Stanford model kaart COVID-19 verspreiding in steden, leidt beleidsbeslissingen

Naarmate COVID-19 gevallen landelijk toenemen, hebben stadsofficials de moeilijke taak om de spreiding van infecties te voorkomen en bedrijven te ondersteunen. Een computermodel van Stanford University demonstreert mobiliteits- en contactpatronen op een manier dat de makers hopen zal helpen gemeenschapsleiders bij hun besluitvorming.

Het Stanford-team zegt dat de specificiteit van hun model een waardevol instrument kan zijn voor officials, aangezien de simulatie de afwegingen onthult tussen nieuwe infecties en verloren verkoop als vestigingen open gaan op beperkte capaciteit.

Een grote conclusie: Volgens het model (en de bovenstaande video van Stanford University), zal het beperken van bezetting op 50 procent van het maximum leiden tot een economie die slechts 5 tot 10 procent van bezoeken verliest, terwijl het totale aantal infecties met meer dan 50 procent wordt gereduceerd.

Met behulp van geanonimiseerde grootschalige data van mobiele telefoons, analyseerde het Stanford-team bewegingspatronen in 10 van de grootste metropolitane gebieden in de Verenigde Staten, inclusief Atlanta, Dallas en New York City — een groep van in totaal meer dan 98 miljoen mensen.

Het computermodel voorspelde de verspreiding van COVID-19 in de tien grote steden deze lente nauwkeurig door drie factoren die infectierisico drijven te analyseren: waar mensen in de loop van een dag naartoe gaan, hoe lang ze verblijven; en hoe druk de plekken op één moment worden.

„Een klein percentage van infecties bij points of interest,” blijkt het, „staat voor een groot percentage van infecties.”

De studie, deze maand gepubliceerd in het tijdschrift Nature , gebruikte een combinatie van demografische data, epidemiologische schattingen, en anonieme mobiele telefoon locatie-informatie, om te voorspellen dat de meeste COVID-19 transmissies buiten het huis plaatsvinden op „superspreader” sites,” waar mensen in nauwe kwarten voor uitgebreide periodes verblijven.

„We bouwden een computermodel om te analyseren hoe mensen van verschillende demografische achtergronden, en uit verschillende wijken, verschillende typen plekken bezoeken die meer of minder druk zijn. Gebaseerd op al dit, konden we de waarschijnlijkheid van nieuwe infecties voorspellen die op elk gegeven plaats of tijd optreden,” zei Jure Leskovec , een Stanford computerwetenschapper en hoofdonderzoeker.

Leskovec en zijn team concludeerden dat dichtheidslimieten, of het beperken van de bezetting van vestigingen, infecties in het geheel reduceert, evenals ongelijkheden tussen gemeenschappen beïnvloed door COVID-19. Het model suggereert dat mobiliteitspatronen onevenredige risico's drijven.

„Het blijkt dat laaginkomensgroepen meer geneigd zijn om plekken te frequenteren waarin dichtheden hoog zijn,” zei studie co-auteur David Grusky, een professor sociologie aan Stanford's School of Humanities and Sciences (in de bovenstaande video). „Bijvoorbeeld, supermarkten in laaginkomenswijken neigen ertoe hoger in dichtheid te zijn, en neigen ertoe meer druk te zijn.”

Hoe Stanford de data verzamelde

SafeGraph, een bedrijf dat geanonimiseerde locatiedata van mobiele applicaties aggregeert, toonde de Stanford-modelbouw aan waarheen mensen gingen; voor hoe lang; en, het meest belangrijk, wat de vierkante voeters van elk etablissement was zodat onderzoekers de uurlijkse bezettingsdichtheid konden bepalen.

De steden in de Stanford-studie omvatten New York, Los Angeles, Chicago, Dallas, Washington D.C., Houston, Atlanta, Miami, Philadelphia en San Francisco.

In fase een van de studie, van 8 maart tot mei van dit jaar, werd mobiliteitsdata gebruikt om de transmissiesnelheid van het coronavirus te voorspellen. In hun model, na het incorporeren van het aantal COVID-19 infecties gerapporteerd aan gezondheidsofficials elke dag, ontwikkelden en verfijnden de onderzoekers een reeks vergelijkingen om de kans op infectieuze gebeurtenissen op verschillende plekken en tijden te berekenen.

De voorspellingen volgden nauwkeurig de daadwerkelijke rapporten van gezondheidsofficials, wat de onderzoekers vertrouwen gaf in de betrouwbaarheid van het model.

Het team, dat PhD-student Emma Pierson omvatte, heeft zijn tools en data publiekelijk beschikbaar gemaakt zodat andere onderzoekers de bevindingen kunnen repliceren en erop kunnen bouwen.

In een korte Q&A hieronder, vertelt Pierson Tech Briefs waarom het model suggereert dat een heropeningsstrategie niet „alles-of-niets” hoeft te zijn.

Tech Briefs: Met het model zelf, wat voor soort data wordt verzameld dat een soort waardevolle „specificiteit” toelaat, vooral vergeleken met bestaande modelmethoden?

Emma Pierson: We gebruiken geanonimiseerde, geaggregeerde data van SafeGraph, een bedrijf dat menselijke bewegingspatronen trackt met mobiele telefoondata. Onze data registreert hoeveel mensen naar points of interest (POIs) zoals restaurants en supermarkten gaan elk uur, en registreert ook de wijken waar ze vandaan komen.

Onze analyse is gebaseerd op data van tien grote Amerikaanse metrogebieden van maart tot mei 2020 (de eerste golf van infecties). Deze fijnmazige mobiliteitsdata stelt ons in staat om te modelleren wie geïnfecteerd is, waar ze geïnfecteerd zijn, en wanneer ze geïnfecteerd zijn.

Tech Briefs: Wat was de belangrijkste conclusie, denk je, die getrokken werd uit jullie model?

Emma Pierson: Er zijn een aantal conclusies die uit onze analyse vloeien, maar twee van de meest belangrijke zijn:

• Heropenen hoeft niet „alles-of-niets” te zijn: strategieën zoals het reduceren van maximale bezetting kunnen ons in staat stellen efficiënter te heropenen door een grote reductie in infecties te bieden voor een relatief kleine reductie in bezoeken.
• Ons model suggereert ook dat ras- en sociaaleconomische ongelijkheden deels gedreven worden door mobiliteit: ze zijn niet onvermijdelijk, maar kunnen beïnvloed worden door kortetermijn beleidsbeslissingen. Daarom, bij het evalueren van heropeningsstrategieën, is het belangrijk niet alleen de impact op de bevolking als geheel te overwegen, maar ook de impact op benadeelde groepen. Dit ondersteunt stappen die genomen worden door Californië en de Biden-Harris overgangsteam om specifiek de impact van heropeningsbeleid op benadeelde bevolkingsgroepen te overwegen.

Tech Briefs: Hoe kunnen officials jullie model het meest effectief gebruiken?

Emma Pierson: De twee bevindingen hierboven zijn direct beleidsrelevant, en helpen ons meer effectieve en eerlijke heropeningsstrategieën te ontwikkelen. We bouwen ook een online tool die beleidsmakers en leden van het publiek in staat stelt om te interacteren met en te leren van ons model. Ten slotte werken we aan het uitbreiden van de analyse op meer actuele data, aangezien de oorspronkelijke analyse gebaseerd is op data uit de lente, en veel dingen zijn sindsdien veranderd.

Wat denk je? Deel je vragen en opmerkingen hieronder.