天气应用程序如何预测您的COVID风险
作者:Laura Tedesco
2022年8月17日 - Tapio Schneider是一位气候科学家,他的妻子是一位机械工程师。在许多方面,他们与其他许多受COVID影响的家庭一样:两个年幼的孩子失学,在家开着无休止的Zoom会议。但这两个人不仅仅是在封锁期间做酸面包和散步。他们在集思广益,思考如何利用他们的专业知识来提供帮助。
"加州理工学院环境科学与工程系教授、美国宇航局喷气推进实验室高级研究科学家施耐德回忆说:"我们像其他人一样躲在家里,讨论如何避免隔离或封锁的问题。
当时,封锁是唯一已知的控制病毒的方法,但施耐德认为它们的效果并不好。
"他说:"即使在大流行的高峰期,也有1%或2%的人口具有实际传染性。"98%的人不需要隔离。" 但问题是要弄清楚谁是那些有传染性的人。
然后他想到了。如果他能利用天气应用程序使用的相同技术创建一个COVID "预测",会怎么样?
Schneider的妻子也是加州理工学院的教授,她正在研究体温传感器。他们推断,也许来自类似设备的数据可以与COVID测试数据相结合,预测一个人感染病毒的机会。将这些数据发送到一个应用程序,每个用户都可以得到他们自己的个性化风险,并直接送到他们的智能手机上。
这个想法的种子变成了《PLOS计算生物学》的一项研究。施耐德与一个全球团队合作--包括一名来自德国的计算科学家和一名来自纽约哥伦比亚大学的疾病建模师--以了解像这样的应用程序是否能够帮助控制像COVID这样的大流行病。而结果是很有希望的。
COVID预测应用程序如何工作
如果你曾经使用过一个天气应用程序,你可能已经注意到,周末的预报在周一和周五看起来可能非常不同。这并不是因为气象学家们不知道他们在做什么。这反映了不断输入的大量数据,随着实际日期的临近,预报的准确性也在提高。
每隔12小时,天气应用程序就会进行一次分析。第一步是捕捉当前的大气状态--如温度、湿度和风速,由气象站和卫星等来源测量。这些信息与12小时前的预报混合在一起,然后插入一个大气模型中。一个算法预测12小时后的情况,天气应用程序更新,半天后,这个周期重复进行。
想象一个使用类似方法的应用程序,只是它将COVID数据插入一个疾病追踪模型,描绘出从高危到暴露,再到传染,最后到康复、住院或死亡的路径。这些数据将包括显而易见的--快速测试和抗原测试的结果,自我报告的症状--以及更多意想不到的东西,如来自智能手机的数据和当地废水中的病毒量,这正迅速成为预测COVID爆发的宝贵工具。
"关键是这是针对个人的,"施耐德解释说。这款应用程序不只是预测你所在城市中受感染的人的百分比;相反,它将根据你的蓝牙设备接收到的数据,评估你感染病毒的独特风险。
现有的暴露通知应用程序在欧洲和亚洲比在美国使用得更广泛,它们在你可能暴露于病毒之后向你发出通知,但它们不会在警报之间向你更新。施耐德设想以一种更有效的方式使用这些应用程序的数据,利用其他数据源,提供定期更新的传染性预测,并建议你在可能暴露后进行自我隔离。
该应用程序的效果如何?
在研究中,Schneider和他的团队创建了一个模拟城市,旨在模仿大流行病早期阶段的纽约市。这个数据网包括成千上万的交叉点,每个点都代表一个人--有些人有很多日常交往,有些人则很少。每个人都被分配了一个年龄,因为年龄会影响COVID的路线。
他们的模拟结果显示。如果75%的人使用COVID预测应用程序,并按照建议进行自我隔离,那么只要诊断测试率高,就可以有效控制大流行。
"这和封锁一样有效,只是在任何时候,只有一小部分人隔离,"施耐德说,并指出在这种情况下,"一小部分人 "大约是人口的10%。"大多数人可以正常地进行他们的生活。"
但是,正如低迷的COVID疫苗接种率所揭示的那样,近乎普遍的遵守可能是一个无法达到的目标。
另一个潜在的挑战是:克服隐私问题,尽管数据会被匿名化。施耐德说,从较小的社区开始,比如大学校园或工作场所,可能会促进更广泛的接受,因为人们会看到分享他们的数据的好处。据他观察,年轻人似乎更愿意披露健康信息,这意味着他们可能更愿意使用这样的应用程序,特别是如果它能抵御另一次封锁。
传染性疾病追踪的未来。赋予每个人权力
传染病的数学模型并不新鲜。2009年,在H1N1(猪流感)大流行期间,CDC利用来自多个来源的数据来帮助减缓流感的传播。在2016年至2017年的寨卡病毒激增期间,建模帮助研究人员及早发现病毒与小头症之间的联系,即婴儿的头部比正常情况下小得多的情况。事实上,根据2022年《临床传染病》(Clinical Infectious Diseases)杂志的一篇文章,数学预测对从流感到艾滋病毒的所有疾病都很有用。
然后是COVID-19--美国历史上最严重的大流行病,需要一个新的数字计算水平。
在与马萨诸塞大学阿默斯特分校的合作中,CDC创建了 "中心",这是一个数据存储库,合并了几个独立的预测,以预测COVID的病例、住院和死亡。这项大规模的工作不仅有助于为公共政策提供信息--它还揭示了快速追踪接触者的重要性。如果识别密切接触者需要在接触后6天半以上的时间,那就几乎没有用了。
施耐德对曾经被赞誉为COVID控制方法的这种担忧也有同感。他说:"在他的团队对基于应用程序的预测的模拟中,"你将死亡率降低了2到4倍,只是因为你确定了更多可能具有传染性的人,而不是你通过测试、追踪和隔离。接触者追踪控制COVID传播的能力是有限的,因为没有症状的传播率很高,而且该病毒的潜伏期很短。通过将多个数据源与疾病传播模型相结合,你会得到更高的效率。
"你知道它是如何在网络上传播的,"Schneider说。"而一旦你建立了这一点,你就会得到更有效的流行病控制。"
将这种数学方法应用于个人--而不是整个人口--是施奈德愿景中的真正创新。在过去,我们可以预测,比如说,在整个纽约市找到一个传染病人的机会。但施耐德希望开发的应用程序将确定每个用户的独特的感染性机会。这使我们有能力做出明智的决定--我今晚要出去吗?我是否要自我隔离?- 更加直接地掌握在每个人的手中。
施耐德说:"我们这里有一项技术,可以导致对流行病的管理,甚至完全抑制它们,如果它被足够广泛地采用并与测试相结合,""这和我们的封锁一样有效,而不必隔离大部分人口。"
这种创新可以帮助追踪像流感这样的传染病,甚至遏制下一个COVID,Schneider说。
"他说:"你想控制流行病,你想尽量减少疾病和痛苦。"同时,你想尽量减少经济混乱和对生活、对学校教育的干扰。希望通过像我们所概述的数字手段,你可以实现这两个目标"。