یک روش جدید برای گرفتن زمان واقعی Coronavirus آمار


A medical professional wearing gloves and a face shield swabs the nose of a man sitting in his car.

تست سایت های مثل این یکی در اسپرینگفیلد, تنسی, عکس مارس 18, تنها می گرفتن بسیاری از موارد.

برت کارلسن/گتی ایماژ

از شنبه بعد از ظهر وجود دارد که در حال حاضر بیش از 3 میلیون و تایید موارد COVID-19 و بیش از 200 ، 000 ثبت مرگ و میر در سراسر جهان یک چهارم شده اند که در ایالات متحده است.

اما ما واقعا نمی دانند که چگونه بسیاری از مردم آلوده شده اند و یا با چه سرعتی این بیماری در حال گسترش است به دلیل موجود آزمون در گروه انتخاب شده از مردم را نمی دهد یک حس شيوع coronavirus در جمعیت عمومی است. (در اینجا سریع مبین نیاز به آزمایش جهانی برای ویروس و آنتی بادی و چگونه این آزمایش کار می کنند.)

در علاوه بر این به طور مستقیم برای تست این ویروس در نماینده جمعیت ما می توانیم و باید در صورت مشاهده علائم. یادگیری در مورد شيوع علائم ارزشمند است برای حداقل چهار دلیل. این یک بیماری جدید است و ما می خواهید برای یادگیری در مورد علائم آن هم برای تشخیص و هم برای درمان. دوم علائم به ما برآورد شیوع بیماری (پس از تنظیم برای گزارش خطا اجتناب ناپذیر). سوم, طرح, علامت, نرخ باید به کمک ملی و ایالتی و مقامات محلی مدیریت بهتر منابع مانند تخت بیمارستان. چهارم ردیابی تغییرات در علائم نرخ در طول زمان در مکان های مختلف می تواند به ما کمک کند یاد بگیرند که در مورد گسترش این بیماری همه گیر و برآورد اثرات مختلف مهار استراتژی.

بدون بهتر داده ها بسیار مورد بحث coronavirus همگی ذاتا نظری می باشد. اما محققان در حال تلاش برای تغییر آن—از جمله یک مطالعه جدید از علائم کروناویروس در حال انجام توسط یک تیم در دانشگاه کارنگی ملون به رهبری دانشمند کامپیوتر Roni روزنفلد و آمار رایان Tibshirani. این گروه در حال کار برای چندین سال در آنفلوانزا پیگیری و به تازگی گسترش یافته به مطالعه همه گیر. عمومی رو به سمت پروژه COVIDcast مجموعه ای از روزانه-به روز شده در زمان واقعی به روز رسانی در سطح شهرستان. (بیشتر در پس زمینه در اینجا.)

ایده این مطالعه جدید است که برای پیگیری علائم و نه عفونت و یا مرگ و میر و برای استفاده از این اطلاعات برای پیش بینی بستری شدن در بیمارستان. این زمان روند و پیش بینی های مربوط به اطلاع رسانی به دولت و سیاست های محلی و توصیه هایی است که می تواند تغییر و انعطاف پذیری در طول زمان است.

یکی از ویژگی های متمایز از CMU مطالعه است که در آن مصالح داده ها از پنج منابع. اولین دو نظرسنجی از گزارش خود از نشانه های اجرای روزانه از طریق Google و Facebook که دریافت شده اند صدها نفر از هزاران نفر از پاسخ. این نظرسنجی در دو سیستم عامل مختلف نمونه مدل های, که تا حدودی مکمل. در حال حاضر حدود 0.9 درصد از پاسخ دهندگان به Facebook بررسی خود گزارش علائم و تعداد باقی می ماند در مورد این سطح پس از ایجاد تنظیمات برای nonresponse توسط دولت و سن و جنس.

بعدی وجود دارد یک بررسی داشته سرپایی است که از یک نظام سلامت, و آن را بر اساس زمان واقعی دسترسی به بیمه ادعا می کنند آمار است که می تواند مورد استفاده برای برآورد درصد از بازدیدکننده داشته است بیمار که COVID-مرتبط است.

چهارم سیگنال بر اساس روند جستجو در گوگل. که مرا شگفت زده کرد. هنگامی که Google trends برای آنفولانزا برای اولین بار بیرون آمد چند سال پیش وجود دارد بسیاری از مطبوعات بسیاری از اعتیاد به مواد مخدره. و پس از آن من فکر می کردم وجود دارد یک نقطه که در آن مردم در آن گفت: واقعا کار مانند آن آگهی شد. (2015 در سیمی به نام Google Flu Trends یک “حماسه شکست.”) از من خواسته روزنفلد و Tibshirani در مورد این و آنها گفتند که بله خام اعداد از جستجوهای وب می تواند گمراه کننده اما اگر شما در نظر گرفتن روند جستجو به عنوان پيش بينی کننده در ترکیب با داده های دیگر و شما بارها و بارها کالیبره کردن با داده های جدید این روند می تواند آموزنده است.

پنجمین سیگنال خاموش است از آنفولانزا آزمون—بله آنفولانزا نمی coronavirus. آنها در حال کار با یک شرکت به نام Quidel که باعث می شود تشخیص و دادن زمان واقعی دسترسی به داده های خود را. روزنفلد و Tibshirani پیدا کرده اند که شيوع آنفولانزا تست ارتباط با COVID فعالیت است. این است زیرا هنگامی که مردم در آمده با COVID علائم و یا در غیر این صورت شک این یکی از همه چیز استاندارد است که در حال انجام در حال حاضر در حال تست برای آنفولانزا به دلیل آزمون در دسترس است و به خوبی قابل درک است و ما می خواهیم به حکومت آنفولانزا. علائم بسیار با هم تداخل دارند.

