bilde: Figur 1. Risiko pa (opp) versus Census map (ned)
utsikt mer
Kreditt: Gi æren til forfatterne av artikkelen
Utbruddet av COVID-19-pandemien i mars 2020 tvang regjeringer over hele verden til å iverksette tiltak for å hindre spredningen blant befolkningen og dermed redusere antallet omkomne som følge av viruset. Noen måneder senere, ettersom mobilitetsbegrensninger og innesperringer gradvis ble opphevet, bestemte statene seg for å lansere sporingsapper som innbyggerne kunne laste ned til mobiltelefonene sine for å finne ut om nærliggende kontakter var infisert med COVID. For at disse appene skal være virkelig effektive, krever de imidlertid at et stort antall mennesker har dem installert på enhetene sine, og de innebærer også visse personvernrisikoer.
Nå har et forskerteam fra IMDEA Networks ledet av Elisa Cabana (Postdoc-forsker) og Nikolaos Laoutaris (forskningsprofessor), i samarbeid med Andra Lutu (Teléfonica Research) og Enrique Frías-Martínez (Camilo José Cela University), utført en studie der de foreslår en metode som bruker mobilnettverksdata for å oppdage mulige sykehusinnleggelser på grunn av COVID-19 og skaffe de tilsvarende epidemiske risikokartene. Oppgaven “Improving epidemic risk maps using mobility information from mobile network data” vil bli publisert på ACM SIGSPATIAL-konferansen i november 2022.
Cabana forklarer at hovedfordelen med den foreslåtte løsningen er at, i motsetning til Contact Tracing, “er dataene allerede tilgjengelig hos operatøren og fremdriften er raskere. Du trenger ikke å ha GPS aktivert og en applikasjon lastet ned.” “Når du har mobildata koblet til, kobles enheten til et mobiltårn som identifiserer posisjonsradiusen din. Og det er slik du studerer den romlige og tidsmessige mobiliteten til mennesker,” legger hun til. Et annet pluss er at metoden fungerer med anonymiserte data og kan kjøres på operatørens premisser under standard sikkerhetsbestemmelser.
Ifølge Laoutaris fungerer metoden som følger: «Vi sjekker plasseringen av en telefon sent på kvelden, og hvis den ikke er koblet til de vanlige telefontårnene den var koblet til i pre-pandemitiden, ser vi om den var koblet til et tårn i nærheten av et sykehus som mottar COVID-pasienter. Hvis det gjør det, blir personen som eier mobiltelefonen merket som potensielt innlagt på sykehus. Metoden inkluderer også filtre for å eliminere falske positiver, for eksempel folk som bor i nærheten av eller jobber på sykehus.
Som angitt i studien deres, kan mobilnettverksdata utnyttes til å forstå dynamikken i urban mobilitet og dens innvirkning på spredningen av smittsomme sykdommer som kolera, og også for å forutsi risikoen for virus som dengue, Zika eller malaria, eller andre nye som kan dukke opp i fremtiden.
Teamet har brukt metodene sine på et anonymisert datasett med mer enn 2 millioner mobiltelefoner, samlet inn av en mobilnettleverandør lokalisert i London, Storbritannia, i løpet av månedene mars og april 2020. De har konkludert med at denne metoden gir en 98,6 % avtale med offentlige registre over pasienter innlagt på National Health Service (NHS) sykehus.
Faser av datainnsamlingsprosessen
I den første fasen beskriver forskergruppen algoritmen for å oppdage mulige COVID-sykehusinnleggelser fra mobilnettverkets data, samt parameterne som er involvert. Den andre fasen består av å validere disse dataene ved å sjekke tilfellene som er rapportert av London-sykehus til National Health Service og sammenligne dem med de som er oppnådd med den foreslåtte metoden. Til slutt, i den tredje fasen, analyserer de mobilitetsmønsteret til hver person som oppdages som innlagt i løpet av de to ukene før innleggelsesdagen. Med denne informasjonen får de dynamiske og detaljerte risikokart som endrer seg over tid og dermed mer nøyaktig fanger opp distribusjon, utvikling og intensitet av sykdommen.
Sammenlignet med folketellingsbaserte kart indikerer deres risikokart at områdene med høyest risiko ikke nødvendigvis er de tettest befolkede og kan endre seg fra dag til dag. I tillegg har de observert at innlagte personer har en tendens til å ha høyere gjennomsnittlig mobilitet enn ikke-innlagte.
Elisa Cabana understreker at det mest relevante resultatet av hennes forskning er nettopp risikokartene, siden de ikke bare lar utviklingen av en epidemi bli visuelt analysert, men kan også være svært fordelaktige for ulike sektorer i samfunnet. “På individnivå er det nyttig å representere hvert område med en mer eller mindre intens farge, som kan variere over tid, avhengig av et risikotiltak, fordi det kan hjelpe folk til å ta ytterligere beskyttelsestiltak, til hver tid og sted. For nødstilfeller team og beslutningstakere, ville det bidra til å vurdere stressnivået i helsesystemet, samt alvorlighetsgraden og intensiteten av spredningen, og fordelene eller ulempene ved visse beslutninger (bruk av masker, karantene, vaksinasjon). , den romlige og tidsmessige informasjonen som trekkes ut fra mobilnettverksdata, og verktøyene vi utvikler med den informasjonen, kan være til nytte for både individer og retningslinjer og viktige beslutninger som utvikles mot eksisterende og fremtidige epidemier,” avslutter hun.
E. Cabana, A. Lutu, E. Frias-Martinez, N. Laoutaris, “Forbedring av epidemiske risikokart ved bruk av mobilitetsinformasjon fra mobilnettverksdata,” ACM SIGSPATIAL’22. (utvidet abstrakt, fullversjon på SpatialEpi’22-verksted).
Artikkeltittel
Forbedring av epidemiske risikokart ved å bruke mobilitetsinformasjon fra mobilnettverksdata
Publasjonsdato for artikkel
1. november 2022
Ansvarsfraskrivelse: AAAS og EurekAlert! er ikke ansvarlig for nøyaktigheten av nyhetsmeldinger som er lagt ut på EurekAlert! ved å bidra med institusjoner eller for bruk av informasjon gjennom EurekAlert-systemet.