Teknologi prototipe menyusut AI untuk menghadirkan fungsionalitas seperti otak dalam satu perangkat yang kuat - ScienceDaily
Society

Model komputer dapat memprediksi bagaimana COVID-19 menyebar di kota-kota – ScienceDaily


Sebuah tim peneliti telah menciptakan model komputer yang secara akurat memprediksi penyebaran COVID-19 di 10 kota besar pada musim semi ini dengan menganalisis tiga faktor yang mendorong risiko infeksi: ke mana orang pergi dalam sehari, berapa lama mereka bertahan dan berapa banyak. orang lain mengunjungi tempat yang sama pada waktu yang sama.

“Kami membuat model komputer untuk menganalisis bagaimana orang dengan latar belakang demografis yang berbeda, dan dari lingkungan yang berbeda, mengunjungi berbagai jenis tempat yang lebih atau kurang ramai. Berdasarkan semua ini, kami dapat memprediksi kemungkinan infeksi baru yang terjadi di tempat tertentu. tempat atau waktu, “kata Jure Leskovec, ilmuwan komputer Stanford yang memimpin upaya, yang melibatkan peneliti dari Universitas Northwestern.

Studi yang dipublikasikan hari ini di jurnal Alam, menggabungkan data demografis, perkiraan epidemiologis, dan informasi lokasi ponsel anonim, dan tampaknya mengkonfirmasi bahwa sebagian besar penularan COVID-19 terjadi di situs “superspreader”, seperti restoran layanan lengkap, pusat kebugaran, dan kafe, tempat orang-orang tetap berada dalam jarak dekat untuk waktu yang lama . Para peneliti mengatakan spesifisitas model mereka dapat berfungsi sebagai alat bagi para pejabat untuk membantu meminimalkan penyebaran COVID-19 saat mereka membuka kembali bisnis dengan mengungkapkan pengorbanan antara infeksi baru dan kehilangan penjualan jika perusahaan buka, katakanlah, pada kapasitas 20 persen atau 50 persen. .

Rekan penulis studi David Grusky, seorang profesor sosiologi di Sekolah Humaniora dan Ilmu Pengetahuan Stanford, mengatakan kemampuan prediksi ini sangat berharga karena memberikan wawasan baru yang berguna tentang faktor-faktor di balik tingkat infeksi yang tidak proporsional pada minoritas dan orang berpenghasilan rendah. “Di masa lalu, disparitas ini diasumsikan didorong oleh kondisi yang sudah ada sebelumnya dan akses yang tidak setara ke perawatan kesehatan, sedangkan model kami menunjukkan bahwa pola mobilitas juga membantu mendorong risiko yang tidak proporsional ini,” katanya.

Grusky, yang juga mengarahkan 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.”

Leskovec mengatakan model tersebut “menawarkan bukti terkuat” bahwa kebijakan tinggal di rumah yang diberlakukan musim semi ini mengurangi jumlah perjalanan ke luar rumah dan memperlambat laju infeksi baru.

Mengikuti langkah kaki

Studi ini melacak pergerakan 98 juta orang Amerika di 10 wilayah metropolitan terbesar negara melalui setengah juta tempat yang berbeda, dari restoran dan pusat kebugaran hingga toko hewan peliharaan dan dealer mobil baru.

Tim tersebut termasuk mahasiswa PhD Stanford, Serina Chang, Pang Wei Koh dan Emma Pierson, yang lulus musim panas ini, dan peneliti Northwestern University Jaline Gerardin dan Beth Redbird, yang mengumpulkan data studi untuk 10 wilayah metropolitan. Dalam urutan populasi, kota-kota ini meliputi: New York, Los Angeles, Chicago, Dallas, Washington, DC, Houston, Atlanta, Miami, Philadelphia, dan San Francisco.

SafeGraph, sebuah perusahaan yang mengumpulkan data lokasi anonim dari aplikasi seluler, memberikan data peneliti yang menunjukkan mana dari 553.000 lokasi publik seperti toko perangkat keras dan tempat ibadah yang dikunjungi orang setiap hari; untuk berapa lama; dan, yang terpenting, berapa luas luas tiap bangunan sehingga peneliti dapat menentukan kepadatan hunian per jam.

Para peneliti menganalisis data dari 8 Maret hingga 9 Mei dalam dua fase berbeda. Pada tahap pertama, mereka memasukkan data mobilitas model mereka dan merancang sistem mereka untuk menghitung variabel epidemiologi penting: tingkat penularan virus dalam berbagai keadaan berbeda di 10 wilayah metropolitan. Dalam kehidupan nyata, tidak mungkin untuk mengetahui sebelumnya kapan dan di mana orang yang mudah terinfeksi dan rentan melakukan kontak untuk menciptakan infeksi baru yang potensial. Tetapi dalam model mereka, para peneliti mengembangkan dan menyempurnakan serangkaian persamaan untuk menghitung kemungkinan kejadian menular di tempat dan waktu yang berbeda. Persamaan tersebut dapat memecahkan variabel yang tidak diketahui karena para peneliti memberi makan komputer satu fakta penting yang diketahui: berapa banyak infeksi COVID-19 yang dilaporkan ke pejabat kesehatan di setiap kota setiap hari.

Para peneliti menyempurnakan model tersebut hingga dapat menentukan tingkat penularan virus di setiap kota. Tarif bervariasi dari kota ke kota tergantung pada faktor-faktor mulai dari seberapa sering orang keluar rumah hingga jenis lokasi yang mereka kunjungi.

Setelah para peneliti memperoleh tingkat penularan untuk 10 wilayah metropolitan, mereka menguji model tersebut selama fase dua dengan memintanya untuk menggandakan tingkat penularan untuk setiap kota terhadap database pola mobilitas mereka untuk memprediksi infeksi COVID-19 baru. Prediksi tersebut dilacak secara dekat dengan laporan aktual dari pejabat kesehatan, memberikan kepercayaan peneliti pada keandalan model.

Memprediksi infeksi

Dengan menggabungkan model mereka dengan data demografis yang tersedia dari database 57.000 kelompok blok sensus – lingkungan 600 hingga 3.000 orang – para peneliti menunjukkan bagaimana minoritas dan orang berpenghasilan rendah lebih sering meninggalkan rumah karena pekerjaan mereka membutuhkannya, dan berbelanja di yang lebih kecil. , tempat yang lebih ramai daripada orang dengan pendapatan lebih tinggi, yang bisa bekerja dari rumah, menggunakan pengiriman ke rumah untuk menghindari belanja dan melindungi bisnis yang lebih banyak ruang saat mereka pergi keluar. Misalnya, penelitian tersebut mengungkapkan bahwa kira-kira dua kali lebih berisiko bagi populasi non-kulit putih untuk membeli bahan makanan dibandingkan dengan kulit putih. “Dengan menggabungkan kumpulan data mobilitas, demografis, dan epidemiologis, kami dapat menggunakan model kami untuk menganalisis efektivitas dan kesetaraan berbagai kebijakan pembukaan kembali,” kata Chang.

Tim telah membuat alat dan datanya tersedia untuk umum sehingga peneliti lain dapat mereplikasi dan mengembangkan temuan.

“Pada prinsipnya, siapa pun dapat menggunakan model ini untuk memahami konsekuensi dari keputusan kebijakan tinggal di rumah dan penutupan bisnis yang berbeda,” kata Leskovec, yang timnya sekarang bekerja untuk mengembangkan model tersebut menjadi alat yang mudah digunakan bagi pembuat kebijakan dan kesehatan masyarakat. pejabat.

Jure Leskovec adalah profesor madya ilmu komputer di Stanford Engineering, anggota Stanford Bio-X dan Wu Tsai Neurosciences Institute. David Grusky adalah Profesor Edward Ames Edmonds di Sekolah Humaniora dan Sains, dan rekan senior di Institut Penelitian Kebijakan Ekonomi Stanford (SIEPR).

Penelitian ini didukung oleh National Science Foundation, Stanford Data Science Initiative, Wu Tsai Neurosciences Institute dan Chan Zuckerberg Biohub.

Dipersembahkan Oleh : Lapak Judi

Baca Juga : Pengeluaran HK