天气预报方法可用于评估COVID-19暴露风险
根据加州理工学院科学家发表的一项新研究，天气预报中使用的技术可以被重新利用，为个人提供他们接触COVID-19或其他病毒的风险的个性化评估。
环境科学与工程Theodore Y. Wu教授塔皮奥·施耐德(Tapio Schneider)说，在对抗疾病传播方面，这项技术有可能比全面封锁更有效，侵入性更小;加州理工学院为NASA管理的喷气推进实验室的高级研究科学家;他是一项新研究的主要作者发表于PLOS计算生物学6月23日。
施耐德说:“对于这次大流行，现在可能为时已晚，但这不会是我们将面临的最后一次大流行。这对追踪其他传染病也很有用。”
原则上，这个想法很简单:天气预报模型吸收了大量数据——例如，除了卫星数据之外，当地气象站对风速和风向、温度和湿度的测量。他们利用这些数据来评估当前的大气状态，预测未来的天气演变，然后将预测的大气状态与新数据混合，重复这个循环。同样，疾病风险评估也利用各种类型的现有数据，对个人接触或感染疾病的风险进行评估，使用流行病学模型预测疾病在人类接触网络中的传播，然后将预测与新数据混合，重复这一循环。这种评估可能会使用机构监测测试的结果、可穿戴传感器的数据、智能手机记录的自我报告症状和密切接触者的数据，以及市政当局的疾病报告仪表板。
该研究发表于PLOS计算生物学是概念的证明。然而，它的最终结果将是一个智能手机应用程序，为个人提供经常更新的数字评估(即百分比)，反映他们接触或感染特定传染病病原体(如COVID-19)的可能性。
施耐德和他的同事说，这样的应用程序将类似于现有的COVID-19暴露通知应用程序，但在数据使用方面更加复杂和有效。这些应用程序提供二元暴露评估(“是的，你已经暴露了”，或者，在没有暴露的情况下，无线电静默);研究中描述的新应用程序将更细致地了解随着个人与他人的接触以及有关感染的数据在不断发展的接触网络中传播而不断变化的暴露和感染风险。
这一想法诞生于COVID-19大流行的早期，当时施奈德和奇亚拉·达拉约(G. Bradford Jones机械工程和应用物理学教授，传统医学研究所研究员)的同事和合作伙伴突然发现自己被孤立在家中，想知道如何利用他们的科学和工程专业知识来帮助世界应对这一新的威胁。ob欧宝直播nba
一个前流感大流行Daraio的研究重点是开发低成本的体温追踪器。这就提出了一个问题:这种药物的广泛使用会不会追踪器以便更好地跟踪和了解COVID-19的传播?
研究报告的合著者Daraio说:“我们设想的是一个天气预报应用程序，利用来自传感器、感染数据和近距离跟踪的信息，人们可以利用这些信息来调整自己的行为，以降低个人风险。PLOS计算生物学纸。
施耐德是一名气候科学家，他领导着气候建模联盟(CliMA)，该联盟正在利用计算和数据科学的最新进展来开发一个全新的气候模型。他联系了哥伦比亚大学(Columbia University)的老朋友杰弗里·萨满(Jeffrey Shaman)。萨满对气候变化如何影响传染病传播的研究使他对流行病学产生了兴趣，并对类似的天气预报方法在社区层面上进行疾病建模产生了兴趣。
“在过去的十年里，传染病建模领域，特别是预测领域，有了爆炸式的发展。许多疾病预测方法利用了天气预测中常用的集合和推断方法，”该研究的合著者萨曼说PLOS计算生物学纸。
该团队面临着两个关键挑战:为这一目的调整天气预测方法，以及开发一个现实的测试平台来衡量它的工作效果。
加州理工学院的研究科学家奥利弗·邓巴说:“从概念上讲，这是一个非常有吸引力的想法，因为预测天气的方法在预测混乱的大气层方面非常有效，这是一个非常具有挑战性的任务。”“但没有直接的翻译。一个流行病预测应用程序只有很少的数据可以使用，而且只涉及部分用户。幸运的是，我们通过将这些稀疏的数据与最新的智能设备技术和数学病毒传播模型结合起来，取得了成功。”
为了验证这一点，研究小组找到了德国法兰克福金融管理学院的Lucas Böttcher。Böttcher建立了一个虚拟城市的计算机模型——一个缩小了的、理想化的纽约——有10万个“节点”，或虚构的人，然后研究适应的天气预报方法预测疾病在人群中的传播情况。
结果令人鼓舞:在模拟中，当使用相同的数据时，该模型识别出的潜在暴露量是传统接触追踪或暴露通知应用程序捕捉到的数量的两倍。
“我们研究中开发的方法不仅与传染病管理相关，而且还开辟了将观察数据与计算生物学中出现的高维机械模型相结合的新方法，”该研究的合著者Böttcher说PLOS计算生物学纸。
尽管有这些令人鼓舞的结果，但在现实世界中实施这项技术需要适当水平的智能设备用户，以及有效的测试活动，以使风险评估软件能够管理和控制流行．如果给定人群中约75%的人提供相关信息(例如，他们是否检测出某种疾病呈阳性)，并在可能接触过病毒时进行自我隔离，那么风险评估软件就足够准确，可以在整个人群中管理和控制COVID疫情。然而，从COVID-19疫苗接种率可以明显看出，如此大比例的人口很难接受疫苗。
尽管如此，一个有希望的场景是由较小的社区用户群部署——例如，大学校园的人口——可以随时为软件提供足够多的数据，以提供准确的风险评估，从而在当地减少疾病的传播。
施耐德说:“使这个系统成为现实的挑战是管理隐私问题，例如，如何将密切接触者的数据传输到中央数据处理设施。”也就是说，我们只需要匿名信息。位置信息已经被例行收集用于商业用途，我们设想了一些方法来加强系统，防止不良行为者利用。”
进一步探索
