为了预测新冠病毒感染的几率，南加州大学的研究人员将匿名手机位置数据与移动数据结合起来，与现有系统相比，准确率提高了50%。照片/ iStock。
随着新的冠状病毒变种出现并在全球迅速传播，公众和政策制定者都面临着一个困境:在保持表面正常的同时，最大限度地减少感染。虽然数字联系人追踪应用程序带来了希望，但采用率一直很低，部分原因是出于隐私方面的考虑。
在南加州大学，研究人员正在倡导一种预测Covid-19感染几率的新方法:将匿名手机位置数据与移动模式(人们如何从一个地方移动到另一个地方的广泛模式)结合起来。
为了对特定地点和时间进行“风险评分”，该团队使用了2019年和2020年美国各地手机发出的匿名真实位置信号的大型数据集。研究人员说，与目前的系统相比，该系统的准确性提高了50%。
“如果我们想避免2020年的混乱和悲惨的损失，同时在下一次大流行发生时尽可能不影响日常生活，我们就需要这种数据驱动的方法。”Sepanta Zeighami
“我们的研究结果表明，预测和瞄准特定的高风险领域是有可能的，而不是把所有的业务都放在一个保护伞下。这种针对风险的政策在控制Covid-19和经济上都要有效得多，”主要作者、由教授指导的计算机科学博士生Sepanta Zeighami说塞勒斯Shahabi．
“Covid-19也不太可能是人类历史上最后一次大流行，所以如果我们想避免2020年的混乱和悲惨的损失，同时在下一次大流行发生时尽可能地保持日常生活不受影响，我们需要这种数据驱动的方法。”
为了解决隐私问题，移动数据采用聚合格式，使研究人员可以在不识别单个用户的情况下看到模式。研究人员说，这些数据没有被用于追踪接触者，识别受感染的人，或者他们要去哪里。
“我们的方法依赖于匿名汇总数据，”研究合著者、海伦N.和埃米特H.琼斯工程教授、计算机科学、电气和计算机工程以及空间科学教授Shahabi说。“这就像交通数据一样，个人的信息不会被泄露，但综合数据将帮助你决定是否在特定时间使用某条高速公路。”
论文将刊登在美国计算机学会空间算法与系统汇刊,是可供早期访问。
数据驱动的方法
根据研究人员的说法，现有的风险评分工具没有提供关于特定地方感染率的足够详细的信息，或者它们对人口如何混合做出了不切实际的假设。
Zeighami说:“感染的风险根据地点的不同而有很大差异，例如，在县一级制定单一的政策，忽略了一些地区比其他地区风险更大。”
因此，利用真实世界的流动数据和现有的关于Covid-19传播的知识，该团队创建了一个模拟器来生成真实的感染模式。在模拟中，一些“病原体”最初被感染，并在四处移动时传播疾病。
然后，研究人员创建了一个基于霍克斯过程的模型，该模型根据特定时间和地点的位置密度和移动模式分配风险评分。研究人员使用模拟器测试了该模型，以确定它是否能准确预测不同地点的感染数量。事实证明，风险评分确实是跟踪旧金山、纽约、芝加哥和洛杉矶等美国城市感染情况的可靠指标。
研究人员发现，不出所料，城市中热门目的地的风险更高。但他们也发现，与仅仅依赖一个地区的受欢迎程度相比，结合感染的流动性(人们如何移动)有助于改善感染预测。研究人员说，这强调了将流动性模式和感染传播预测模型结合起来生成风险评分的重要性。
研究人员说，该系统在现实世界中有两种关键的应用方式。更直接的情况是做出社区层面的政策决定:例如，由于该社区的高风险，加州圣莫尼卡的酒吧今天应该关闭。
“公共卫生专家可以在城市、社区或邮政编码级别上做出决定，而不是在县一级做出这些决定。”塞勒斯Shahabi。
对于更有针对性的地点，例如特定的音乐会场馆活动，该系统将分析过去类似音乐会的流动性数据，以了解此类活动后该地区的感染风险如何变化。然后，使用研究人员的模型和洛杉矶目前的流动性数据，该系统可以做出预测并分配风险评分。
展望未来，该团队计划开发针对用户的，但仍能保护隐私的风险评分，并包括未来几周的长期预测功能。
Shahabi说:“这种移动数据的高分辨率，以及我们的可扩展方法，将使我们能够以非常精细的空间和时间分辨率估算风险评分，例如，晚餐时间的特定餐厅，或午餐时间的购物中心。”
“作为个人，你可能想要避开被认为是高风险的地区，政策制定者可以警告公众避开已知的潜在感染热点地区。这些分数还可以用于关闭或减少容量的决策。公共卫生专家可以在城市、社区或邮政编码级别做出决定，而不是在县一级做出这些决定。”
出版于2022年1月27日
最后更新于2022年1月27日
