پیش‌بینی نواحی کروناخیز!

سپنتا ضیغمی دانشجوی دکترای علوم کامپیوتر که زیرنظر استادش سیروس شهابی بر این پروژه کار می‌کند می‌گوید: «برخلاف روش‌های فعلی که همه نواحی را زیر یک چتر قرار می‌دهند، نتایج پژوهش ما نشان داده است که امکان پیش‌بینی و نشانه‌گذاری نواحی مشخصی که خطربالایی متوجه آن‌ها است وجود دارد.» توانایی تعیین نقاط خطرپذیر نسبت به روش‌های فعلی، هم از جنبه کنترل شیوع کووید۱۹ و هم از نظر تأثیر بر کسب‌وکارها بسیار موثرتر است. او می‌گوید بعید است که کووید۱۹ آخرین همه‌گیری باشد که بشر خواهد دید، بنابراین اگر نمی‌خواهیم که بار دیگر هرج و مرج سال ۲۰۲۰ را تجربه کنیم نیازمند روش‌های داده‌محور هستیم. برای حفظ حریم خصوصی، داده‌های مربوط به جابه‌جایی افراد بدون این‌که هویت‌شان فاش شود مورد استفاده قرار گرفته است و این داده‌ها برای پایش تماس، شناسایی افراد مبتلا و مقصدی که می‌روند مورد استفاده قرار نمی‌گیرند.  این روش مبتنی بر تجمیع ناشناس داده‌ها است و مشابه همان چیزی است که در نقشه‌های حمل و نقل می‌بینیم. البته قرار نیست اطلاعات کاربر فاش شود، اما تجمیع داده‌ها به شما کمک خواهد کرد تا مسیر خود را بر اساس میزان ترافیک انتخاب کنید. به گفته این محققان، ابزارهای کنونی امتیازدهی خطر، اطلاعات جامعی در مورد نرخ سرایت در هر مکان ارایه نمی‌دهند.

شکل۲- محققان موفق شده‌‌اند راهکاری برای پیش‌بینی دقیق‌تر مناطق با خطر زیاد سرایت کووید۱۹ را پیشنهاد دهند.

به گفته ضیغمی: «خطر سرایت بر اساس مکان به‌طور چشم‌گیری تغییر می‌کند و به همین دلیل اگر برای کل کشور یک سیاست واحد درنظر بگیریم، قدرت سرایت در برخی از نواحی را از قلم خواهیم انداخت.» این گروه بر اساس داده‌های واقعی جابجایی و نیز دانش موجود در زمینه نحوه شیوع کووید۱۹، شبیه‌سازی توسعه داده‌اند که الگوهای سرایت مبتنی بر واقعیت را تولید می‌کند. در این شبیه‌ساز، برخی از عامل‌ها آلوده شده و با جابجایی‌شان، بیماری را گسترش می‌دهند. بدیهی است مکان‌های پرطرفدار در یک شهر خطر ابتلای بالایی دارند. اما می‌توان با در نظر گرفتن نحوه جابجایی افراد، دقت پیش‌بینی را بهبود داد. روش سرراست استفاده از این سامانه این است که در صورت پیش‌بینی خطر برای یک ناحیه، برای نواحی همسایه هم محدودیت‌هایی در نظر گرفته شود.