Datamodellen simulerer hvor mange COVID-19 tilfeller som kunne vært forhindret i et bestemt fylke i USA Leontura / DigitalVision Vectors via Getty Images
Dr. Biplav Srivastava, professor i informatikk ved University of South Carolina, og teamet hans har utviklet et datadrevet verktøy som hjelper til med å demonstrere effekten av å bruke masker på COVID-19 tilfeller og dødsfall. Modellen hans bruker en rekke datakilder for å lage alternative scenarier som kan fortelle oss "Hva kunne ha skjedd?" hvis et fylke i USA hadde en høyere eller lavere grad av maskeoverholdelse. I dette intervjuet forklarer han hvordan modellen fungerer, dens begrensninger og hvilke konklusjoner vi kan trekke ut fra den.
Datavitenskapsmann Biplav Srivastava gir en demonstrasjon av simuleringen for å vise at tidligere policyer for å anbefale maskebruk gjør en større forskjell på spredningen av coronavirus.
{vembed Y = g3o_TW2OWJU}
Hva gjør denne datamodellen?
Dette er et landsdekkende verktøy som kan vise effekten at bruk av masker kan ha. Hvis det er et fylke der folk bruker masker regelmessig, vil det vise deg hvor mange COVID-19 tilfeller og dødsfall de unngikk. Hvis du velger et fylke der folk ikke bruker masker, vil det vise deg hvor mange tilfeller og dødsfall som kunne vært forhindret der.
Hvordan gjør det det?
Vi trenger mye data for å gjøre dette. New York Times undersøkte nesten alle fylker i USA i løpet av sommeren og tildelte en maskerende score på 0-5 til hver av dem, så dette er kjernen i modellen. Vi bruker også data fra New York Times og Johns Hopkins for sanntidsnummer; folketellingsdata for demografi som befolkningsstørrelse, medianalder og mer; og geografiske data for å måle avstanden mellom fylkene.
Den er basert på en matematisk teknikk som kalles robust syntetisk kontroll, som ofte brukes i legemiddelforskning, hvor det er en kontrollgruppe og det er en behandlingsgruppe.
La oss for eksempel se på Wyandotte County, Kansas. Den har en relativt høy maskeringspoeng på omtrent 3.4. Fordi modellen er designet for å fortelle oss "hva om?" i scenariet, vil det se på hva som ville ha skjedd hvis maskeringspoengene ble redusert til 3.0, som er vår avskjæring for "lav maskebruk", men brukeren kan også eksperimentere med andre verdier bare for å se hva som skjer. Vi kom fram til 3.0 basert på analyse av landsdekkende maskevaner. De faktiske verdiene varierte mellom 1.4 og 3.85, med et landsgjennomsnitt på 2.98.
Vi kan sette en dato der poengsummen for maskebruk endres til 3.0. Hvis vi setter den til å løpe fra 1. juni til 1. oktober, forteller den oss at Wyandotte County ville hatt 101.5% flere tilfeller og 150 flere dødsfall i den perioden. Den forteller brukeren hvor mange dødsfall som har skjedd eller blitt forhindret basert på en dødelighetsparameter som brukeren kan angi. I dette eksemplet ble det satt til 2%.
Hvordan skaper modellen "hva om?" scenario hvis det faktisk ikke skjedde? Det gjør dette ved å se på andre fylker som ligger i nærheten og har lignende demografi og antall tilfeller, men en lavere terskel for maskebruk. Den prøver å komme opp med et veid gjennomsnitt for å danne en syntetisk kontrollgruppe som ligner på vårt fylke av interesse (behandlingsgruppe). Modellen ser deretter på hvor mye de to gruppene har avviket med tanke på sakstall. Forskjellen i antall tilfeller mellom de to gruppene konverteres til en forskjell i dødsfall ved hjelp av dødelighetsparameteren.
Hva forteller dette oss om virkningen av policyer for bruk av masker?
Det kan være nyttig å fortsette å bruke masken eller implementere en maskepolicy. Men innvirkningen er høyest når du gjør det tidlig. Når du kjører denne modellen flere ganger med forskjellige datoer, ser du at effekten reduseres når du forsinker å implementere en policy for bruk av masker. Så hvis et fylke implementerte en maskepolitikk 1. juni, ville det ha forhindret mange saker. Hvis det handlet 1. juli, ville det ha mindre innvirkning. Hvis det handlet i august, ville det fortsatt ha forhindret saker, men et veldig lite antall.
Hva er begrensningene med denne modellen?
Dette verktøyet fungerer bedre for noen fylker enn andre. Generelt fungerer det best med fylker som er nærmere gjennomsnittet, fordi det vil ha nærmere kamper å sammenligne med. Det er også en begrensning i den forstand at The New York Times maskeoverholdelsesundersøkelse ble gjort om sommeren, og ting endrer seg stadig. Så hvis andre forskere bruker dette verktøyet, må de redegjøre for endringene.
Men det du ser er at når du implementerer en maskepolitikk eller når befolkningen regelmessig bruker masker, får det en positiv innvirkning. Og jo tidligere du gjør det, desto mer effektivt er det.
Om forfatteren
Biplav Srivastava, professor i informatikk, University of South Carolina. Jeg vil anerkjenne arbeidet til teamet mitt, Sparsh Johri, Kartikaya Srivastava, Chinmayi Appajigowda og Lokesh Johri, for å utvikle dette programmet.
Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.
Relaterte bøker:
Kroppen holder poengsummen: Hjernens sinn og kropp i helbredelsen av traumer
av Bessel van der Kolk
Denne boken utforsker sammenhengene mellom traumer og fysisk og mental helse, og tilbyr innsikt og strategier for helbredelse og bedring.
Klikk for mer info eller for å bestille
Pust: The New Science of a Lost Art
av James Nestor
Denne boken utforsker vitenskapen og praksisen med å puste, og tilbyr innsikt og teknikker for å forbedre fysisk og mental helse.
Klikk for mer info eller for å bestille
Planteparadokset: De skjulte farene i "sunn" mat som forårsaker sykdommer og vektøkning
av Steven R. Gundry
Denne boken utforsker koblingene mellom kosthold, helse og sykdom, og tilbyr innsikt og strategier for å forbedre generell helse og velvære.
Klikk for mer info eller for å bestille
Immunitetskoden: Det nye paradigmet for ekte helse og radikal antialdring
av Joel Greene
Denne boken tilbyr et nytt perspektiv på helse og immunitet, og trekker på prinsipper for epigenetikk og tilbyr innsikt og strategier for å optimalisere helse og aldring.
Klikk for mer info eller for å bestille
Den komplette guiden til faste: Helbred kroppen din gjennom periodisk, vekslende dag og forlenget faste
av Dr. Jason Fung og Jimmy Moore
Denne boken utforsker vitenskapen og praksisen med faste og tilbyr innsikt og strategier for å forbedre generell helse og velvære.