کسانی که پنج سیگنال پوشش بسیاری از زمین. نگرانی بزرگ با این همه منابع اطلاعاتی هر چند که در این مسیر از همه گیر را نگه می دارد در حال تغییر شاید رفتار در راه است که پیش بینی می تواند تبدیل به سرعت و بی ربط. اما درست است که حتی با آنفولانزای فصلی. روزنفلد و Tibshirani یافت که اگر شما با استفاده از جستجو در گوگل روند در راه است که به درستی نوع حساب برای تغییرات سیستم در طول زمان (چه آمار تماس “nonstationarity”) و سپس آن را هنوز هم ارزش را فراهم می کند هنگامی که در ترکیب با بسیاری از منابع دیگر.

روزنفلد و Tibshirani می گویند که تیم خود را می توانید واقعا اطلاعات خام موجود به دلیل آن را محرمانه بررسی پاسخ های بیمه, اطلاعات, و غیره, اما آنها برنامه ریزی برای انتشار کل برآورد نرخ علامت شهرستان از هر یک از منابع داده و برای قرار دادن این با هم به آمده تا با پیش بینی از آینده بستری نرخ در سطح محلی سیستم مراقبت های بهداشتی (مناطق که به طور معمول بین 10 و 15 شهرستان هر). نکته مهم در مورد بستری شدن در بیمارستان پیش بینی شده است که آنها را می توان در هر هفته به عنوان اطلاعات جدید در آمده است. CMU تیم می تواند با استفاده از این برای اصلاح تعصبات و پيش بينی آن مدل برای رفتن به جلو.

“ما انجام داده ایم بهترین کار ما می توانید انجام دهید در این نوع از زمان ما تا به حال برای ایجاد حس از این منابع داده. ما اجرای تجزیه و تحلیل داخلی به نوع بررسی که آنها زباله است که آنها ارتباط با چیزهایی که ما انتظار داریم آنها را به ارتباط با” Tibshirani می گوید. “مسیر رو به جلو پس از این خواهد بود به پیش بینی بر اساس آنها و پس از آن احتمالا در همان زمان سعی کنید به انجام ‘nowcasting’ به منظور ایجاد برخی از بیانیه ای در مورد این چیزی است که ما فکر می کنم دولت فعلی در آمریکا”

مهم ترین استفاده از این اطلاعات ممکن است به نظریه تصمیم گیری در مورد شل یا سفت کاهش اقدامات (مانند اجتماعی فاصله) در مناطق منحصر به فرد کشور است. “شما می خواهید به دوباره باز کردن اقتصاد محلی به عنوان آنجا که ممکن است بدون بیش محلی مراقبت حاد ظرفیت (ICU, تخت, پنکه, پرسنل آموزش دیده و به کار آنها)” روزنفلد می نویسد. “تغییرات به کاهش اقدامات در هر دو جهت و تقاضا تاثیر می گذارد در بیمارستان در عرض 2-3 هفته از این رو پیش بینی بازه زمانی ما تمرکز بر روی و محل اقامت ما متفاوت ممکن است کاهش حالات به پیش بینی های ما.”

اهداف این پروژه کمی متفاوت از برخی از دیگر پیش بینی های ما شده اند به شنیدن در مورد. برآورد کلید اپیدمیولوژیک پارامترهای مهم است که در حق خود برای درک پویا از این بیماری همه گیر از آن را یاد بگیرند و تدبیر بلند مدت-استراتژی. هدف از روزنفلد و Tibshirani علامت و بستری شدن برنامه نظارت از سوی دیگر بسیار تاکتیکی: آنها تمرکز در کوتاه مدت پیش بینی فوری برای تصمیم گیری. آنها کمتر در مورد ارزش واقعی این کلید مقدار و بیشتر در چه ورودی ها و امکانات ترین اخباری از اهداف ما در مورد مراقبت. آنها تمرکز بر روی فن آوری پیش بینی شیوع بسیار بیشتر از روی علم اپیدمیولوژی ایران. وجود دارد که البته نیاز بزرگ برای هر دو.

از من خواسته روزنفلد چه توصیه های خود را برای سیاستگذاران بر اساس آنچه CMU تیم را پیدا کرده است تا کنون. “برای اولین بار گرد هم آوردن بزرگترین سازمان های مراقبت سلامت در کشور و اصرار آنها برای به اشتراک گذاشتن داده ناشناخته خواهد ماند و به یک مخزن متمرکز. این است که تا کنون مهم ترین نوع از داده ها برای هر دو آگاهی موقعیتی و پیش بینی,” او گفت:. “دوم تکیه می کنند در هر مدل خاص به خصوص با توجه به بلند مدت پیش بینی. تنها اعتماد و قابل پیش بینی با سابقه از دقت و صحت. سوم در روح نه با تکیه بر مدل: کوتاه مدت برگشت تصمیم گیری های تدریجی در باز کردن بخش هایی از اقتصاد در بخش هایی از کشور است. نگه داشتن چشم خود را بر روی محلی پالس از این بیماری همه گیر. به شما به عنوان حرکت در امتداد پیگیری صحت مختلف پیش بینی کوتاه مدت.”

این نوع مداوم داده ها-مجموعه پیش بینی, و کالیبراسیون پروژه ها خواهد شد که ارزش طولانی پس از همه گیر کم رنگ شده است. به عنوان یک جامعه ما باید نظارت بر بهداشت عمومی ما با همین مراقبت است که ما پیگیری قیمت سهام با شاخص های اقتصادی و آمار ورزشی.

Future Tense یک مشارکت
تخته سنگ جدید امریکا و دانشگاه ایالتی آریزونا که به بررسی فن آوری های نوظهور, عمومی, سیاست و جامعه است.

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>