斯坦福计算机模型预测 COVID-19 如何在城市中传播

随着全国范围内 COVID-19 病例的增加，城市官员在防止感染传播和支持企业之间做出了艰难的平衡。斯坦福大学的计算机模型展示了移动性和联系模式，其创建者希望能够帮助指导社区领导者的决策。

斯坦福团队表示，他们的模型的特殊性可以作为官员的宝贵工具，因为模拟揭示了如果机构以有限的容量开放，新感染和销售损失之间的权衡。

一个主要结论：根据模型（以及斯坦福大学的上述视频），将入住率限制在最大值的 50% 将导致经济仅损失 5% 到 10% 的访问量，同时将感染总数减少 50 以上百分比。

斯坦福团队使用来自手机的匿名大规模数据，分析了美国 10 个最大的大都市地区的运动模式，包括亚特兰大、达拉斯和纽约市——这些地区总人口超过 9800 万。

该计算机模型通过分析驱动感染风险的三个因素，准确预测了今年春天 COVID-19 在十个主要城市的传播情况：人们一天中去哪里、逗留多长时间；以及这些地方一次有多拥挤。

兴趣点的一小部分感染，”事实证明，占感染的很大比例。

该研究于本月发表在Nature 杂志上 , 结合人口统计数据、流行病学估计和匿名手机位置信息，预测大多数 COVID-19 在家外传播发生在“超级传播者”地点，即人们长时间保持近距离接触。

“我们建立了一个计算机模型来分析不同人口背景和来自不同社区的人们如何访问或多或少拥挤的不同类型的地方。基于所有这些，我们可以预测在任何给定地点或时间发生新感染的可能性，”Jure Leskovec ，斯坦福计算机科学家和首席研究员。

Leskovec 和他的团队得出的结论是，密度上限或限制场所的入住可以减少总体感染，以及受 COVID-19 影响的社区之间的差异。该模型表明，流动模式会导致不成比例的风险。

“事实证明，低收入群体更有可能经常光顾人口密度高的地方，”该研究的合著者、斯坦福大学人文与科学学院社会学教授大卫·格鲁斯基（在上述视频中）说。 “例如，低收入社区的杂货店往往密度更高，而且往往更拥挤。”

技术简介中的更多计算机模型

在 Tech Briefs TV 上观看： 麻省理工学院的计算机模型可实现有史以来最复杂的 3D DNA 形状。

比利的博客： 一种突破性的模型提供了可充电电池内部的更好外观。

在杂志上： NASA基于模型的诊断引擎

Grusky 也是斯坦福贫困与不平等中心的负责人，他表示，该模型展示了以较低的入住率重新开业的企业往往最有利于弱势群体。

“因为雇佣少数族裔和低收入人群的地方通常更小、更拥挤，重新开张的商店的入住人数上限可以降低他们面临的风险，”格鲁斯基说。 “我们有责任制定重新开放计划，以消除 - 或至少减少 - 当前做法造成的差异。”

斯坦福如何收集数据

SafeGraph 是一家从移动应用程序中聚合匿名位置数据的公司，它向斯坦福建模人员展示了人们去了哪里；多长时间;而且，最重要的是，每个机构的平方英尺是多少，以便研究人员可以确定每小时的入住密度。

斯坦福研究的城市包括纽约、洛杉矶、芝加哥、达拉斯、华盛顿特区、休斯顿、亚特兰大、迈阿密、费城和旧金山。

在今年 3 月 8 日至 5 月的第一阶段研究中，移动数据被用来预测冠状病毒的传播率。在他们的模型中，在纳入每天向卫生官员报告的 COVID-19 感染数量后，研究人员开发并改进了一系列方程来计算不同地点和时间的感染事件的概率。

这些预测与卫生官员的实际报告密切相关，让研究人员对模型的可靠性充满信心。

包括博士生 Emma Pierson 在内的该团队已将其工具和数据公开，以便其他研究人员可以复制并在这些发现的基础上再接再厉。

在下面的简短问答中，皮尔森告诉 技术简报 为什么该模型表明重新开放策略不必是“全有或全无”。

技术简介 ：对于模型本身，正在收集什么样的数据可以实现一种有价值的“特异性”，尤其是与现有的建模方法相比？

艾玛·皮尔森： 我们使用来自 SafeGraph 的匿名汇总数据，该公司使用手机数据跟踪人类运动模式。我们的数据记录了每小时有多少人去餐馆和杂货店等景点 (POI)，并记录了他们来自的社区。

我们的分析基于 2020 年 3 月至 2020 年 5 月（第一波感染）美国十大都会区的数据。这种细粒度的移动性数据使我们能够对感染者、感染地点以及感染时间进行建模。

技术简介 ：您认为从您的模型中得出的最重要的结论是什么？

艾玛·皮尔森： 我们的分析得出了许多结论，但其中最重要的两个是：

• 重新开放不一定是“全有或全无”：减少最大入住率等策略可以通过大幅减少感染而减少相对较小的访问量，从而使我们能够更有效地重新开放。
• 我们的模型还表明，种族和社会经济差异的部分原因是流动性：它们并非不可避免，但会受到短期政策决定的影响。因此，在评估重新开放战略时，不仅要考虑对整体人口的影响，还要考虑对弱势群体的影响。这支持加利福尼亚州和拜登-哈里斯过渡团队正在采取的措施，以具体考虑重新开放政策对弱势群体的影响。

技术简介 ：官员如何最有效地使用您的模型？

艾玛·皮尔森： 上述两项发现与政策直接相关，有助于我们制定更有效、更公平的重新开放战略。我们还在构建一个在线工具，可以让政策制定者和公众与我们的模型互动并从中学习。最后，我们正在努力扩展对更多更新数据的分析，因为最初的分析是基于春季的数据，从那时起很多事情都发生了变化。

你怎么看？在下方分享您的问题和意见。