Selon une étude menée par Stanford University publiée dans Nature, les chercheurs ont créé un modèle informatique qui prédisait avec précision la propagation de la COVID-19 dans 10 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 combien d'autres personnes visitent le même endroit au même moment.
Les chercheurs ont fusionné des données démographiques, des estimations épidémiologiques et des informations anonymes sur la localisation des téléphones portables, et semble confirmer que la plupart des transmissions de COVID-19 se produisent sur des sites "super-diffuseurs", comme des restaurants à service complet, des centres de remise en forme et des cafés, où les gens restent à proximité pendant de longues périodes. Les chercheurs affirment que la spécificité de leur modèle pourrait servir d'outil aux fonctionnaires pour aider à minimiser la propagation du COVID-19 lors de la réouverture des entreprises en révélant les compromis entre les nouvelles infections et la perte de ventes si les établissements ouvrent, par exemple, à 20% ou 50% de leur capacité .
L'étude a retracé les mouvements de 98 millions d'Américains dans 10 des plus grandes régions métropolitaines du pays à travers un demi-million d'établissements différents, des restaurants et centres de conditionnement physique aux animaleries et aux concessionnaires automobiles neufs.
SafeGraph, une société qui regroupe des données de localisation anonymisées à partir d'applications mobiles, a fourni aux chercheurs des données indiquant lesquels des 553 000 lieux publics tels que les quincailleries et les établissements religieux les personnes visitaient chaque jour; 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 chercheurs ont analysé les données du 8 mars au 9 mai en deux phases distinctes. Dans la première phase, ils ont alimenté leur modèle de données de mobilité et ont conçu leur système pour calculer une variable épidémiologique cruciale: le taux de transmission du virus dans diverses circonstances différentes dans les 10 régions métropolitaines. Selon les chercheurs, dans la vraie vie, il est impossible de savoir à l'avance quand et où une personne infectieuse et sensible entre en contact pour créer une nouvelle infection potentielle. Mais dans leur modèle, les chercheurs ont développé et affiné une série d'équations pour calculer la probabilité d'événements infectieux à différents endroits et moments. Les équations ont pu résoudre les variables inconnues car les chercheurs ont alimenté l'ordinateur, fait connu important: combien d'infections à la COVID-19 ont été signalées aux responsables de la santé dans chaque ville chaque jour.
Les chercheurs ont affiné le modèle jusqu'à ce qu'il soit en mesure de déterminer le taux de transmission du virus dans chaque ville. Le taux variait d'une ville à l'autre en fonction de facteurs allant de la fréquence à laquelle les gens s'aventuraient hors de la maison aux types d'endroits qu'ils visitaient.
Une fois que les chercheurs ont obtenu les taux de transmission pour les 10 régions métropolitaines, ils ont testé le modèle au cours de la phase deux en lui demandant de multiplier le taux de chaque ville par rapport à leur base de données de modèles de mobilité pour prédire les nouvelles infections à la COVID-19. Les prévisions ont suivi de près les rapports réels des responsables de la santé, donnant aux chercheurs confiance dans la fiabilité du modèle.
Aucun commentaire:
Enregistrer un commentaire