Stanford-Computermodell sagt voraus, wie sich COVID-19 in Städten ausbreitet

Da die Zahl der COVID-19-Fälle im ganzen Land zunimmt, mussten die Stadtbeamten den schwierigen Balanceakt bewältigen, die Ausbreitung von Infektionen zu verhindern und Unternehmen zu unterstützen. Ein Computermodell der Stanford University demonstriert Mobilitäts- und Kontaktmuster auf eine Weise, von der seine Ersteller hoffen, dass sie bei der Entscheidungsfindung von Gemeindevorstehern helfen wird.

Das Stanford-Team sagt, dass die Spezifität ihres Modells als wertvolles Werkzeug für Beamte dienen könnte, da die Simulation die Kompromisse zwischen Neuinfektionen und Umsatzverlusten aufzeigt, wenn Einrichtungen mit begrenzten Kapazitäten öffnen.

Eine wichtige Schlussfolgerung:Nach dem Modell (und dem obigen Video der Stanford University) wird eine Begrenzung der Belegung auf 50 Prozent des Maximums dazu führen, dass die Wirtschaft nur 5 bis 10 Prozent der Besuche verliert, während die Gesamtzahl der Infektionen um über 50 reduziert wird Prozent.

Unter Verwendung anonymisierter Großdaten von Mobiltelefonen analysierte das Stanford-Team Bewegungsmuster in 10 der größten Ballungsräume der Vereinigten Staaten, darunter Atlanta, Dallas und New York City – eine Gruppe mit insgesamt über 98 Millionen Menschen.

Das Computermodell sagte die Ausbreitung von COVID-19 in den zehn Großstädten in diesem Frühjahr genau voraus, indem es drei Faktoren analysierte, die das Infektionsrisiko bestimmen:wohin die Menschen im Laufe eines Tages gehen, wie lange sie verweilen; und wie überfüllt die Orte auf einmal werden.

Wie sich herausstellt, macht ein kleiner Prozentsatz der Infektionen an Points of Interest einen großen Prozentsatz der Infektionen aus.

Die Studie wurde diesen Monat in der Zeitschrift Nature veröffentlicht , verwendeten eine Kombination aus demografischen Daten, epidemiologischen Schätzungen und anonymen Standortinformationen von Mobiltelefonen, um vorherzusagen, dass die meisten COVID-19-Übertragungen außerhalb des Hauses an „Superspreader“-Standorten stattfinden, an denen sich Menschen über längere Zeiträume auf engstem Raum aufhalten.

„Wir haben ein Computermodell erstellt, um zu analysieren, wie Menschen mit unterschiedlichem demografischem Hintergrund und aus verschiedenen Stadtteilen verschiedene Arten von Orten besuchen, die mehr oder weniger überfüllt sind. Auf der Grundlage all dessen könnten wir die Wahrscheinlichkeit vorhersagen, dass an einem bestimmten Ort oder zu einer bestimmten Zeit neue Infektionen auftreten“, sagte Jure Leskovec , Informatiker und leitender Forscher aus Stanford.

Leskovec und sein Team kamen zu dem Schluss, dass Dichtebegrenzungen oder die Beschränkung der Belegung von Einrichtungen die Infektionen insgesamt sowie die Unterschiede zwischen den von COVID-19 betroffenen Gemeinden verringern. Das Modell legt nahe, dass Mobilitätsmuster unverhältnismäßige Risiken mit sich bringen.

„Es stellt sich heraus, dass einkommensschwache Gruppen häufiger Orte mit hoher Bevölkerungsdichte aufsuchen“, sagte der Co-Autor der Studie, David Grusky, Professor für Soziologie an der Stanford School of Humanities and Sciences (im obigen Video). "Zum Beispiel sind Lebensmittelgeschäfte in einkommensschwachen Vierteln tendenziell dichter und überfüllter."

Weitere Computermodelle in Tech Briefs

Auf Tech Briefs TV ansehen: Ein MIT-Computermodell ermöglicht die komplexesten 3D-DNA-Formen, die jemals hergestellt wurden.

Billys Blog: Ein bahnbrechendes Modell bietet einen besseren Einblick in das Innere wiederaufladbarer Batterien.

Im Magazin: Die modellbasierte Diagnose-Engine der NASA

Grusky, der auch das Stanford Center on Poverty and Inequality leitet, sagte, das Modell zeige, wie benachteiligte Gruppen am meisten von der Wiedereröffnung von Unternehmen mit niedrigeren Belegungsgrenzen profitieren.

