آیا دماسنج هوشمند می‌تواند پاندمی کووید-۱۹ را پیش‌بینی کند؟

تشخیص سریع اپیدمی‌های نوظهور همچون کووید-۱۹، چالشی بزرگ است که توانایی ما در زمینه کاهش موثر شیوع را محدود می‌سازد. در پاسخ به این نیاز، کمپانی دماسنج هوشمند کینزا با استفاده از سیگنال‌های بیماری در سطح شهر، روشی برای تشخیص شیوع بیماری‌های غیر عادی مشابه آنفولانزا در لحظه ارائه کرده است، که از داده‌های دماسنج منطقه‌ای و پیش‌بینی‌های بسیار دقیق ۱۲ هفته‌ای بیماری کمک می‌گیرد. کینزا شیوع بیماری‌های مشابه آنفولانزا را با روند مورد انتظار آنفولانزای فصلی مقایسه کرده و از طریق تجزیه و تحلیل، داده‌های شیوع غیرعادی را مشخص می‌کند. این روند مورد انتظار از طریق پیش‌بینی آنفولانزا در هر منطقه و در زمانی پیش از شیوع احتمالی مشخص می‌شود.

نقشه سلامت ایالات متحده آمریکا

نقشه سلامتی ایالات متحده آمریکا، تصویری از بیماری‌های فصلی مرتبط با بیماری‌های مشابه آنفولانزا است. داده‌های متراکم و گمنامی که به تصویر کشیده شده‌اند، از شبکه دماسنج‌های هوشمند کینزا و اپلیکیشن‌های موبایلی مربوطه دریافت شده است.

نقشه برداری در همکاری با بنجامین دالزیل در دانشگاه ایالت اورگان انجام شده است. این نقشه نشانگر دو نقطه اصلی در داده‌ها است: سطح بیماری که هم اکنون شاهد آن هستیم، و میزان بالاتر بودن سطح بیماری از سطحی که در یک فصل آنفولانزایی خاص انتظار می‌رود. کینزا معتقد است که این بیماری‌های غیرمعمول ممکن است در برخی موارد با پاندمی کووید-۱۹ در ارتباط باشند.

کینزا با استفاده از پیش‌بینی آنفولانزای دقیق و طولانی مدتی که با استفاده از داده‌های بیماری‌های مشابه آنفولانزا در سطح ایالتی انجام داده است، موفق به دستیابی به چندین روند آنفولانزای مورد انتظار در هر ایالت شده است. این روش پیش‌بینی بیماری، از داده‌های خاص جغرافیایی برای تخمین الگوهای روزانه و فصلی انتقال آنفولانزا در هر شهر استفاده می‌کند، که این امر به ما امکان یادگیری نحوه شیوع آنفولانزا در تاریخ هر منطقه را می‌دهد. یافته‌های تحقیقات آکادمیک نشان می‌دهد که هر شهر دارای منحنی‌های خاصی از تراکم اپیدمی است که وابسته به ساختار آب و هوایی و جمعیتی آن شهر می‌باشد، و این روش بر اساس همین تحقیقات بنا شده است. از این الگوها برای پیش‌بینی بسیار دقیق و طولانی مدت بیماری در مقیاس شهری استفاده می‌شود. برای مثال، شهرهای کوچک اپیدمی‌های شدیدتری دارند، در حالی که شهرهای بزرگ‌تر به دلیل اثرات ایمنی جمعی، شاهد منحنی شیوع صاف‌تری هستیم.

ایندر سینگ، مدیرعامل کینزا می‌گوید:

“ما یک سیستم هشدار اولیه ساختیم که مکان‌هایی با سطوح بالا و غیرعادی تب را شناسایی می‌کند. هدف این سیستم راهنمایی کادر درمان عمومی به سمت مکان‌هایی است که به دلیل رخ دادن یک مورد غیر معمولی نیاز به جستجو و منابع بیشتری دارند.

ما تمام تلاش خود را کرده‌ایم تا این ابزار به سادگی قابل دسترسی باشد. داده‌ها به صورت نقشه‌ای نشان داده می‌شوند که نمایش‌گر سطوح فعلی بیماری در سرتاسر ایالات متحده آمریکا است. همچنین نمایی دیگر را ایجاد کرده‌ایم که نشانگر مناطقی است که سطح بیماری در آن‌ها بالاتر از سطح مورد انتظار آنفولانزای فصلی می‌باشد.”

با وجود این که این روش نمی‌تواند کووید-۱۹ را پیش‌بینی کند، اما شرکت خاطرنشان می‌کند که از تاریخ ۱ مارس ارتباط بسیار زیادی میان تراکم شیوع غیرعادی بیماری‌ها و تست مثبت کووید-۱۹ (در سطح ایالتی) در زمینه موقعیت مکانی تحت تاثیر و زمان تاثیرگذاری بر آن مکان وجود دارد. این امر نشان می‌دهد که اطلاعات این شرکت می‌تواند مکان احتمالی انتشار کووید-۱۹ را نیز نمایش دهد.

کینزا توصیه می‌کند که برای تعیین تخصیص منابع کمیاب، داده‌های این شرکت به عنوان مکمل در کنار دیگر منابع داده موجود، همچون آزمایشات کووید-۱۹، پذیرش‌های اورژانس‌ها و غیره تحلیل شود. البته در مکان‌هایی که دماسنج‌های هوشمند کمی استفاده شود، داده‌ها دقیق نخواهند بود.

ارزش تحلیل جغرافیایی

این نقشه با استفاده از اپن مپ در پلتفرم هوشمند مکانی کارتو ساخته شده است. کارتو در برنامه گرنتس، پلتفرم خود را برای سازمان‌های بخش عمومی و خصوصی که در برابر شیوع ویروس کرونا مبارزه می‌کنند قابل دسترسی ساخته است، و چندین سازمان نیز تا کنون از آن برای نقشه‌برداری و تحلیل جغرافیایی استفاده کرده‌اند که از جمله آن‌ها می‌توان به آزمایشگاه GIS دانشگاه واشنگتن – سیاتل اشاره کرد. شرکت هوسلوت در اسپانیا در تلاش است تا از ازدیاد تماس‌های ضروری در سیستم جلوگیری کرده و مرکز عفونت را شناسایی نماید، و شرکت کولتن کر در انگلستان نیز از این پلتفرم برای نمایش و مدیریت بصری تاثیر کووید-۱۹ بر ساکنان خانه‌ها در بیش از ۲۱ نقطه و ارتباط آنان با دوستان/خانواده و کارمندانشان استفاده کرده است.

منابع خبر :

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.

سه × 5 =