Le modèle informatique de Stanford prédit comment COVID-19 se propage dans les villes

Alors que les cas de COVID-19 augmentent à travers le pays, les responsables de la ville ont eu le difficile équilibre entre prévenir la propagation des infections et soutenir les entreprises. Un modèle informatique de l'Université de Stanford démontre la mobilité et les modèles de contact d'une manière qui, espèrent ses créateurs, aidera à guider la prise de décision des dirigeants communautaires.

L'équipe de Stanford affirme que la spécificité de leur modèle pourrait constituer un outil précieux pour les responsables, car la simulation révèle les compromis entre les nouvelles infections et les ventes perdues si les établissements ouvrent à capacité limitée.

Une conclusion majeure :selon le modèle (et la vidéo ci-dessus de l'Université de Stanford), le plafonnement de l'occupation à 50 % du maximum entraînera une perte de 5 à 10 % des visites pour l'économie, tout en réduisant le nombre total d'infections de plus de 50 %. pour cent.

À l'aide de données anonymes à grande échelle provenant de téléphones portables, l'équipe de Stanford a analysé les schémas de déplacement dans 10 des plus grandes régions métropolitaines des États-Unis, dont Atlanta, Dallas et New York, un groupe totalisant plus de 98 millions de personnes.

Le modèle informatique a prédit avec précision la propagation du COVID-19 dans les dix grandes villes ce printemps en analysant trois facteurs qui entraînent le risque d'infection :où les gens vont au cours d'une journée, combien de temps ils s'attardent; et à quel point les lieux sont bondés à un moment donné.

Un petit pourcentage d'infections aux points d'intérêt", s'avère-t-il, représente un grand pourcentage d'infections.

L'étude, publiée ce mois-ci dans la revue Nature , ont utilisé une combinaison de données démographiques, d'estimations épidémiologiques et d'informations anonymes sur l'emplacement des téléphones portables pour prédire que la plupart des transmissions de COVID-19 à l'extérieur du domicile se produisent sur des sites "super-diffusés", où les gens restent à proximité pendant de longues périodes.

«Nous avons construit un modèle informatique pour analyser comment des personnes de différents milieux démographiques et de différents quartiers visitent différents types de lieux plus ou moins fréquentés. Sur la base de tout cela, nous pourrions prédire la probabilité que de nouvelles infections se produisent à un endroit ou à un moment donné », a déclaré Jure Leskovec , informaticien de Stanford et chercheur principal.

Leskovec et son équipe ont conclu que les plafonds de densité, ou la restriction de l'occupation des établissements, réduisent les infections dans l'ensemble, ainsi que les disparités entre les communautés touchées par le COVID-19. Le modèle suggère que les schémas de mobilité entraînent des risques disproportionnés.

"Il s'avère que les groupes à faible revenu sont plus susceptibles de fréquenter des endroits où les densités sont élevées", a déclaré le co-auteur de l'étude, David Grusky, professeur de sociologie à la Stanford's School of Humanities and Sciences (dans la vidéo ci-dessus). "Par exemple, les épiceries dans les quartiers à faible revenu ont tendance à être plus denses et à avoir plus de monde."

Plus de modèles d'ordinateurs dans les fiches techniques

Regarder sur Tech Briefs TV : Un modèle informatique du MIT permet d'obtenir les formes d'ADN 3D les plus complexes jamais produites.

Blog de Billy : Un modèle révolutionnaire offre un meilleur aperçu de l'intérieur des piles rechargeables.

Dans le magazine : Moteur de diagnostic basé sur des modèles de la NASA

Grusky, qui dirige également le Stanford Center on Poverty and Inequality, a déclaré que le modèle démontre comment la réouverture des entreprises avec des plafonds d'occupation inférieurs a tendance à profiter le plus aux groupes défavorisés.

"Parce que les endroits qui emploient des personnes appartenant à des minorités et à faible revenu sont souvent plus petits et plus encombrés, les plafonds d'occupation des magasins rouverts peuvent réduire les risques auxquels ils sont confrontés", a déclaré Grusky. "Nous avons la responsabilité d'élaborer des plans de réouverture qui éliminent - ou du moins réduisent - les disparités créées par les pratiques actuelles."