„Da die Orte, an denen Minderheiten und Menschen mit niedrigem Einkommen beschäftigt sind, oft kleiner und überfüllter sind, können Belegungsobergrenzen für wiedereröffnete Geschäfte die Risiken verringern, denen sie ausgesetzt sind“, sagte Grusky. „Wir haben die Verantwortung, Wiedereröffnungspläne zu erstellen, die die Ungleichheiten beseitigen – oder zumindest verringern – die durch die derzeitigen Praktiken entstehen.“

Wie Stanford die Daten sammelte

SafeGraph, ein Unternehmen, das anonymisierte Standortdaten aus mobilen Anwendungen sammelt, zeigte den Stanford-Modellierern, wohin die Menschen gingen; für wie lange; und, was am wichtigsten ist, die Quadratmeterzahl jeder Einrichtung, damit die Forscher die stündliche Belegungsdichte bestimmen konnten.

Zu den Städten in der Stanford-Studie gehörten New York, Los Angeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Philadelphia und San Francisco.

In Phase eins der Studie vom 8. März bis Mai dieses Jahres wurden Mobilitätsdaten verwendet, um die Übertragungsrate des Coronavirus vorherzusagen. Nachdem die Forscher die Zahl der täglich den Gesundheitsbehörden gemeldeten COVID-19-Infektionen in ihr Modell aufgenommen hatten, entwickelten und verfeinerten sie eine Reihe von Gleichungen, um die Wahrscheinlichkeit von Infektionsereignissen an verschiedenen Orten und zu verschiedenen Zeiten zu berechnen.

Die Vorhersagen stimmten eng mit den tatsächlichen Berichten der Gesundheitsbehörden überein, was den Forschern Vertrauen in die Zuverlässigkeit des Modells gab.

Das Team, zu dem auch die Doktorandin Emma Pierson gehörte, hat seine Tools und Daten öffentlich zugänglich gemacht, damit andere Forscher die Ergebnisse replizieren und darauf aufbauen können.

In einem kurzen Q&A unten erzählt Pierson Tech Briefs warum das Modell darauf hindeutet, dass eine Wiedereröffnungsstrategie nicht „alles oder nichts“ sein muss.

Technische Informationen :Welche Art von Daten werden mit dem Modell selbst gesammelt, die eine Art wertvolle "Spezifität" ermöglichen, insbesondere im Vergleich zu bestehenden Modellierungsmethoden?

Emma Pierson: Wir verwenden anonymisierte, aggregierte Daten von SafeGraph, einem Unternehmen, das menschliche Bewegungsmuster anhand von Handydaten verfolgt. Unsere Daten erfassen, wie viele Personen stündlich zu Points of Interest (POIs) wie Restaurants und Lebensmittelgeschäften gehen, und erfassen auch die Nachbarschaften, aus denen sie kommen.

Unsere Analyse basiert auf Daten aus zehn großen US-Metropolen von März bis Mai 2020 (der ersten Infektionswelle). Diese detaillierten Mobilitätsdaten ermöglichen es uns, zu modellieren, wer infiziert ist, wo sie infiziert sind und wann sie infiziert sind.

Technische Informationen :Was war Ihrer Meinung nach die wichtigste Schlussfolgerung, die aus Ihrem Modell gezogen wurde?

Emma Pierson: Aus unserer Analyse lassen sich eine Reihe von Schlussfolgerungen ziehen, aber zwei der wichtigsten sind:

• Die Wiedereröffnung muss nicht „alles oder nichts“ sein:Strategien wie die Reduzierung der maximalen Belegung können es uns ermöglichen, effizienter wieder zu öffnen, indem sie eine große Reduzierung der Infektionen bei einer relativ geringen Reduzierung der Besuche ermöglichen.
• Unser Modell deutet auch darauf hin, dass rassische und sozioökonomische Unterschiede teilweise durch Mobilität verursacht werden:Sie sind nicht unvermeidlich, können aber durch kurzfristige politische Entscheidungen beeinflusst werden. Daher ist es wichtig, bei der Bewertung von Wiedereröffnungsstrategien nicht nur die Auswirkungen auf die Bevölkerung als Ganzes zu berücksichtigen, sondern auch die Auswirkungen auf benachteiligte Gruppen. Dies unterstützt die von Kalifornien und dem Biden-Harris-Übergangsteam unternommenen Schritte, um speziell die Auswirkungen der Wiedereröffnungsrichtlinien auf benachteiligte Bevölkerungsgruppen zu berücksichtigen.

Technische Informationen :Wie können Beamte Ihr Modell am effektivsten nutzen?

Emma Pierson: Die beiden oben genannten Ergebnisse sind direkt politisch relevant und helfen uns, effektivere und gerechtere Wiedereröffnungsstrategien zu entwickeln. Wir bauen auch ein Online-Tool auf, das es politischen Entscheidungsträgern und Mitgliedern der Öffentlichkeit ermöglichen kann, mit unserem Modell zu interagieren und daraus zu lernen. Schließlich arbeiten wir daran, die Analyse auf aktuellere Daten auszudehnen, da die ursprüngliche Analyse auf Daten aus dem Frühjahr basiert und sich seitdem viele Dinge geändert haben.

Was denken Sie? Teilen Sie unten Ihre Fragen und Kommentare.