Stanford-computermodel voorspelt hoe COVID-19 zich in steden verspreidt

Naarmate het aantal gevallen van COVID-19 in het hele land toeneemt, hebben stadsfunctionarissen de moeilijke evenwichtsoefening gekregen om de verspreiding van infecties te voorkomen en bedrijven te ondersteunen. Een computermodel van Stanford University demonstreert mobiliteits- en contactpatronen op een manier waarvan de makers hopen dat ze de besluitvorming van gemeenschapsleiders zullen helpen sturen.

Het Stanford-team zegt dat de specificiteit van hun model een waardevol hulpmiddel kan zijn voor ambtenaren, aangezien de simulatie de afwegingen tussen nieuwe infecties en verloren verkopen aan het licht brengt als vestigingen met beperkte capaciteit opengaan.

Een belangrijke conclusie:volgens het model (en de bovenstaande video van Stanford University) zal het beperken van de bezetting tot 50 procent van het maximum ertoe leiden dat de economie slechts 5 tot 10 procent van de bezoeken verliest, terwijl het totale aantal infecties met meer dan 50 wordt verminderd procent.

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

Het computermodel voorspelde nauwkeurig de verspreiding van COVID-19 in de tien grote steden dit voorjaar door drie factoren te analyseren die het infectierisico vergroten:waar mensen in de loop van een dag naartoe gaan, hoe lang ze blijven hangen; en hoe druk de plaatsen tegelijk zijn.

Een klein percentage besmettingen op bezienswaardigheden", zo blijkt, is verantwoordelijk voor een groot percentage besmettingen.

De studie, deze maand gepubliceerd in het tijdschrift Nature , gebruikten een combinatie van demografische gegevens, epidemiologische schattingen en anonieme locatie-informatie van mobiele telefoons om te voorspellen dat de meeste COVID-19-transmissies buitenshuis plaatsvinden op 'superspreader'-locaties", waar mensen gedurende langere perioden in de buurt verblijven.

“We hebben een computermodel gebouwd om te analyseren hoe mensen met verschillende demografische achtergronden en uit verschillende buurten verschillende soorten plaatsen bezoeken die meer of minder druk zijn. Op basis van dit alles konden we de kans voorspellen dat nieuwe infecties zich op een bepaalde plaats of tijd voordoen”, zegt Jure Leskovec , een computerwetenschapper en hoofdonderzoeker van Stanford.

Leskovec en zijn team kwamen tot de conclusie dat dichtheidslimieten, of het beperken van de bezetting van vestigingen, infecties in het algemeen verminderen, evenals de verschillen tussen gemeenschappen die worden getroffen door COVID-19. Het model suggereert dat mobiliteitspatronen leiden tot onevenredige risico's.

"Het blijkt dat groepen met een laag inkomen vaker op plaatsen komen waar de dichtheden hoog zijn", zegt co-auteur David Grusky, hoogleraar sociologie aan Stanford's School of Humanities and Sciences (in de bovenstaande video). "Bijvoorbeeld, supermarkten in buurten met lage inkomens hebben een hogere dichtheid en zijn meestal drukker."

Meer computermodellen op technische briefing

Kijk op Tech Briefs TV: Een MIT-computermodel maakt de meest complexe 3D-DNA-vormen mogelijk die ooit zijn gemaakt.

Billy's Blog: Een baanbrekend model biedt een betere kijk in oplaadbare batterijen.

In het tijdschrift: NASA's modelgebaseerde diagnose-engine

Grusky, die ook leiding geeft aan het Stanford Centre on Poverty and Inequality, zei dat het model aantoont hoe het heropenen van bedrijven met een lagere bezettingsgraad het meest ten goede komt aan kansarme groepen.

"Omdat de plaatsen waar minderheden en mensen met een laag inkomen werken vaak kleiner en drukker zijn, kunnen bezettingslimieten voor heropende winkels de risico's waarmee ze worden geconfronteerd, verminderen", zei Grusky. "We hebben de verantwoordelijkheid om heropeningsplannen op te stellen die de ongelijkheden die de huidige praktijken veroorzaken, wegnemen - of in ieder geval verminderen."

