En ny datadrevet modell viser at bruk av masker redder liv - og jo tidligere du begynner, jo bedre

En ny datadrevet modell viser at bruk av masker redder liv - og jo tidligere du begynner, jo bedre
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.

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.


 Få det siste fra InnerSelf


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.Den Conversation

Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.


Anbefalte bøker: Helse

Fersk fruktrensingFresh Fruit Cleanse: Detox, miste vekt og gjenopprett din helse med Nature's Most Delicious Foods (Paperback) av Leanne Hall.
Miste vekt og føle deg levende sunn mens du tømmer kroppen din av giftstoffer. Fersk fruktrensing tilbyr alt du trenger for en enkel og kraftig detox, inkludert dag-til-dag-programmer, munnvannoppskrifter, og råd for overgang av renset.
Klikk her for mer info og / eller å bestille denne boken på Amazon.

Trives matTrives Foods: 200 Plant-baserte oppskrifter for Peak Health [Paperback] av Brendan Brazier.
Bygg på den stressreduserende, helsestimulerende næringsfilosofien introdusert i hans anerkjente veganernæringsguide Thrive, profesjonell Ironman triatlete Brendan Brazier viser nå sin oppmerksomhet til middagsplaten (frokostskål og lunsjbrett også).
Klikk her for mer info og / eller å bestille denne boken på Amazon.

Død etter medisin av Gary NullDeath by Medicine av Gary Null, Martin Feldman, Debora Rasio og Carolyn Dean
Det medisinske miljøet har blitt en labyrint av sammenlåsende bedrifts-, sykehus- og regjeringsstyrelser, infiltrert av narkotikaforetakene. De giftigste stoffene blir ofte godkjent først, mens mildere og mer naturlige alternativer blir ignorert av økonomiske årsaker. Det er død av medisin.
Klikk her for mer info og / eller å bestille denne boken på Amazon.


Jeg fortsetter med litt hjelp fra vennene mine
enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

følg InnerSelf på

facebook-ikonettwitter-iconrss-ikonet

 Få den siste via e-post

{Emailcloak = off}

FRA REDAKTØRENE

Hvorfor jeg burde ignorere COVID-19 og hvorfor jeg ikke vil
by Robert Jennings, InnerSelf.com
Min kone Marie og jeg er et blandet par. Hun er kanadisk, og jeg er amerikaner. De siste 15 årene har vi tilbrakt vintrene i Florida og somrene i Nova Scotia.
InnerSelf Nyhetsbrev: November 15, 2020
by InnerSelf Staff
Denne uken reflekterer vi over spørsmålet: "hvor går vi herfra?" Akkurat som med enhver overgangsritual, enten eksamen, ekteskap, fødsel av et barn, et sentralt valg eller tap (eller funn) av et ...
America: Hitching Our Wagon to the World and to the Stars
by Marie T Russell og Robert Jennings, InnerSelf.com
Vel, det amerikanske presidentvalget er nå bak oss, og det er på tide å ta status. Vi må finne felles grunnlag mellom unge og gamle, demokrater og republikanske, liberale og konservative for virkelig å opprette ...
InnerSelf Nyhetsbrev: Oktober 25, 2020
by InnerSelf Staff
"Slagordet" eller undertittelen for InnerSelf-nettstedet er "Nye holdninger --- nye muligheter", og det er akkurat temaet for ukens nyhetsbrev. Hensikten med våre artikler og forfattere er å ...
InnerSelf Nyhetsbrev: Oktober 18, 2020
by InnerSelf Staff
I disse dager lever vi i minibobler ... i våre egne hjem, på jobben og offentlig, og muligens i vårt eget sinn og med våre egne følelser. Imidlertid å leve i en boble, eller føle at vi er ...