โมเดลคอมพิวเตอร์จำลองจำนวนผู้ป่วย COVID-19 ที่สามารถป้องกันได้ในบางเขตในสหรัฐอเมริกา Leontura / DigitalVision Vectors ผ่าน Getty Images
Dr. Biplav Srivastava ศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์แห่งมหาวิทยาลัยเซาท์แคโรไลนา และทีมของเขาได้พัฒนาเครื่องมือที่ขับเคลื่อนด้วยข้อมูล ซึ่งช่วยแสดงให้เห็นถึงผลกระทบของการสวมหน้ากากต่อผู้ป่วยและการเสียชีวิตจาก COVID-19 โมเดลของเขาใช้แหล่งข้อมูลที่หลากหลายเพื่อสร้างสถานการณ์ทางเลือกที่สามารถบอกเราได้ว่า "จะเกิดอะไรขึ้น" หากเคาน์ตีในสหรัฐอเมริกามีอัตราการยึดมั่นในหน้ากากสูงหรือต่ำ ในการสัมภาษณ์ครั้งนี้ เขาอธิบายว่าแบบจำลองทำงานอย่างไร ข้อจำกัดของมัน และข้อสรุปใดที่เราสามารถดึงออกมาได้
นักวิทยาศาสตร์คอมพิวเตอร์ Biplav Srivastava ได้สาธิตการจำลองเพื่อแสดงให้เห็นว่านโยบายก่อนหน้านี้ในการแนะนำการสวมหน้ากากสร้างความแตกต่างที่ยิ่งใหญ่กว่าในการแพร่กระจายของ coronavirus
คอมพิวเตอร์รุ่นนี้ทำอะไรได้บ้าง?
เป็นเครื่องมือระดับประเทศที่สามารถแสดงผลการสวมหน้ากากได้ หากเป็นมณฑลที่ผู้คนสวมหน้ากากเป็นประจำ จะแสดงจำนวนผู้ป่วยและผู้เสียชีวิตจากโควิด-19 ที่พวกเขาหลีกเลี่ยง หากคุณเลือกเขตที่ผู้คนไม่สวมหน้ากาก จะแสดงจำนวนผู้ป่วยและผู้เสียชีวิตที่สามารถป้องกันได้ที่นั่น
มันทำยังไง?
เราต้องการข้อมูลจำนวนมากเพื่อทำสิ่งนี้ The New York Times สำรวจเกือบทุกมณฑลในสหรัฐอเมริกา ในช่วงฤดูร้อนและให้คะแนนการสวมหน้ากากเป็น 0-5 ให้กับแต่ละคน ดังนั้นนี่คือหัวใจสำคัญของนางแบบ เรายังใช้ข้อมูลของ New York Times และ Johns Hopkins สำหรับหมายเลขเคสแบบเรียลไทม์ ข้อมูลสำมะโนประชากร เช่น ขนาดประชากร อายุมัธยฐาน และอื่นๆ และข้อมูลทางภูมิศาสตร์เพื่อวัดระยะทางระหว่างมณฑล
โดยอาศัยเทคนิคทางคณิตศาสตร์ที่เรียกว่า การควบคุมสังเคราะห์ที่แข็งแกร่งซึ่งมักใช้ในการวิจัยยาที่มีกลุ่มควบคุมและมีกลุ่มบำบัด
ตัวอย่างเช่น ลองดูที่ Wyandotte County, Kansas มีคะแนนการสวมหน้ากากค่อนข้างสูงประมาณ 3.4 เพราะตัวแบบถูกออกแบบมาเพื่อบอกเราว่า “จะเป็นอย่างไรถ้า” สถานการณ์จะพิจารณาว่าจะเกิดอะไรขึ้นถ้าคะแนนการสวมหน้ากากลดลงเหลือ 3.0 ซึ่งเป็นจุดตัดของเราสำหรับ "การสวมหน้ากากต่ำ" แต่ผู้ใช้สามารถทดลองกับค่าอื่น ๆ เพื่อดูว่าเกิดอะไรขึ้น เรามาถึง 3.0 จากการวิเคราะห์พฤติกรรมการสวมหน้ากากทั่วประเทศ ค่าจริงอยู่ระหว่าง 1.4 ถึง 3.85 โดยมีค่าเฉลี่ยของประเทศอยู่ที่ 2.98
เราสามารถกำหนดวันที่คะแนนการสวมหน้ากากเปลี่ยนเป็น 3.0 ได้ หากเรากำหนดให้เริ่มใช้ตั้งแต่วันที่ 1 มิถุนายนถึง 1 ต.ค. มันบอกเราว่าเทศมณฑลไวยานดอตต์จะมีผู้ป่วยเพิ่มขึ้น 101.5% และผู้เสียชีวิตอีก 150 คนในช่วงเวลานั้น โดยจะบอกผู้ใช้ว่ามีผู้เสียชีวิตจำนวนเท่าใดหรือได้รับการป้องกันตามพารามิเตอร์อัตราการตายที่ผู้ใช้สามารถตั้งค่าได้ ในตัวอย่างนี้ ตั้งค่าไว้ที่ 2%
โมเดลสร้าง "เกิดอะไรขึ้นถ้า" ได้อย่างไร สถานการณ์ถ้ามันไม่ได้เกิดขึ้นจริง? ทำได้โดยดูจากเทศมณฑลอื่นๆ ซึ่งอยู่ใกล้เคียงและมีข้อมูลประชากรและจำนวนผู้ป่วยที่คล้ายคลึงกัน แต่มีเกณฑ์การสวมหน้ากากที่ต่ำกว่า จะพยายามหาค่าเฉลี่ยถ่วงน้ำหนักเพื่อสร้างกลุ่มควบคุมสังเคราะห์ซึ่งคล้ายกับเขตที่เราสนใจ (กลุ่มบำบัด) จากนั้นโมเดลจะพิจารณาว่าทั้งสองกลุ่มมีความแตกต่างกันมากน้อยเพียงใดในแง่ของจำนวนเคส ความแตกต่างของจำนวนเคสระหว่างสองกลุ่มจะถูกแปลงเป็นความแตกต่างในการเสียชีวิตโดยใช้พารามิเตอร์อัตราการตาย
สิ่งนี้บอกอะไรเราเกี่ยวกับผลกระทบของนโยบายการสวมหน้ากาก?
การรักษาการสวมหน้ากากหรือใช้นโยบายหน้ากากเมื่อใดก็ได้อาจเป็นประโยชน์ แต่ผลกระทบจะสูงสุดเมื่อคุณทำในช่วงต้น เมื่อคุณเรียกใช้โมเดลนี้หลายครั้งโดยใช้วันที่ต่างกัน คุณจะเห็นว่าผลกระทบลดลงเมื่อคุณชะลอการใช้นโยบายการสวมหน้ากาก ดังนั้น หากเทศมณฑลใช้นโยบายหน้ากากในวันที่ 1 มิถุนายน คงจะป้องกันได้หลายกรณี หากดำเนินการในวันที่ 1 กรกฎาคม ก็จะมีผลกระทบน้อยกว่า หากดำเนินการในเดือนส.ค. ก็ยังคงมีเคสป้องกันอยู่แต่มีจำนวนน้อยมาก
รับล่าสุดทางอีเมล
ข้อจำกัดของรุ่นนี้คืออะไร?
เครื่องมือนี้ทำงานได้ดีสำหรับบางมณฑลมากกว่าที่อื่นๆ โดยทั่วไป จะทำงานได้ดีที่สุดกับมณฑลที่ใกล้กับค่าเฉลี่ยมากที่สุด เนื่องจากจะมีการจับคู่ที่ใกล้เคียงกันเพื่อเปรียบเทียบ นอกจากนี้ยังมีข้อจำกัดในแง่ที่ว่าการสำรวจความสม่ำเสมอของหน้ากากของ The New York Times ได้ทำในช่วงฤดูร้อน และสิ่งต่างๆ ยังคงเปลี่ยนแปลงอยู่เสมอ ดังนั้นหากนักวิจัยคนอื่นๆ ใช้เครื่องมือนี้ พวกเขาจะต้องคำนึงถึงการเปลี่ยนแปลงด้วย
แต่สิ่งที่คุณเห็นคือเมื่อคุณใช้นโยบายหน้ากากหรือประชากรสวมหน้ากากเป็นประจำ มันสร้างผลกระทบเชิงบวก และยิ่งทำเร็วเท่าไหร่ก็ยิ่งมีประสิทธิภาพมากขึ้นเท่านั้น
เกี่ยวกับผู้เขียน
Biplav Srivastava ศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์ มหาวิทยาลัยเซาท์แคโรไลนา ฉันต้องการรับทราบผลงานของทีม Sparsh Johri, Kartikaya Srivastava, Chinmayi Appajigowda และ Lokesh Johri ในการพัฒนาโปรแกรมนี้
บทความนี้ตีพิมพ์ซ้ำจาก สนทนา ภายใต้ใบอนุญาตครีเอทีฟคอมมอนส์ อ่าน บทความต้นฉบับ.
หนังสือแนะนำ : สุขภาพ
การล้างผลไม้สด: ดีท็อกซ์ ลดน้ำหนัก และฟื้นฟูสุขภาพของคุณด้วยอาหารที่อร่อยที่สุดของธรรมชาติ [ปกอ่อน] โดย Leanne Hall
ลดน้ำหนักและรู้สึกมีสุขภาพดีอย่างสดใสพร้อมล้างสารพิษออกจากร่างกาย ทำความสะอาดผลไม้สด มีทุกสิ่งที่คุณต้องการสำหรับการดีท็อกซ์ที่ง่ายและมีประสิทธิภาพ รวมถึงโปรแกรมแบบวันต่อวัน สูตรที่น่ารับประทาน และคำแนะนำสำหรับการเปลี่ยนจากการล้างพิษ
คลิกที่นี่สำหรับข้อมูลเพิ่มเติมและ / หรือสั่งซื้อหนังสือเล่มนี้ใน Amazon.
Thrive Foods: 200 Plant-Based Recipes for Peak Health [หนังสือปกอ่อน] โดย Brendan Brazier
สร้างจากปรัชญาทางโภชนาการที่ช่วยลดความเครียดและส่งเสริมสุขภาพในคู่มือโภชนาการมังสวิรัติที่ได้รับการยกย่อง เจริญเติบโตเบรนแดน บราเซียร์ นักไตรกีฬาไอรอนแมนมืออาชีพ หันมาสนใจจานอาหารค่ำของคุณ (ชามอาหารเช้าและถาดอาหารกลางวันด้วย)
คลิกที่นี่สำหรับข้อมูลเพิ่มเติมและ / หรือสั่งซื้อหนังสือเล่มนี้ใน Amazon.
Death by Medicine โดย Gary Null, Martin Feldman, Debora Rasio และ Carolyn Dean
สภาพแวดล้อมทางการแพทย์กลายเป็นเขาวงกตที่ประสานกันของบริษัท โรงพยาบาล และคณะกรรมการบริหารของรัฐบาล ที่ถูกบริษัทยาแทรกซึมเข้ามา สารพิษส่วนใหญ่มักจะได้รับการอนุมัติก่อน ในขณะที่ทางเลือกที่อ่อนโยนกว่าและเป็นธรรมชาติมากกว่าจะถูกเพิกเฉยด้วยเหตุผลทางการเงิน มันคือความตายด้วยยา
คลิกที่นี่สำหรับข้อมูลเพิ่มเติมและ / หรือสั่งซื้อหนังสือเล่มนี้ใน Amazon.
