En ny datadriven modell visar att bärande masker sparar liv - och ju tidigare du börjar, desto bättre

En ny datadriven modell visar att bärande masker sparar liv - och ju tidigare du börjar, desto bättre
Datormodellen simulerar hur många COVID-19-fall som kunde ha förhindrats i ett visst län i USA Leontura / DigitalVision Vectors via Getty Images

Dr. Biplav Srivastava, professor i datavetenskap vid University of South Carolina, och hans team har utvecklat ett datadrivet verktyg som hjälper till att visa effekten av att bära masker på COVID-19-fall och dödsfall. Hans modell använder en mängd olika datakällor för att skapa alternativa scenarier som kan berätta för oss "Vad kunde ha hänt?" om ett län i USA hade en högre eller lägre grad av maskering. I den här intervjun förklarar han hur modellen fungerar, dess begränsningar och vilka slutsatser vi kan dra av den.

Datavetenskaparen Biplav Srivastava ger en demo av simuleringen för att visa att tidigare policyer för att rekommendera maskbärande gör en större skillnad på spridningen av coronavirus.

Vad gör den här datormodellen?

Detta är ett rikstäckande verktyg som kan visa vilken effekt bärande masker kan ha. Om det är ett län där folk bär masker regelbundet, kommer det att visa dig hur många COVID-19-fall och dödsfall de undvek. Om du väljer ett län där människor inte bär masker, kommer det att visa dig hur många fall och dödsfall som kunde ha förhindrats där.

Hur gör det?

Vi behöver mycket data för att göra detta. The New York Times undersökte nästan alla län i USA över sommaren och tilldelade en maskeringspoäng på 0-5 till var och en av dem, så det här är kärnan i modellen. Vi använder också data från New York Times och Johns Hopkins för ärendenummer i realtid; folkräkningsdata för demografi såsom befolkningsstorlek, medianålder och mer; och geografisk data för att mäta avståndet mellan länen.

Den är baserad på en matematisk teknik som kallas robust syntetisk kontroll, som ofta används i läkemedelsforskning, där det finns en kontrollgrupp och det finns en behandlingsgrupp.

Låt oss till exempel titta på Wyandotte County, Kansas. Den har en relativt hög maskbärande poäng på cirka 3.4. Eftersom modellen är utformad för att berätta för oss "vad händer om?" scenariot, det kommer att se på vad som skulle ha hänt om maskeringspoängen reducerades till 3.0, vilket är vår avgränsning för "låg maskslitage", men användaren kan också experimentera med andra värden för att se vad som händer. Vi kom fram till 3.0 baserat på analys av rikstäckande maskeringsvanor. De faktiska värdena varierade mellan 1.4 och 3.85, med ett nationellt genomsnitt på 2.98.


 Få det senaste från InnerSelf


Vi kan ställa in ett datum då maskeringspoängen ändras till 3.0. Om vi ​​ställer in den från 1 juni till 1 oktober berättar den att Wyandotte County skulle ha haft 101.5% fler fall och 150 fler dödsfall under den perioden. Den berättar för användaren hur många dödsfall som har inträffat eller förhindrats baserat på en dödlighetsparameter som användaren kan ställa in. I det här exemplet sattes det till 2%.

Hur skapar modellen "vad händer om?" scenario om det inte faktiskt hände? Det gör det genom att titta på andra län som ligger i närheten och som har liknande demografi och fallantal men har en lägre maskbärande tröskel. Den försöker komma med ett viktat genomsnitt för att bilda en syntetisk kontrollgrupp som liknar vårt intressegrupp (behandlingsgrupp). Modellen tittar sedan på hur mycket de två grupperna har skiljt sig från fallet. Skillnaden i fallantal mellan de två grupperna konverteras till en skillnad i dödsfall med hjälp av dödligheten.

Vad säger detta oss om effekterna av maskbärande policyer?

Det kan vara till hjälp att fortsätta använda masken eller genomföra en maskpolicy. Men dess inverkan är störst när du gör det tidigt. När du kör den här modellen flera gånger med olika datum ser du att effekten minskar när du försenar implementeringen av en maskbärande policy. Så om ett län genomförde en maskpolitik den 1 juni skulle det ha förhindrat många fall. Om den agerade den 1 juli skulle det få mindre effekt. Om det agerade i augusti skulle det fortfarande ha förhindrat fall, men ett mycket litet antal.

