روش جدید دانشمندان ایرانی برای پیشبینی مبتلا شدن به کووید-19
گروه هوش مصنوعی روش جدید دانشمندان ایرانی برای پیشبینی مبتلا شدن به کووید-19
به گزارش گروه هوش مصنوعی به نقل از ایسنا و به نقل از ساینس دیلی، با ظهور سویه های جدید کروناویروس و گسترش سریع آن در سرتاسر جهان، هم مردم و هم سیاست گذاران با مبحث به حداقل رساندن میزان مبتلا شدن به کووید-۱۹ رو به رو هستند. باآنکه برنامه های ردیابی دیجیتال، وعده هایی داده بودند اما به علت نگرانی های در ارتباط با حریم خصوصی، میزان پذیرش تا اندازه ای پایین بوده است.
پژوهشگران "دانشگاه کالیفرنیای جنوبی" (USC)، از متد جدیدی برای پیشبینی احتمال مبتلا شدن به کووید-۱۹ اطلاع داده اند. این روش، ترکیب داده های مکانی تلفن همراه با الگوهای تحرک است که می تواند الگوهای گسترده ای را در مورد نحوه حرکت افراد از مکانی به مکان دیگر نشان دهد.
پژوهشگران به منظور ایجاد نمرات خطر برای مکان ها و زمان های خاص، مجموعه داده های بزرگی شامل سیگنال های موقعیت مکانی منتشرشده از تلفن های همراه در سرتاسر آمریکا طی سالهای ۲۰۱۹ و ۲۰۲۰ را به کار بردند. به قول پژوهشگران، این سیستم در مقایسه با سیستم های کنونی، ۵۰ درصد بهبودی را در دقت نشان داده است.
"سپنتا ضیغمی" (Sepanta Zeighami)، از پژوهشگران این پروژه اظهار داشت: نتایج ما نشان می دهند که میتوان مناطق خاصی را که دارای میزان خطر بالایی هستند، پیش بینی نمود و آنها را هدف قرار داد. چنین سیاست هایی با هدف مشخص کردن میزان خطر می توانند هم برای کنترل کووید-۱۹ و هم از نظر اقتصادی تأثیر قابل توجهی داشته باشند.
وی ادامه داد: بعید است که کووید-۱۹ آخرین بیماری همه گیر در تاریخ بشریت باشد؛ ازاین رو اگر بخواهیم از تکرار هرج و مرج سال ۲۰۲۰ و خسارات غم انگیز آن جلوگیری نماییم و در عین حال زندگی روزمره را تا حد امکان تحت تاثیر آن قرار ندهیم، در زمان وقوع همه گیری بعدی، به چنین داده های محوری نیاز داریم.
برای برطرف شدن نگرانی های در ارتباط با حریم خصوصی، داده های در خصوص تحرک در قالبی جمع آوری می شوند و به پژوهشگران این امکان را می دهند تا الگوها را بدون شناسایی کاربران ببینند. به قول پژوهشگران، این داده ها برای ردیابی افراد مبتلا یا جایی که آنها می روند، استفاده نمی شوند.
"سیروس شهابی" (Cyrus Shahabi)، از پژوهشگران این پروژه اظهار داشت: روش ما بر داده های انبوه ناشناس متکی است. این داده ها همان داده های در ارتباط با عبور و مرور نیستند، اما به شما کمک می کنند تا تصمیم بگیرید که آیا از یک آزادراه خاص در یک زمان خاص استفاده کنید یا خیر.
روش های مبتنی بر داده
به قول پژوهشگران، سیستم های کنونی، اطلاعات دقیق و کافی را در مورد میزان مبتلا شدن در مکان های خاص عرضه نمی کنند یا فرضیات غیرواقعی را در مورد نحوه ترکیب جمعیت عرضه می دهند.
ضیغمی اظهار داشت: خطر مبتلا شدن بر مبنای مکان، بسیار متفاوت می باشد و داشتن یک سیاست واحد، این مورد را نادیده می گیرد که بعضی از مناطق چگونه نسبت به سایرین پرخطرتر هستند.
بدین ترتیب، پژوهشگران با استفاده از داده های در ارتباط با تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-۱۹، یک شبیه سازی را برای تولید الگوهای واقعی مبتلا شدن ایجاد کردند. در این شبیه سازی، بعضی از عوامل در ابتدا آلوده می شوند و هنگام حرکت، بیماری را گسترش می دهند.
سپس پژوهشگران، مدلی ابداع کردند که امتیازهای در ارتباط با میزان خطر را بر مبنای تراکم مکان و الگوهای تحرک در زمان و مکان معین عرضه می دهد. آنها با استفاده از شبیه ساز، این مدل را آزمایش کردند تا تعیین کنند که آیا می تواند میزان مبتلا شدن در مکان های متعدد را به صورت دقیق پیش بینی نماید یا خیر. مشخص شد که امتیازات خطر می توانند یک معیار قابل اعتماد برای ردیابی مبتلا شدن در شهرهای سراسر آمریکا همچون سانفرانسیسکو، نیویورک، شیکاگو و لس آنجلس باشند.
پژوهشگران همان گونه که پیشبینی می شد، دریافتند که مقاصد محبوب یک شهر، خطرناک تر هستند. همینطور آنها دریافتند که ترکیب نحوه حرکت افراد به جای تکیه بر محبوبیت یک منطقه، به بهبود پیشبینی در مورد مبتلا شدن کمک می نماید. به قول پژوهشگران، این موضوع، بر اهمیت کنار هم قرار دادن الگوهای تحرک و مدلهای پیشبینی شیوع مبتلا شدن برای ایجاد امتیاز خطر تاکید می کند.
به قول پژوهشگران، دو روش کلیدی جهت استفاده از این سیستم در جهان واقعی وجود دارد. مورد ساده تر، اتخاذ تصمیمات در رابطه با خط مشی در سطح محله است. بعنوان مثال، به علت خطر بالای مبتلا شدن در سانتا مونیکا، این محله باید امروز تعطیل شود.
این سیستم برای مکان های هدفمندتر، مانند یک استادیوم خاص، داده های در ارتباط با حرکت در گذشته را تحلیل می کند تا بفهمد خطر مبتلا شدن بعد از رویداد مورد نظر در استادیوم چگونه تغییر می کند. سپس، سیستم با استفاده از مدل و داده های در ارتباط با جابه جایی می تواند پیش بینی نماید و امتیازهای در ارتباط با خطر را تعیین کند.
پژوهشگران در نظر دارند که در آینده، امتیازات ویژه کاربر را همراه با حفظ حریم خصوصی توسعه دهند و امکان پیشبینی بلندمدت را برای چند هفته آینده فراهم نمایند.
شهابی اظهار داشت: وضوح بسیار بالای داده های در ارتباط با تحرک و همینطور روش مقیاس پذیر ما، کمک می نماید تا امتیازات خطر را با وضوح مکانی و زمانی بسیار دقیقی تخمین بزنیم؛ بعنوان مثال، یک رستوران خاص در زمان شام یا یک مرکز خرید در زمان ناهار.
منبع: گروه هوش مصنوعی
مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب