Manufaturação industrial
Internet das coisas industrial | Materiais industriais | Manutenção e reparo de equipamentos | Programação industrial |
home  MfgRobots >> Manufaturação industrial >  >> Industrial Internet of Things >> Sensor

Modelo de Stanford Mapeia Propagação da COVID-19 em Cidades, Orientando Decisões Políticas

À medida que casos de COVID-19 aumentam pelo país, autoridades municipais receberam o difícil ato de equilíbrio de prevenir a propagação de infecções e apoiar negócios. Um modelo computacional da Universidade Stanford demonstra padrões de mobilidade e contato de uma forma que seus criadores esperam que ajude a guiar a tomada de decisão de líderes comunitários.

A equipe de Stanford diz que a especificidade de seu modelo poderia servir como ferramenta valiosa para autoridades, pois a simulação revela os trade-offs entre novas infecções e vendas perdidas se estabelecimentos abrirem em capacidades limitadas.

Uma conclusão principal: De acordo com o modelo (e o vídeo acima da Universidade Stanford), limitar ocupação a 50% do máximo levará a economia a perder apenas 5 a 10% de visitas, enquanto reduz o número total de infecções em mais de 50%.

Usando dados anonimizados em larga escala de celulares, a equipe de Stanford analisou padrões de movimento em 10 das maiores áreas metropolitanas nos Estados Unidos, incluindo Atlanta, Dallas e Nova York — um grupo totalizando mais de 98 milhões de pessoas.

O modelo computacional previu com precisão a propagação da COVID-19 nas dez grandes cidades esta primavera analisando três fatores que impulsionam risco de infecção: aonde as pessoas vão no decorrer de um dia, quanto tempo permanecem; e quão lotados os lugares ficam de uma só vez.

“Uma pequena porcentagem de infecções em pontos de interesse”, acontece, “representa uma grande porcentagem de infecções.”

O estudo, publicado este mês no jornal Nature , usou combinação de dados demográficos, estimativas epidemiológicas e informação anônima de localização de celulares, para prever que a maioria das transmissões de COVID-19 fora de casa ocorre em “sítios superespalhadores”, onde pessoas permanecem em confinamento próximo por períodos prolongados.

“Construímos um modelo computacional para analisar como pessoas de diferentes origens demográficas, e de diferentes bairros, visitam diferentes tipos de lugares que são mais ou menos lotados. Baseado em tudo isso, poderíamos prever a probabilidade de novas infecções ocorrendo em qualquer lugar ou tempo dado”, disse Jure Leskovec , cientista da computação de Stanford e pesquisador líder.

Leskovec e sua equipe concluíram que limites de densidade, ou restringir a ocupação de estabelecimentos, reduz infecções no geral, bem como disparidades entre comunidades impactadas pela COVID-19. O modelo sugere que padrões de mobilidade impulsionam riscos desproporcionais.

“Acontece que grupos de baixa renda são mais propensos a frequentar lugares nos quais densidades são altas”, disse o coautor do estudo David Grusky, professor de sociologia na Escola de Humanidades e Ciências de Stanford (no vídeo acima). “Por exemplo, mercearias em bairros de baixa renda tendem a ser mais altas em densidade, e tendem a ser mais lotadas.”

Como Stanford Coletou os Dados

SafeGraph, uma empresa que agrega dados de localização anonimizados de aplicativos móveis, mostrou aos modeladores de Stanford aonde as pessoas foram; por quanto tempo; e, mais importante, qual a metragem quadrada de cada estabelecimento era para que pesquisadores pudessem determinar a densidade de ocupação horária.

As cidades no estudo de Stanford incluíram Nova York, Los Angeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Filadélfia e São Francisco.

Na Fase um do estudo, de 8 de março a maio deste ano, dados de mobilidade foram usados para prever taxa de transmissão do coronavírus. Em seu modelo, após incorporar o número de infecções de COVID-19 reportadas a autoridades de saúde a cada dia, os pesquisadores desenvolveram e refinaram uma série de equações para computar a probabilidade de eventos infecciosos em diferentes lugares e tempos.

As previsões rastrearam de perto os relatórios reais de autoridades de saúde, dando aos pesquisadores confiança na confiabilidade do modelo.

A equipe, que incluiu a estudante de doutorado Emma Pierson, disponibilizou suas ferramentas e dados publicamente para que outros pesquisadores possam replicar e construir sobre as descobertas.

Em um breve Q&A abaixo, Pierson diz ao Tech Briefs por que o modelo sugere que uma estratégia de reabertura não precisa ser “tudo ou nada”.

Tech Briefs: Com o próprio modelo, que tipo de dado está sendo coletado que permite uma “especificidade” valiosa, especialmente comparado a métodos de modelagem existentes?

Emma Pierson: Usamos dados anonimizados e agregados da SafeGraph, uma empresa que rastreia padrões de movimento humano usando dados de celular. Nossos dados registram quantas pessoas vão a pontos de interesse (POIs) como restaurantes e mercearias a cada hora, e também registram os bairros de onde vêm.

Nossa análise é baseada em dados de dez grandes áreas metropolitanas dos EUA de março a maio de 2020 (a primeira onda de infecções). Esses dados de mobilidade de grão fino nos permitem modelar quem é infectado, onde são infectados e quando são infectados.

Tech Briefs: Qual foi a conclusão mais importante, você acha, que foi extraída do seu modelo?

Emma Pierson: Existem várias conclusões que fluem de nossa análise, mas duas das mais importantes são:

Tech Briefs: Como autoridades podem usar seu modelo mais efetivamente?

Emma Pierson: As duas descobertas acima são diretamente relevantes para política, e nos ajudam a desenvolver estratégias de reabertura mais eficazes e equitativas. Também estamos construindo uma ferramenta online que pode permitir que formuladores de política e membros do público interajam e aprendam com nosso modelo. Finalmente, estamos trabalhando em estender a análise em dados mais atualizados, desde que a análise original é baseada em dados da primavera, e muitas coisas mudaram desde então.

O que você acha? Compartilhe suas perguntas e comentários abaixo.

Sensor

  1. Revolucionando a Odontologia Indiana: Como a Impressão 3D Transforma o Cuidado ao Paciente
  2. Como a COVID-19 Acelerou a Automação na Indústria de Plásticos
  3. Construindo Cidades Inteligentes Centradas no Humano: Um Blueprint Estratégico
  4. Vida 2.0: Construindo Cidades Inteligentes Prontas para Pandemias Usando Lições da COVID-19
  5. IIoT: Impulsionando a Mudança de Produtos para Serviços Baseados em Resultados
  6. Ferramenta de IA Prevê Velocidade de Execução de Chips com Mais Precisão que Modelo da Intel
  7. Navegando pelo COVID-19: Padrões Evolutivos de Segurança no Trabalho na Manufatura
  8. Sustainable E-Commerce Fulfillment: Building a Carbon‑Neutral, Eco‑Friendly Future
  9. O Efeito Pandemia: COVID-19 Acelerando Inovação em Blockchain e Criptomoedas
  10. Indústria Aeroespacial Navega pela COVID-19: Estratégias para Resiliência e Recuperação