Vilka begränsningar har denna modell?

Detta verktyg fungerar bättre för vissa län än andra. I allmänhet fungerar det bäst med län som ligger närmare genomsnittet, eftersom det kommer att ha närmare matcher att jämföra med. Det finns också en begränsning i den meningen att The New York Times maskeringsundersökning gjordes på sommaren och att saker och ting förändras. Så om andra forskare använder det här verktyget måste de redogöra för förändringarna.

Men vad du ser är att när du implementerar en maskpolicy eller befolkningen regelbundet bär masker, får det en positiv inverkan. Och ju tidigare du gör det, desto effektivare är det.

Om författaren

Biplav Srivastava, professor i datavetenskap, University of South Carolina. Jag vill erkänna mitt team, Sparsh Johri, Kartikaya Srivastava, Chinmayi Appajigowda och Lokesh Johri, för att utveckla detta program.Avlyssningen

Denna artikel publiceras från Avlyssningen under en Creative Commons licens. Läs ursprungliga artikeln.


Rekommenderade böcker: Hälsa

Färsk frukt RensaFresh Fruit Cleanse: Detox, gå ner i vikt och återställ din hälsa med naturens mest utsökta mat [Paperback] av Leanne Hall.
Förlora vikt och känna dig vibrerande hälsosam när du rensar din toxins kropp. Färsk frukt Rensa erbjuder allt du behöver för en enkel och kraftfull avgiftning, inklusive dag-för-dag-program, läckande recept och råd för övergången från rengöringen.
Klicka här för mer info och / eller för att beställa den här boken på Amazon.

Trivs matTriva Foods: 200 Växtbaserade recept för Peak Health [Paperback] av Brendan Brazier.
Bygga på den stressreducerande, hälsofrämjande näringsfilosofin som introducerades i hans hyllade veganäringsguide Frodas, professionell Ironman triathlete Brendan Brazier visar nu sin uppmärksamhet på din middagsplatta (frukostskål och lunchbricka också).
Klicka här för mer info och / eller för att beställa den här boken på Amazon.

Död genom medicin av Gary NullDeath by Medicine av Gary Null, Martin Feldman, Debora Rasio och Carolyn Dean
Den medicinska miljön har blivit en labyrint av interlocking företag, sjukhus och regeringskonferenser, infiltrerade av läkemedelsbolagen. De giftigaste ämnena godkänns ofta först, medan milda och mer naturliga alternativ ignoreras av ekonomiska skäl. Det är död av medicin.
Klicka här för mer info och / eller för att beställa den här boken på Amazon.


Jag kommer förbi med lite hjälp från mina vänner
enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

följ InnerSelf på

facebook-icontwitter-iconrss-icon

 Få det senaste via e-post

{Emailcloak = off}

FRÅN REDAKTORERNA

Varför ska jag ignorera COVID-19 och varför inte?
by Robert Jennings, InnerSelf.com
Min fru Marie och jag är ett blandat par. Hon är kanadensisk och jag är amerikaner. Under de senaste 15 åren har vi tillbringat våra vintrar i Florida och våra somrar i Nova Scotia.
InnerSelf-nyhetsbrev: November 15, 2020
by InnerSelf Staff
Den här veckan reflekterar vi över frågan: "vart går vi härifrån?" Precis som med alla övergångsritualer, vare sig examen, äktenskap, födelse av ett barn, ett avgörande val eller förlust (eller upptäckt) av ett ...
America: Hitching Our Wagon to the World and to the Stars
by Marie T Russell och Robert Jennings, InnerSelf.com
Tja, det amerikanska presidentvalet är nu bakom oss och det är dags att göra status. Vi måste hitta gemensamma grunder mellan unga och gamla, demokrater och republikaner, liberala och konservativa för att verkligen skapa ...
InnerSelf-nyhetsbrev: oktober 25, 2020
by InnerSelf Staff
"Slogan" eller underrubrik för InnerSelf-webbplatsen är "New Attitudes --- New Möjligheter", och det är exakt temat i veckans nyhetsbrev. Syftet med våra artiklar och författare är att ...
InnerSelf-nyhetsbrev: oktober 18, 2020
by InnerSelf Staff
Dessa dagar lever vi i minibubblor ... i våra egna hem, på jobbet och offentligt, och möjligen i vårt eget sinne och med våra egna känslor. Att leva i en bubbla eller känna att vi är ...