Comment Stanford a recueilli les données

SafeGraph, une entreprise qui agrège des données de localisation anonymisées à partir d'applications mobiles, a montré aux modélisateurs de Stanford où les gens allaient ; pour combien de temps; et, surtout, quelle était la superficie en pieds carrés de chaque établissement afin que les chercheurs puissent déterminer la densité d'occupation horaire.

Les villes de l'étude de Stanford comprenaient New York, Los Angeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Philadelphie et San Francisco.

Dans la première phase de l'étude, du 8 mars au mai de cette année, les données de mobilité ont été utilisées pour prédire le taux de transmission du coronavirus. Dans leur modèle, après avoir incorporé le nombre d'infections au COVID-19 signalées chaque jour aux responsables de la santé, les chercheurs ont développé et affiné une série d'équations pour calculer la probabilité d'événements infectieux à différents endroits et moments.

Les prédictions suivaient de près les rapports réels des responsables de la santé, donnant aux chercheurs confiance dans la fiabilité du modèle.

L'équipe, qui comprenait la doctorante Emma Pierson, a rendu ses outils et ses données accessibles au public afin que d'autres chercheurs puissent reproduire et exploiter les résultats.

Dans un court Q&A ci-dessous, Pierson raconte Tech Briefs pourquoi le modèle suggère qu'une stratégie de réouverture ne doit pas nécessairement être "tout ou rien".

Fiches techniques  :Avec le modèle lui-même, quel type de données est collecté qui permet une sorte de "spécificité" précieuse, en particulier par rapport aux méthodes de modélisation existantes ?

Emma Person : Nous utilisons des données anonymisées et agrégées de SafeGraph, une société qui suit les schémas de mouvement humain à l'aide des données des téléphones portables. Nos données enregistrent le nombre de personnes qui se rendent à des points d'intérêt (POI) comme des restaurants et des épiceries à chaque heure, et enregistrent également les quartiers d'où elles viennent.

Notre analyse est basée sur les données de dix grandes régions métropolitaines américaines de mars à mai 2020 (la première vague d'infections). Ces données de mobilité fines nous permettent de modéliser qui est infecté, où il est infecté et quand il est infecté.

Fiches techniques  :Selon vous, quelle a été la conclusion la plus importante tirée de votre modèle ?

Emma Person : Il y a un certain nombre de conclusions qui découlent de notre analyse, mais deux des plus importantes sont :

• La réouverture ne doit pas nécessairement être "tout ou rien" :des stratégies telles que la réduction de l'occupation maximale peuvent nous permettre de rouvrir plus efficacement en offrant une forte réduction des infections pour une réduction relativement faible des visites.
• Notre modèle suggère également que les disparités raciales et socio-économiques sont en partie dues à la mobilité :elles ne sont pas inévitables, mais peuvent être influencées par des décisions politiques à court terme. Par conséquent, lors de l'évaluation des stratégies de réouverture, il est important de ne pas seulement considérer l'impact sur la population dans son ensemble, mais également l'impact sur les groupes défavorisés. Cela soutient les mesures prises par la Californie et l'équipe de transition Biden-Harris pour examiner spécifiquement l'impact des politiques de réouverture sur les populations défavorisées.

Fiches techniques  : Comment les officiels peuvent-ils utiliser votre modèle le plus efficacement ?

Emma Person : Les deux conclusions ci-dessus sont directement pertinentes pour les politiques et nous aident à développer des stratégies de réouverture plus efficaces et équitables. Nous construisons également un outil en ligne qui peut permettre aux décideurs politiques et aux membres du public d'interagir avec notre modèle et d'en tirer des enseignements. Enfin, nous travaillons à étendre l'analyse sur des données plus à jour, puisque l'analyse originale est basée sur des données du printemps, et beaucoup de choses ont changé depuis.

Qu'en pensez-vous ? Partagez vos questions et commentaires ci-dessous.