Jak aplikacje pogodowe mogą przewidzieć ryzyko zakażenia COVIDem

Laura Tedesco

17 sierpnia 2022 – Tapio Schneider jest klimatologiem, a jego żona inżynierem mechanikiem. Pod wieloma względami byli jak wiele innych rodzin dotkniętych przez COVID: dwoje małych dzieci poza szkołą i niekończące się spotkania Zoom z domu. Ale oni nie tylko robili chleb na zakwasie i chodzili na spacery podczas blokady: Robili burzę mózgów, jak mogliby wykorzystać swoją wiedzę, aby pomóc.

„Byliśmy zamknięci w domu jak wszyscy inni, rozmawiając o tym, jak można uniknąć izolacji lub zamknięcia” – wspomina Schneider, profesor nauk środowiskowych i inżynierii w Kalifornijskim Instytucie Technologii i starszy pracownik naukowy w Laboratorium Napędu Odrzutowego NASA.

W tamtym czasie zamknięcia były jedynym znanym sposobem kontroli wirusa, ale Schneider uważał, że nie działały one dobrze.

„Nawet w szczycie pandemii, 1 lub 2% populacji było faktycznie zakaźne”, mówi. „Dziewięćdziesiąt osiem procent nie potrzebowałoby izolacji”. Ale problemem było ustalenie, kim byli ci zakaźni ludzie.

Wtedy uderzyło go to: A co jeśli mógłby stworzyć „prognozę” COVID przy użyciu tej samej technologii, której używają aplikacje pogodowe?

Żona Schneidera, która również jest profesorem w Caltech, badała czujniki temperatury ciała. Być może dane z podobnych urządzeń mogłyby zostać połączone z danymi z testów COVID, aby przewidzieć szanse zarażenia się wirusem. Po przesłaniu tych danych do aplikacji, każdy użytkownik mógłby otrzymać spersonalizowane ryzyko na swój smartfon.

Ten zalążek pomysłu stał się przedmiotem badania w PLOS Computational Biology. Schneider współpracował z globalnym zespołem – w tym z naukowcem obliczeniowym z Niemiec i modelarzem chorób z Uniwersytetu Columbia w Nowym Jorku – aby sprawdzić, czy aplikacja taka jak ta mogłaby pomóc w kontrolowaniu pandemii takiej jak COVID. I wyniki są obiecujące.

Jeśli kiedykolwiek korzystałeś z aplikacji pogodowej, prawdopodobnie zauważyłeś, że prognoza na weekend może wyglądać zupełnie inaczej w poniedziałek niż w piątek. I to nie dlatego, że meteorolodzy nie wiedzą, co robią: Jest to odzwierciedlenie ogromnej ilości danych, które są stale importowane, zwiększając dokładność prognozy w miarę zbliżania się rzeczywistej daty.

Co 12 godzin, aplikacje pogodowe przeprowadzają analizę. Pierwszy krok to uchwycenie aktualnego stanu atmosfery – takich rzeczy jak temperatura, wilgotność i prędkość wiatru, zmierzonych przez takie źródła jak stacje pogodowe i satelity. Informacje te są łączone z prognozą z 12 godzin wcześniej, a następnie wprowadzane do modelu atmosferycznego. Algorytm przewiduje, jakie warunki będą panować za kolejne 12 godzin, aplikacja pogodowa aktualizuje się, a pół dnia później cykl się powtarza.

Wyobraź sobie aplikację, która wykorzystuje podobną metodę, z wyjątkiem tego, że podłącza dane COVID do modelu śledzenia choroby, wykreślając ścieżkę od ryzyka, do narażenia, do zakażenia, a wreszcie do odzyskania, hospitalizacji lub śmierci. Dane obejmowałyby rzeczy oczywiste – wyniki szybkich testów i testów antygenowych, samodzielnie zgłaszane objawy – wraz z bardziej nieoczekiwanymi, takimi jak dane ze smartfonów i ilość wirusa w lokalnych ściekach, które szybko stają się cennym narzędziem do przewidywania epidemii COVID.

„Kluczem jest to, że jest to specyficzne dla poszczególnych osób” – wyjaśnia Schneider. Aplikacja nie będzie po prostu przewidywać procentu osób w Twoim mieście, które są zarażone; raczej oceni Twoje unikalne ryzyko posiadania wirusa, w oparciu o dane, które Twoje urządzenie z Bluetooth zbiera.

Istniejące aplikacje powiadamiające o narażeniu na kontakt z wirusem, które są częściej używane w Europie i Azji niż w Stanach Zjednoczonych, wysyłają powiadomienia o możliwości kontaktu z wirusem, ale nie aktualizują danych pomiędzy kolejnymi alarmami. Schneider wyobraża sobie wykorzystanie danych, z których korzystają te aplikacje, w bardziej efektywny sposób, z wykorzystaniem innych źródeł danych, zapewniając regularnie aktualizowaną prognozę zakaźności i doradzając użytkownikowi, aby odizolował się po prawdopodobnym kontakcie z wirusem.

W ramach badania Schneider i jego zespół stworzyli symulację miasta, zaprojektowaną tak, by naśladowała Nowy Jork w początkowym stadium pandemii. Ta sieć danych zawierała tysiące przecinających się punktów, z których każdy reprezentował osobę – niektóre z nich miały wiele codziennych interakcji, inne niewiele. Każdemu z nich przypisano wiek, ponieważ wiek wpływa na drogę, którą podąża COVID.

