Badanie precyzyjnie śledzi rozprzestrzenianie się COVID-19 za pomocą Big Data

Międzynarodowy zespół badawczy prowadzony przez University of Hong Kong (HKU) opracował nową metodę do precyzyjnego śledzenia rozprzestrzeniania się COVID-19 za pomocą danych dotyczących przepływu ludzkości oraz stworzył nowy model oceny ryzyka do identyfikacji lokalizacji wysokiego ryzyka COVID-19 na wczesnym etapie, model służący ekspertom od zdrowia publicznego oraz decydentom jako wartościowy zestaw narzędzi do implementacji kontroli chorób zakaźnych podczas nowych epidemii. Wyniki badań zostały dzisiaj (29 kwietnia) opublikowane w czasopiśmie Nature.

Dr. Jayson Jia, profesor nadzwyczajny Marketingu na wydziale Biznesu i Ekonomii HKU i główny autor badań wraz ze współpracownikami użył ogólnonarodowych danych dostarczonych przez głównego przewoźnika krajowego w Chinach aby śledzić ruchy populacji Wuhanu  pomiędzy 1-24 stycznia 2020, okresie obejmującym coroczną masową migrację Chunyun przed Chińskim Nowym Rokiem Księżycowym do zamknięcia miasta w celu zahamowania rozprzestrzeniania się wirusa. Śledzono przemieszczanie się ponad 11 milionów ludzi podróżujących przez Wuhan do 296 prefektur w 31 prowincjach i regionach Chin.

W odróżnieniu od typowych modeli epidemiologicznych bazujących na historycznych danych i przypuszczeniach, zespół użył danych czasu rzeczywistego o aktualnych przemieszczeniach, koncentrując się przede wszystkim na całkowitym ruchu populacji niż na indywidualnym śledzeniu. Dane zawierały każdego użytkownika komórki, który spędził w Wuhanie co najmniej 2 godziny podczas okresu badań. Lokalizacje wykryto ilekroć użytkownicy telefonów mieli je włączone.  Jako że użyto jedynie zbiorczych danych bez wykorzystywania danych indywidualnych, nie było zagrożenia dla prywatności konsumentów.

Łącząc dane o przepływie populacji z liczbą i lokalizacją potwierdzonych do 19 lutego 2020 przypadków COVID-19 w Chinach, zespół Dr Jia wykazał, że relatywna ilość  przemieszczeń  od epicentrum choroby, w tym przypadku Wuhanu, bezpośrednio przewidziało relatywną częstotliwość i geograficzną dystrybucję liczby przypadków COVID-19 w Chinach. Naukowcy odkryli, że ich model jest w stanie statystycznie wyjaśnić 96% dystrybucji i intensywności rozprzestrzeniania się COVID-19 w Chinach.

Grupa badawcza użyła następnie tej empirycznej zależności aby  stworzyć narzędzie do wykrywania nowego ryzyka. Opierając się na danych o przemieszczeniach ludzi, naukowcy stworzyli “wzór spodziewanego wzrostu” bazujący na liczbie ludzi przybywających ze źródła ryzyka, np. epicentrum choroby. Zespół opracował przy tym nowy model ryzyka poprzez przeciwstawienie spodziewanego wzrostu zachorowań z właściwą liczbą potwierdzonych zachorowań dla każdego miasta w Chinach,  różnicę określając jako “ryzyka transmisji społecznościowej.”

Jeżeli więcej jest potwierdzonych przypadków niż tych spodziewanych, istnieje większe ryzyko społecznego rozprzestrzeniania. Jeżeli spodziewanych przypadków jest mniej niż zgłoszonych, oznacza to, że środki zapobiegawcze miasta są częściowo efektywne lub może to wskazywać na to, że niezbędne jest dalsze dochodzenie przez władze centralne w celu wyeliminowania możliwego ryzyka wynikającego z niedokładnych badań – wyjaśnia  Dr Jia.

– Innowacyjne w naszym podejściu jest użycie błędnego przewidywania aby ocenić poziom ryzyka społecznego. Nasz model dokładnie wskazuje ilu przypadków powinniśmy się spodziewać biorąc pod uwagę dane przemieszczania się. Kontrastujemy to z przypadkami potwierdzonymi używając logiki, mówiącej że to, czego nie można wyjaśnić poprzez zaimportowane przypadki i wstępne transmisje powinno być traktowane jako transmisja społecznościowa – dodaje.

To podejście jest korzystne, ponieważ nie wymaga stosowania przypuszczeń ani wiedzy o tym dlaczego ani w jaki sposób wirus się rozprzestrzenia, jest odporne na niedokładności raportowanych danych i wymaga jedynie wiedzy o relatywnej dystrybucji ruchu ludzkiego. Może być używane przez decydentów każdego kraju z posiadanymi danymi do podejmowania błyskawicznych i trafnych ocen ryzyka i planowania z wyprzedzeniem alokacji limitowanych zasobów dla bieżących ognisk choroby.

– Z naszych badań wynika, że geograficzny przepływ ludzi przewyższa inne pomiary takie jak rozmiar populacji, zamożność czy odległość od źródła ryzyka we wskazywaniu siły ciężkości ogniska – powiedział  Dr Jia.

Dr Jia wraz ze współpracownikami naukowymi bada obecnie wykonalność zastosowania tego zestawu narzędzi dla innych krajów oraz rozszerzenia go o sytuacje, w których występuje wiele epicentrów COVID-19. Zespół współpracuje  z innymi krajowymi operatorami telekomunikacyjnymi i poszukuje kolejnych partnerów danych.

Współautorami badań są Profesor Jianmin Jia, Kierownik Katedry przy Chinese University of Hong Kong, Shenzhen (autor do korespondencji); Nicholas A. Christakis, Sterling Professor Nauk Społecznych i Przyrodniczych w Yale; Xin Lu, the National University of Defense Technology in Changsha, China, oraz the Karolinska Institutet in Stockholm, Sweden; Yun Yuan, Southwest Jiaotong University; Ge Xu, Hunan University of Technology and Business.

Źródło: Population flow drives spatio-temporal distribution of COVID-19 in China (Nature), The University of Hong Kong

blank

Kazimierz Przybysz

Dolnoślązak, quasi-poeta i_nżynier (bezsprzeczny). Interesują go słowa i czyny. Ukończył inżynierię zarządzania (Wirtschaftsingenieurwesen) na niemieckiej HSZG. Publikuje w Stronie Czynnej i na Portalu Pisarskim. Słucha muzyki, gotuje i medytuje. No i tłumaczy, najlepiej jak potrafi.
blank
ORION Organizacja Społeczna
Instytut Ekologii Akustycznej
ul. Hoża 86 lok. 410
00-682 Warszawa
Email: instytut@yahoo.com
KRS: 0000499971
NIP: 7123285593
REGON: 061657570
Konto. Nest Bank:
92 2530 0008 2041 1071 3655 0001
Wszystkie treści publikowane w serwisie są udostępniane na licencji Creative Commons: uznanie autorstwa - użycie niekomercyjne - bez utworów zależnych 4.0 Polska (CC BY-NC-ND 4.0 PL), o ile nie jest to stwierdzone inaczej.