in ,

Des chercheurs développent un outil de modélisation très précis pour prédire le risque de COVID-19


Alors que de nouvelles variantes de coronavirus émergent et se propagent rapidement dans le monde entier, le public et les décideurs sont confrontés à un dilemme : maintenir un semblant de normalité, tout en minimisant les bacterial infections. Alors que les programs de suivi des contacts numériques étaient prometteuses, le taux d’adoption a été faible, en partie en raison de problèmes de confidentialité.

À l’USC, les chercheurs préconisent une nouvelle approche pour prédire le risque d’infection par Covid-19  : combiner des données de localisation anonymes des téléphones portables avec des modèles de mobilité – des modèles généraux de la façon dont les gens se déplacent d’un endroit à l’autre.

Pour produire des « scores de risque » pour des emplacements et des heures spécifiques, l’équipe a utilisé un vaste ensemble de données de signaux de localisation anonymes et réels provenant de téléphones portables à travers les États-Unis en 2019 et 2020. Le système montre une amélioration de 50 % de la précision par rapport aux systèmes actuels. ont déclaré les chercheurs.

“Nos résultats montrent qu’il est probable de prévoir et de cibler des zones spécifiques à haut risque, au lieu de regrouper toutes les entreprises sous un même toit. De telles politiques ciblées sur les risques peuvent être beaucoup in addition efficaces, tant pour contrôler le Covid-19 qu’économiquement, ” a déclaré l’auteur principal Sepanta Zeighami, titulaire d’un doctorat en informatique. étudiant conseillé par le professeur Cyrus Shahabi.

“Il est également peu possible que Covid-19 soit la dernière pandémie de l’histoire de l’humanité, donc si nous voulons éviter le chaos de 2020 et les pertes tragiques tout en gardant la vie quotidienne aussi intacte que feasible lors de la prochaine pandémie, nous avons besoin de telles données- approches pilotées. »

Pour répondre aux problèmes de confidentialité, les données sur la mobilité sont présentées dans un structure agrégé, permettant aux chercheurs de voir des modèles sans identifier les utilisateurs individuels. Les données ne sont pas utilisées pour la recherche des contacts, l’identification des personnes infectées ou leur desired destination, ont déclaré les chercheurs.

“Notre approche repose sur des données agrégées anonymisées”, a déclaré Shahabi, co-auteur de l’étude et professeur d’ingénierie Helen N. et Emmett H. Jones et professeur d’informatique, de génie électrique et informatique et de sciences spatiales. “C’est la même chose que les données de trafic, où les informations d’un individu ne sont pas révélées, mais les données agrégées vous aideront à prendre une décision sur l’opportunité d’utiliser une certaine autoroute à un specified minute.”

L’article paraîtra dans ACM Transactions on Spatial Algorithms and Programs et est disponible en accès anticipé.

Approches basées sur les données

Selon les chercheurs, les outils de score de risque existants ne fournissent pas suffisamment d’informations détaillées sur les taux d’infection à des endroits spécifiques, ou ils font des hypothèses irréalistes sur la façon dont les populations se mélangent.

“Le risque d’infection varie beaucoup en fonction de l’emplacement, et avoir une politique distinctive, par exemple, au niveau du comté, overlook à quel issue certaines zones sont moreover risquées que d’autres”, a déclaré Zeighami.

Ainsi, en utilisant des données de mobilité réelles et les connaissances existantes sur la propagation de Covid-19, l’équipe a créé un simulateur pour générer des modèles d’infection réalistes. Dans la simulation, certains “brokers” sont initialement infectés et propagent la maladie en se déplaçant.

Ensuite, les chercheurs ont créé un modèle basé sur les processus de Hawkes, qui attribue des scores de risque en fonction de la densité de localisation et des modèles de mobilité à un second et à un endroit donnés. À l’aide du simulateur, les chercheurs ont testé le modèle pour déterminer s’il pouvait prédire avec précision le nombre d’infections à différents endroits. Il s’est avéré que les scores de risque étaient en effet une mesure fiable pour suivre les infections dans les villes des États-Unis, notamment San Francisco, New York, Chicago et Los Angeles.

Les chercheurs ont découvert, comme on pouvait s’y attendre, que les destinations populaires dans une ville sont plus risquées. Mais ils ont également constaté que l’intégration de la mobilité des bacterial infections – la façon dont les gens se déplacent – au lieu de se fier uniquement à la popularité d’une zone aidait à améliorer la prédiction des bacterial infections. Ceci, ont déclaré les chercheurs, souligne l’importance de rassembler les modèles de mobilité et les modèles de prédiction de la propagation des infections pour générer des scores de risque.

Il existe deux façons principales d’utiliser le système dans le monde réel, ont déclaré les chercheurs. Le cas le plus straightforward consiste à prendre des décisions politiques au niveau du quartier  : par exemple, les bars de Santa Monica, en Californie, devraient fermer aujourd’hui en raison du risque élevé dans ce quartier.

Pour des lieux moreover ciblés, comme un événement spécifique dans un stade de live performance, le système analyserait les données de mobilité de concerts similaires dans le passé pour savoir comment le risque d’infection modify dans la zone à la suite de ce variety d’événement. Ensuite, en utilisant le modèle des chercheurs et les données de mobilité actuelles à travers Los Angeles, le système pourrait faire des prédictions et attribuer des scores de risque.

À l’avenir, l’équipe prévoit de développer des scores de risque spécifiques à l’utilisateur, tout en préservant la confidentialité, et d’inclure des capacités de prévision à lengthy terme pour plusieurs semaines dans le futur.

“La très haute résolution de ces données de mobilité, ainsi que notre approche évolutive, nous permettront d’estimer des scores de risque à une résolution spatiale et temporelle très fantastic, par exemple, un cafe spécifique à l’heure du dîner, ou un centre professional à l’heure du déjeuner », a déclaré Shahabi.

“En tant qu’individu, vous voudrez peut-être éviter les zones jugées à haut risque, et les décideurs politiques pourraient avertir le general public d’éviter une zone connue pour être un point chaud potentiel d’infection. Les scores peuvent également être utilisés pour des décisions de fermeture ou de capacité réduite. Au lieu de prenant ces décisions au niveau du comté, les gurus en santé publique peuvent prendre ces décisions au niveau de la ville, du quartier ou du code postal. »