Hoe Stanford de gegevens verzamelde

SafeGraph, een bedrijf dat geanonimiseerde locatiegegevens van mobiele applicaties verzamelt, liet de Stanford-modelleurs zien waar mensen heen gingen; voor hoelang; en, belangrijker nog, wat de vierkante meters van elke vestiging waren, zodat onderzoekers de bezettingsdichtheid per uur konden bepalen.

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

In fase één van het onderzoek, van 8 maart tot mei van dit jaar, werden mobiliteitsgegevens gebruikt om de overdrachtssnelheid van het coronavirus te voorspellen. In hun model hebben de onderzoekers, na rekening te hebben gehouden met het aantal COVID-19-infecties dat elke dag aan gezondheidsfunctionarissen wordt gemeld, een reeks vergelijkingen ontwikkeld en verfijnd om de kans op infectieuze gebeurtenissen op verschillende plaatsen en tijdstippen te berekenen.

De voorspellingen kwamen nauw overeen met de feitelijke rapporten van gezondheidsfunctionarissen, waardoor de onderzoekers vertrouwen hadden in de betrouwbaarheid van het model.

Het team, waaronder promovendus Emma Pierson, heeft zijn tools en gegevens openbaar gemaakt, zodat andere onderzoekers de bevindingen kunnen repliceren en erop voortbouwen.

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 gegevens worden verzameld die een soort waardevolle "specificiteit" mogelijk maken, vooral in vergelijking met bestaande modelleringsmethoden?

Emma Pierson: We gebruiken geanonimiseerde, geaggregeerde gegevens van SafeGraph, een bedrijf dat menselijke bewegingspatronen volgt met behulp van mobiele telefoongegevens. Onze gegevens registreren hoeveel mensen op elk uur naar nuttige punten (POI's) gaan, zoals restaurants en supermarkten, en registreren ook de buurten waar ze vandaan komen.

Onze analyse is gebaseerd op gegevens uit tien grote Amerikaanse metropolen van maart tot mei 2020 (de eerste golf van besmettingen). Met deze fijnmazige mobiliteitsgegevens kunnen we modelleren wie geïnfecteerd is, waar ze zijn geïnfecteerd en wanneer ze zijn geïnfecteerd.

Tech Briefs :Wat was volgens jou de belangrijkste conclusie die uit je model werd getrokken?

Emma Pierson: Er zijn een aantal conclusies die voortvloeien uit onze analyse, maar twee van de belangrijkste zijn:

• Heropening hoeft niet "alles-of-niets" te zijn:strategieën zoals het verminderen van de maximale bezetting kunnen ons in staat stellen om efficiënter te heropenen door een grote vermindering van infecties te bieden voor een relatief kleine vermindering van bezoeken.
• Ons model suggereert ook dat raciale en sociaaleconomische verschillen gedeeltelijk worden veroorzaakt door mobiliteit:ze zijn niet onvermijdelijk, maar kunnen worden beïnvloed door beleidsbeslissingen op korte termijn. Daarom is het bij het evalueren van heropeningsstrategieën belangrijk om niet alleen rekening te houden met de impact op de bevolking als geheel, maar ook op de impact op kansarme groepen. Dit ondersteunt de stappen die worden genomen door Californië en het Biden-Harris-transitieteam om specifiek rekening te houden met de impact van het heropeningsbeleid op kansarme bevolkingsgroepen.

Tech Briefs :Hoe kunnen ambtenaren uw model het meest effectief gebruiken?

Emma Pierson: De twee bovenstaande bevindingen zijn direct beleidsrelevant en helpen ons om effectievere en rechtvaardigere heropeningsstrategieën te ontwikkelen. We bouwen ook aan een online tool waarmee beleidsmakers en het publiek kunnen communiceren met en leren van ons model. Ten slotte werken we eraan om de analyse uit te breiden met meer bijgewerkte gegevens, aangezien de oorspronkelijke analyse is gebaseerd op gegevens van het voorjaar en sindsdien zijn er veel dingen veranderd.

Wat denk je? Deel uw vragen en opmerkingen hieronder.