スタンフォードコンピュータモデルは、COVID-19が都市でどのように広がるかを予測します

COVID-19の症例が全国的に増加するにつれ、市当局は感染の拡大を防ぎ、事業を支援するという困難なバランスを取る行為を与えられてきました。スタンフォード大学のコンピューターモデルは、その作成者がコミュニティリーダーの意思決定を導くのに役立つことを期待する方法で、モビリティと連絡パターンを示しています。

スタンフォード大学のチームは、シミュレーションにより、施設が限られた容量で開業した場合の新たな感染と売上の損失との間のトレードオフが明らかになるため、モデルの特異性が当局にとって貴重なツールとして役立つ可能性があると述べています。

主な結論：モデル（およびスタンフォード大学からの上記のビデオ）によると、最大の50％で占有率を制限すると、経済は訪問の5〜10％しか失われず、感染の総数は50以上減少します。パーセント。

スタンフォード大学のチームは、携帯電話からの匿名化された大規模データを使用して、アトランタ、ダラス、ニューヨーク市など、合計9,800万人を超える米国の10大都市圏の移動パターンを分析しました。

コンピューターモデルは、感染リスクを引き起こす3つの要因を分析することにより、この春の10の主要都市でのCOVID-19の蔓延を正確に予測しました。一度に場所がどれだけ混雑するか。

関心のあるポイントでの感染のわずかな割合」と、感染の大部分を占めていることが判明しました。

今月ジャーナルに掲載されたこの研究Nature 、 人口統計データ、疫学的推定値、および匿名の携帯電話の位置情報の組み合わせを使用して、家の外でのほとんどのCOVID-19感染は、人々が長期間近くにいる「スーパースプレッダー」サイトで発生することを予測しました。

「私たちは、さまざまな人口統計学的背景の人々が、さまざまな地域から、多かれ少なかれ混雑しているさまざまなタイプの場所をどのように訪問するかを分析するためのコンピューターモデルを構築しました。これらすべてに基づいて、特定の場所または時間に新たな感染が発生する可能性を予測することができました」とJure Leskovec 、スタンフォード大学のコンピューター科学者および主任研究者。

Leskovecと彼のチームは、密度の上限、つまり施設の占有を制限することで、感染全体が減少し、COVID-19の影響を受けるコミュニティ間の格差も減少すると結論付けました。このモデルは、モビリティパターンが不均衡なリスクを引き起こすことを示唆しています。

「低所得のグループは、密度が高い場所に頻繁に出入りする可能性が高いことがわかりました」と、研究の共著者であるスタンフォード大学人文科学部の社会学教授であるデビッド・グルスキー氏は述べています（上のビデオ）。 「たとえば、低所得地域の食料品店は密度が高く、混雑する傾向があります。」

テクニカルブリーフのその他のコンピュータモデル

Tech Briefs TVで見る： MITコンピュータモデルは、これまでに作成された中で最も複雑な3DDNA形状を可能にします。

ビリーのブログ： 画期的なモデルは、充電式バッテリーの内部の見栄えを良くします。

雑誌の内容： NASAのモデルベースの診断エンジン

貧困と不平等に関するスタンフォードセンターの責任者でもあるGrusky氏は、このモデルは、占有率の上限が低い事業を再開することが、恵まれない人々に最も利益をもたらす傾向があることを示していると述べました。

「少数派や低所得者を雇用する場所は、多くの場合、より小さく、より混雑しているため、再開された店舗の占有率の上限は、彼らが直面するリスクを下げることができます」とGrusky氏は述べています。 「私たちは、現在の慣行が生み出している格差をなくす、または少なくとも減らす、再開計画を立てる責任があります。」

スタンフォードがデータを収集した方法

モバイルアプリケーションから匿名化された位置データを集約する会社であるSafeGraphは、スタンフォード大学のモデラーに人々がどこに行ったかを示しました。どれだけの時間;そして、最も重要なのは、研究者が1時間あたりの占有密度を判断できるように、各施設の平方フィートが何であったかです。

スタンフォードの調査対象の都市には、ニューヨーク、ロサンゼルス、シカゴ、ダラス、ワシントンD.C.、ヒューストン、アトランタ、マイアミ、フィラデルフィア、サンフランシスコが含まれていました。

調査のフェーズ1では、今年の3月8日から5月まで、移動度データを使用してコロナウイルスの感染率を予測しました。彼らのモデルでは、毎日保健当局に報告されたCOVID-19感染の数を組み込んだ後、研究者はさまざまな場所と時間での感染イベントの確率を計算するための一連の方程式を開発および改良しました。

予測は保健当局からの実際の報告と密接に追跡され、研究者にモデルの信頼性に対する自信を与えました。

博士課程の学生であるEmmaPiersonを含むチームは、他の研究者が調査結果を複製して構築できるように、ツールとデータを公開しました。

以下の簡単なQ＆Aで、Piersonは Tech Briefsに語っています。 モデルが再開戦略が「オールオアナッシング」である必要はないことを示唆している理由

技術概要 ：モデル自体では、特に既存のモデリング方法と比較して、ある種の価値のある「特異性」を可能にするどのような種類のデータが収集されていますか？

エマ・ピアソン： 携帯電話のデータを使用して人間の動きのパターンを追跡する会社であるSafeGraphからの匿名化された集約データを使用します。私たちのデータは、レストランや食料品店などの関心のあるポイント（POI）に1時間ごとに行く人の数を記録し、彼らが住んでいる地域も記録します。

私たちの分析は、2020年3月から5月（感染の最初の波）までの米国の10の大都市圏のデータに基づいています。このきめ細かいモビリティデータにより、誰が感染したか、どこで感染したか、いつ感染したかをモデル化できます。

技術概要 ：モデルから導き出された最も重要な結論は何だったと思いますか？

エマ・ピアソン： 私たちの分析から得られる結論はたくさんありますが、最も重要な2つは次のとおりです。

• 再開は「オールオアナッシング」である必要はありません。最大占有率を減らすなどの戦略により、感染を大幅に減らし、訪問数を比較的少なくすることで、より効率的に再開できます。
• 私たちのモデルは、人種的および社会経済的格差が部分的にモビリティによって引き起こされていることも示唆しています。それらは避けられないものではありませんが、短期的な政策決定によって影響を受ける可能性があります。したがって、再開戦略を評価する際には、人口全体への影響だけでなく、恵まれないグループへの影響も考慮することが重要です。これは、カリフォルニア州とバイデン-ハリス移行チームが、恵まれない人々に対する政策の再開の影響を具体的に検討するために取っている措置をサポートします。

技術概要 ：当局はどのようにしてモデルを最も効果的に使用できますか？

エマ・ピアソン： 上記の2つの調査結果は、直接ポリシーに関連しており、より効果的で公平な再開戦略の開発に役立ちます。また、政策立案者や一般の人々が私たちのモデルと対話し、そこから学ぶことができるオンラインツールを構築しています。最後に、元の分析は春のデータに基づいており、それ以降多くのことが変更されているため、より更新されたデータの分析の拡張に取り組んでいます。

どう思いますか？以下で質問やコメントを共有してください。