소합니다. 퍼센트.

Stanford 팀은 휴대전화의 익명화된 대규모 데이터를 사용하여 총 9,800만 명이 넘는 그룹인 애틀랜타, 댈러스, 뉴욕을 포함한 미국 최대 대도시 10곳의 이동 패턴을 분석했습니다.

컴퓨터 모델은 감염 위험을 유발하는 세 가지 요인을 분석하여 올 봄 10개 주요 도시에서 COVID-19의 확산을 정확하게 예측했습니다. 그리고 장소가 한 번에 얼마나 붐비는지.

관심 지점에서 감염의 작은 비율"이 감염의 큰 비율을 차지하는 것으로 나타났습니다.

이 연구는 이번 달 Nature 저널에 게재되었습니다. , 인구통계학적 데이터, 역학 추정치, 익명의 휴대전화 위치 정보를 조합하여 사용하여 집 밖의 대부분의 COVID-19 전파는 사람들이 장기간 가까운 곳에 머무르는 "슈퍼전파자" 사이트에서 발생한다고 예측했습니다.

“우리는 인구 통계학적 배경이 다르고 이웃이 다른 사람들이 다소 혼잡한 다양한 유형의 장소를 방문하는 방법을 분석하기 위해 컴퓨터 모델을 구축했습니다. 이 모든 것을 기반으로 우리는 주어진 장소나 시간에 새로운 감염이 발생할 가능성을 예측할 수 있었습니다."라고 Jure Leskovec이 말했습니다. , 스탠포드 컴퓨터 과학자이자 수석 연구원입니다.

Leskovec과 그의 팀은 밀도 상한 또는 시설 점유 제한이 COVID-19의 영향을 받는 지역사회 간의 격차뿐만 아니라 전반적인 감염을 감소시킨다고 결론지었습니다. 이 모델은 이동성 패턴이 불균형적인 위험을 초래한다고 제안합니다.

연구 공동 저자인 스탠퍼드대 인문과학대학 사회학 교수인 데이비드 그루스키(David Grusky)는 "저소득층은 밀도가 높은 곳을 자주 찾는 것으로 나타났다"고 말했다. "예를 들어, 저소득 지역의 식료품점은 밀도가 더 높고 붐비는 경향이 있습니다."

테크 브리프에서 더 많은 컴퓨터 모델

Tech Briefs TV에서 보기: MIT 컴퓨터 모델은 지금까지 생산된 가장 복잡한 3D DNA 모양을 가능하게 합니다.

빌리의 블로그: 충전식 배터리 내부를 더 잘 볼 수 있는 획기적인 모델입니다.

잡지: NASA의 모델 기반 진단 엔진

Stanford Center on Poverty and Inequality를 이끌기도 하는 Grusky는 이 모델이 어떻게 더 낮은 점유율로 사업을 재개하는 것이 취약 계층에게 가장 큰 혜택을 주는 경향이 있는지를 보여주고 있다고 말했습니다.

Grusky는 "소수 집단과 저소득층을 고용하는 장소는 종종 더 작고 더 붐비기 때문에 재개점한 상점의 수용 인원 제한은 그들이 직면한 위험을 낮출 수 있습니다."라고 말했습니다. "우리는 현재 관행이 만들고 있는 격차를 제거하거나 최소한 줄이는 재개방 계획을 수립할 책임이 있습니다."

Stanford에서 데이터를 수집한 방법

모바일 애플리케이션에서 익명화된 위치 데이터를 집계하는 회사인 SafeGraph는 사람들이 어디로 갔는지 스탠포드 모델러에게 보여주었습니다. 얼마나 오랫동안; 그리고 가장 중요한 것은 연구원들이 시간당 점유 밀도를 결정할 수 있도록 각 시설의 평방 피트가 얼마나 되었는지입니다.

Stanford 연구에 포함된 도시에는 뉴욕, 로스앤젤레스, 시카고, 댈러스, 워싱턴 D.C., 휴스턴, 애틀랜타, 마이애미, 필라델피아 및 샌프란시스코가 포함되었습니다.

