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.
{vembed Y=g3o_TW2OWJU}
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.
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.
Denna artikel publiceras från Avlyssningen under en Creative Commons licens. Läs ursprungliga artikeln.
Relaterade böcker:
Kroppen håller poängen: Hjärnans själ och kropp i läkningen av trauma
av Bessel van der Kolk
Den här boken utforskar sambanden mellan trauma och fysisk och mental hälsa, och erbjuder insikter och strategier för läkning och återhämtning.
Klicka för mer info eller för att beställa
Breath: The New Science of a Lost Art
av James Nestor
Den här boken utforskar vetenskapen och praktiken av andning, och erbjuder insikter och tekniker för att förbättra fysisk och mental hälsa.
Klicka för mer info eller för att beställa
Växtparadoxen: de dolda farorna i "hälsosam" mat som orsakar sjukdomar och viktökning
av Steven R. Gundry
Den här boken utforskar kopplingarna mellan kost, hälsa och sjukdomar, och erbjuder insikter och strategier för att förbättra övergripande hälsa och välbefinnande.
Klicka för mer info eller för att beställa
Immunitetskoden: Det nya paradigmet för verklig hälsa och radikal anti-aging
av Joel Greene
Den här boken erbjuder ett nytt perspektiv på hälsa och immunitet, som bygger på principer för epigenetik och erbjuder insikter och strategier för att optimera hälsa och åldrande.
Klicka för mer info eller för att beställa
Den kompletta guiden till fasta: läka din kropp genom intermittent, varannan dag och förlängd fasta
av Dr Jason Fung och Jimmy Moore
Den här boken utforskar vetenskapen och praktiken av fasta och erbjuder insikter och strategier för att förbättra övergripande hälsa och välbefinnande.
