Modelo de computador de Stanford prevê como o COVID-19 se espalha nas cidades

À medida que os casos de COVID-19 aumentam em todo o país, as autoridades municipais receberam o difícil ato de equilibrar a prevenção da propagação de infecções e o apoio às empresas. Um modelo de computador da Universidade de Stanford demonstra mobilidade e padrões de contato de uma forma que seus criadores esperam que ajude a orientar a tomada de decisões dos líderes comunitários.

A equipe de Stanford diz que a especificidade de seu modelo pode servir como uma ferramenta valiosa para as autoridades, pois a simulação revela as compensações entre novas infecções e vendas perdidas se os estabelecimentos abrirem com capacidades limitadas.

Uma conclusão importante:de acordo com o modelo (e o vídeo acima da Universidade de Stanford), limitar a ocupação a 50% do máximo levará a economia a perder apenas 5 a 10% das visitas, reduzindo o número geral de infecções em mais de 50 por cento.

Usando dados anônimos em grande escala de telefones celulares, a equipe de Stanford analisou padrões de movimento em 10 das maiores áreas metropolitanas dos Estados Unidos, incluindo Atlanta, Dallas e Nova York – um grupo totalizando mais de 98 milhões de pessoas.

O modelo de computador previu com precisão a disseminação do COVID-19 nas dez principais cidades nesta primavera, analisando três fatores que impulsionam o risco de infecção:para onde as pessoas vão ao longo de um dia, quanto tempo permanecem; e como os lugares ficam lotados ao mesmo tempo.

Uma pequena porcentagem de infecções em pontos de interesse", ao que parece, representa uma grande porcentagem de infecções.

O estudo, publicado este mês na revista Nature , usaram uma combinação de dados demográficos, estimativas epidemiológicas e informações anônimas de localização de celulares para prever que a maioria das transmissões de COVID-19 fora de casa ocorre em locais “superdisseminados”, onde as pessoas permanecem próximas por longos períodos.

“Construímos um modelo de computador para analisar como pessoas de diferentes origens demográficas e de diferentes bairros visitam diferentes tipos de lugares mais ou menos lotados. Com base em tudo isso, poderíamos prever a probabilidade de novas infecções ocorrerem em qualquer lugar ou momento”, disse Jure Leskovec , cientista da computação de Stanford e pesquisador principal.

Leskovec e sua equipe concluíram que os limites de densidade, ou restringir a ocupação de estabelecimentos, reduzem as infecções em geral, bem como as disparidades entre as comunidades afetadas pelo COVID-19. O modelo sugere que os padrões de mobilidade geram riscos desproporcionais.

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

Mais modelos de computador em resumos técnicos

Assista na TV Tech Briefs: Um modelo de computador do MIT permite as formas de DNA 3D mais complexas já produzidas.

Blog de Billy: Um modelo inovador oferece uma visão melhor dentro das baterias recarregáveis.

Na revista: O mecanismo de diagnóstico baseado em modelo da NASA

Grusky, que também dirige o Stanford Center on Poverty and Inequality, disse que o modelo demonstra como a reabertura de empresas com limites de ocupação mais baixos tende a beneficiar mais os grupos desfavorecidos.

“Como os locais que empregam minorias e pessoas de baixa renda geralmente são menores e mais lotados, os limites de ocupação nas lojas reabertas podem diminuir os riscos que enfrentam”, disse Grusky. “Temos a responsabilidade de construir planos de reabertura que eliminem – ou pelo menos reduzam – as disparidades que as práticas atuais estão criando.”

Como Stanford coletou os dados

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

As cidades do estudo de Stanford incluíam Nova York, Los Angeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Filadélfia e São Francisco.

Na primeira fase do estudo, de 8 de março a maio deste ano, os dados de mobilidade foram usados ​​para prever a taxa de transmissão do coronavírus. Em seu modelo, depois de incorporar o número de infecções por COVID-19 relatadas diariamente às autoridades de saúde, os pesquisadores desenvolveram e refinaram uma série de equações para calcular a probabilidade de eventos infecciosos em diferentes locais e horários.

As previsões acompanharam de perto os relatórios reais das 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 aproveitar as descobertas.

Em uma breve sessão de perguntas e respostas abaixo, Pierson conta aos Tech Briefs por que o modelo sugere que uma estratégia de reabertura não precisa ser "tudo ou nada".

Resumos técnicos :Com o próprio modelo, que tipo de dados está sendo coletado que permite uma "especificidade" valiosa, especialmente em comparação com os métodos de modelagem existentes?

Emma Pierson: Usamos dados anônimos e agregados da SafeGraph, uma empresa que rastreia padrões de movimento humano usando dados de telefones celulares. 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 refinados nos permitem modelar quem está infectado, onde está infectado e quando está infectado.

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

Emma Pierson: Há uma série de conclusões que fluem de nossa análise, mas duas das mais importantes são:

• A reabertura não precisa ser “tudo ou nada”:estratégias como reduzir a ocupação máxima podem nos permitir reabrir com mais eficiência, proporcionando uma grande redução nas infecções para uma redução relativamente pequena nas visitas.
• Nosso modelo também sugere que as disparidades raciais e socioeconômicas são motivadas em parte pela mobilidade:elas não são inevitáveis, mas podem ser influenciadas por decisões políticas de curto prazo. Portanto, ao avaliar as estratégias de reabertura, é importante considerar não apenas o impacto na população como um todo, mas também o impacto nos grupos desfavorecidos. Isso apoia as medidas tomadas pela Califórnia e pela equipe de transição Biden-Harris para considerar especificamente o impacto das políticas de reabertura nas populações desfavorecidas.

Resumos técnicos :Como as autoridades podem usar seu modelo de maneira mais eficaz?

Emma Pierson: As duas descobertas acima são diretamente relevantes para as políticas e nos ajudam a desenvolver estratégias de reabertura mais eficazes e equitativas. Também estamos construindo uma ferramenta online que pode permitir que formuladores de políticas e membros do público interajam e aprendam com nosso modelo. Por fim, estamos trabalhando para estender a análise em dados mais atualizados, já 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.