연구의 1단계에서는 올해 3월 8일부터 5월까지 이동성 데이터를 사용하여 코로나바이러스의 전파 속도를 예측했습니다. 이 모델에서 연구원들은 매일 보건 당국에 보고되는 COVID-19 감염 수를 통합한 후 다양한 장소와 시간에서 감염 사건의 확률을 계산하기 위해 일련의 방정식을 개발하고 개선했습니다.

예측은 보건 관계자의 실제 보고서와 밀접하게 추적되어 연구원에게 모델의 신뢰성에 대한 확신을 줍니다.

박사 과정 학생인 Emma Pierson이 포함된 팀은 도구와 데이터를 공개적으로 제공하여 다른 연구원들이 연구 결과를 복제하고 구축할 수 있도록 했습니다.

아래의 짧은 Q&A에서 Pierson은 Tech Briefs 에 대해 설명합니다. 모델이 재개방 전략이 "전부 아니면 전무"일 필요는 없다고 제안하는 이유

기술 개요 :모델 자체로, 특히 기존 모델링 방법과 비교하여 일종의 가치 있는 "특이성"을 허용하는 데이터 종류는 무엇입니까?

엠마 피어슨: 우리는 휴대폰 데이터를 사용하여 사람의 움직임 패턴을 추적하는 회사인 SafeGraph의 익명화된 집계 데이터를 사용합니다. 우리의 데이터는 매시간 얼마나 많은 사람들이 식당, 식료품점과 같은 관심 지점(POI)에 가는지 기록하고 그들이 온 동네도 기록합니다.

우리의 분석은 2020년 3월부터 5월까지(첫 번째 감염 물결) 미국 대도시 10곳의 데이터를 기반으로 합니다. 이 세분화된 이동성 데이터를 통해 누가 감염되었는지, 어디에서 감염되었는지, 언제 감염되었는지 모델링할 수 있습니다.

기술 요약 :귀하의 모델에서 도출된 가장 중요한 결론은 무엇이라고 생각하십니까?

엠마 피어슨: 분석을 통해 도출된 결론은 여러 가지가 있지만 가장 중요한 두 가지는 다음과 같습니다.

• 재개장이 '전부 아니면 전무'일 필요는 없습니다. 최대 수용 인원을 줄이는 것과 같은 전략을 사용하면 상대적으로 적은 방문 수로 감염을 크게 줄임으로써 더 효율적으로 영업을 재개할 수 있습니다.
• 또한 우리 모델은 인종 및 사회경제적 격차가 부분적으로 이동성에 의해 유발된다는 것을 시사합니다. 이는 불가피한 것은 아니지만 단기 정책 결정의 영향을 받을 수 있습니다. 따라서 재개방 전략을 평가할 때 전체 인구에 대한 영향뿐만 아니라 취약 계층에 대한 영향도 고려하는 것이 중요합니다. 이는 캘리포니아와 Biden-Harris 전환 팀이 경제 재개 정책이 불우한 인구에 미치는 영향을 구체적으로 고려하기 위해 취하는 조치를 지원합니다.

기술 요약 :공무원이 어떻게 귀하의 모델을 가장 효과적으로 사용할 수 있습니까?

엠마 피어슨: 위의 두 가지 결과는 정책과 직접적인 관련이 있으며 보다 효과적이고 공평한 재개방 전략을 개발하는 데 도움이 됩니다. 우리는 또한 정책 입안자와 대중이 우리 모델과 상호 작용하고 배울 수 있는 온라인 도구를 구축하고 있습니다. 마지막으로, 우리는 원래 분석이 봄의 데이터를 기반으로 하고 그 이후로 많은 것이 변경되었기 때문에 더 업데이트된 데이터에 대한 분석을 확장하기 위해 노력하고 있습니다.

어떻게 생각하세요? 아래에서 질문과 의견을 공유하세요.