Co wykazały ich symulacje: Jeśli 75% osób korzystało z aplikacji prognozującej COVID i dokonywało samoizolacji zgodnie z zaleceniami, pandemia mogłaby być skutecznie kontrolowana – o ile wskaźniki badań diagnostycznych byłyby wysokie.

„Jest to tak samo skuteczne jak blokada, z tą różnicą, że w danym czasie tylko niewielka część populacji izoluje się” – mówi Schneider, zauważając, że w tym przypadku „niewielka część” to około 10% populacji. „Większość ludzi może normalnie żyć”.

Ale jak ujawniły powolne wskaźniki szczepień COVID, niemal powszechna zgodność może być celem, którego nie da się osiągnąć.

Innym potencjalnym wyzwaniem jest przezwyciężenie obaw związanych z prywatnością, nawet jeśli dane byłyby anonimowe. Schneider twierdzi, że rozpoczęcie od mniejszych społeczności, takich jak kampusy uniwersyteckie czy miejsca pracy, może przyczynić się do szerszej akceptacji, ponieważ ludzie dostrzegą korzyści płynące z dzielenia się swoimi danymi. Młodzi ludzie, zauważa, wydają się bardziej komfortowi w ujawnianiu informacji o stanie zdrowia, co oznacza, że mogą być bardziej skłonni do korzystania z takiej aplikacji, zwłaszcza jeśli może ona zapobiec kolejnemu zamknięciu.

Modelowanie matematyczne dla chorób zakaźnych nie jest niczym nowym. W 2009 roku, podczas pandemii H1N1 (świńskiej grypy), CDC wykorzystało dane z wielu źródeł, aby pomóc spowolnić rozprzestrzenianie się grypy. Podczas fali Zika w latach 2016-2017, modelowanie pomogło naukowcom wcześnie zidentyfikować związek między wirusem a mikrocefalią, lub stanem, w którym głowa dziecka jest znacznie mniejsza niż normalnie. W rzeczywistości matematyczne prognozowanie było przydatne dla wszystkiego, od grypy do HIV, zgodnie z artykułem z 2022 roku w czasopiśmieClinical Infectious Diseases.

Potem nadszedł COVID-19 – najgorsza pandemia w historii USA, wymagająca nowego poziomu analizy liczb.

We współpracy z Uniwersytetem Massachusetts w Amherst, CDC stworzyło The Hub, repozytorium danych, które połączyło kilka niezależnych prognoz, aby przewidzieć przypadki, hospitalizacje i zgony związane z COVID. To ogromne przedsięwzięcie nie tylko pomogło w kształtowaniu polityki publicznej – ujawniło również znaczenie szybkiego ustalania kontaktów: Jeśli identyfikacja bliskich kontaktów trwała dłużej niż 6 i pół dnia po ekspozycji, była praktycznie bezużyteczna.

Schneider powtarza tę obawę z tym, co kiedyś było chwalone jako metoda kontroli COVID. W symulacjach jego zespołu dotyczących prognozowania opartego na aplikacji, „zmniejszasz współczynnik zgonów o czynnik 2 do 4 , tylko dlatego, że identyfikujesz więcej osób, które są prawdopodobnie zakaźne, niż w przypadku testowania, śledzenia i izolacji”, mówi. Śledzenie kontaktów ma ograniczoną zdolność do kontrolowania rozprzestrzeniania się COVID, ze względu na wysoki wskaźnik przenoszenia bez objawów i krótki okres utajenia wirusa. Łącząc wiele źródeł danych z modelem przenoszenia choroby, uzyskuje się większą skuteczność.

„Wiesz, jak to się rozprzestrzenia w sieci”, mówi Schneider. „A kiedy już to wbudujesz, uzyskujesz skuteczniejszą kontrolę nad epidemią”.

Zastosowanie tego matematycznego podejścia do jednostek – a nie całych populacji – jest prawdziwą innowacją w wizji Schneidera. W przeszłości mogliśmy przewidzieć, powiedzmy, szansę znalezienia zakażonej osoby w całym Nowym Jorku. Ale aplikacja, którą ma nadzieję opracować Schneider, określałaby unikalną szansę zarażenia dla każdego użytkownika. To daje możliwość podejmowania świadomych decyzji – Czy wyjść wieczorem? Czy się odizolować? – w rękach każdego z nas.

„Mamy tu technologię, która może prowadzić do zarządzania epidemiami, a nawet do ich tłumienia, jeśli zostanie przyjęta wystarczająco szeroko i połączona z testami” – mówi Schneider – „i jest równie skuteczna jak nasze blokady, bez konieczności izolowania dużej części populacji”.

Ta innowacja może pomóc w śledzeniu chorób zakaźnych, takich jak grypa, a nawet ograniczyć następny COVID, mówi Schneider.

„Chcesz kontrolować epidemie, chcesz zminimalizować choroby i cierpienie”, mówi. „W tym samym czasie chcesz zminimalizować zakłócenia gospodarcze i zakłócenia w życiu, w szkolnictwie. Mamy nadzieję, że dzięki cyfrowym środkom, takim jak te, które przedstawiliśmy, można osiągnąć te dwa cele.”