Het computermodel simuleert hoeveel COVID-19-gevallen voorkomen hadden kunnen worden in een bepaald land in de VS. Leontura / DigitalVision-vectoren via Getty Images
Dr. Biplav Srivastava, hoogleraar computerwetenschappen aan de Universiteit van South Carolina, en zijn team hebben een datagestuurde tool ontwikkeld waarmee het effect van het dragen van maskers op COVID-19-gevallen en sterfgevallen kan worden aangetoond. Zijn model maakt gebruik van verschillende gegevensbronnen om alternatieve scenario's te maken die ons kunnen vertellen "Wat had er kunnen gebeuren?" als een provincie in de VS een hogere of lagere mate van maskertrouw had. In dit interview legt hij uit hoe het model werkt, wat de beperkingen zijn en welke conclusies we daaruit kunnen trekken.
Computerwetenschapper Biplav Srivastava geeft een demo van de simulatie om te laten zien dat eerder beleid om het dragen van een masker aan te bevelen een groter verschil maakt in de verspreiding van het coronavirus.
{besloten Y=g3o_TW2OWJU}
Wat doet dit computermodel?
Dit is een landelijke tool die kan laten zien welk effect het dragen van maskers kan hebben. Als het een provincie is waar mensen regelmatig maskers dragen, laat het zien hoeveel COVID-19-gevallen en sterfgevallen ze hebben vermeden. Als u een provincie kiest waar mensen geen maskers dragen, zal het u laten zien hoeveel gevallen en sterfgevallen daar voorkomen hadden kunnen worden.
Hoe werkt het?
Hiervoor hebben we veel gegevens nodig. De New York Times ondervroeg bijna elke provincie in de VS. tijdens de zomer en kreeg elk van hen een score voor het dragen van een masker van 0-5, dus dit is de kern van het model. We gebruiken ook gegevens van de New York Times en Johns Hopkins voor realtime casusnummers; volkstellinggegevens voor demografische gegevens zoals populatiegrootte, mediane leeftijd en meer; en geografische gegevens om de afstand tussen provincies te meten.
Het is gebaseerd op een wiskundige techniek genaamd robuuste synthetische controle, dat vaak wordt gebruikt bij geneesmiddelenonderzoek, waar er een controlegroep is en er is een behandelgroep.
Laten we bijvoorbeeld eens kijken naar Wyandotte County, Kansas. Het heeft een relatief hoge score voor het dragen van een masker van ongeveer 3.4. Omdat het model is ontworpen om ons het "wat als?" scenario, het zal kijken naar wat er zou zijn gebeurd als de score voor het dragen van een masker was verlaagd tot 3.0, wat onze grens is voor "laag dragen van het masker", maar de gebruiker kan ook experimenteren met andere waarden om te zien wat er gebeurt. We kwamen uit op 3.0 op basis van analyse van landelijke gewoonten voor het dragen van maskers. De werkelijke waarden varieerden tussen 1.4 en 3.85, met een landelijk gemiddelde van 2.98.
We kunnen een datum instellen waarop de score voor het dragen van een masker verandert in 3.0. Als we het van 1 juni tot 1 oktober zouden laten lopen, vertelt het ons dat Wyandotte County in die periode 101.5% meer gevallen en 150 doden meer zou hebben gehad. Het vertelt de gebruiker hoeveel sterfgevallen zijn opgetreden of voorkomen op basis van een sterftecijferparameter die de gebruiker kan instellen. In dit voorbeeld was het vastgesteld op 2%.
Hoe creëert het model het 'wat als?' scenario als het niet echt is gebeurd? Het doet dit door te kijken naar andere provincies die dichtbij zijn en vergelijkbare demografische gegevens en het aantal gevallen hebben, maar een lagere drempel voor het dragen van een masker. Het probeert een gewogen gemiddelde te bedenken om een synthetische controlegroep te vormen die vergelijkbaar is met ons interessegebied (behandelgroep). Het model bekijkt vervolgens hoeveel de twee groepen zijn gedivergeerd in termen van het aantal gevallen. Het verschil in aantal gevallen tussen de twee groepen wordt omgerekend naar een verschil in sterfgevallen met behulp van de sterftecijferparameter.
Wat zegt dit ons over de impact van het dragen van maskers?
Het kan op elk moment nuttig zijn om het dragen van een masker bij te houden of een maskerbeleid te implementeren. Maar de impact is het grootst als je het vroeg doet. Wanneer u dit model meerdere keren uitvoert met verschillende datums, ziet u dat de impact afneemt naarmate u de implementatie van een masker-draagbeleid uitstelt. Dus als een provincie op 1 juni een maskerbeleid zou hebben ingevoerd, zou dit veel gevallen hebben voorkomen. Als het op 1 juli zou handelen, zou het een kleinere impact hebben. Als het in augustus zou optreden, zou het nog steeds gevallen hebben voorkomen, maar een zeer klein aantal.
Wat zijn de beperkingen van dit model?
Deze tool werkt in sommige landen beter dan in andere. Over het algemeen werkt het het beste met provincies die dichter bij het gemiddelde liggen, omdat er meer overeenkomsten zijn om mee te vergelijken. Er is ook een beperking in de zin dat het The New York Times-onderzoek naar de therapietrouw in de zomer werd uitgevoerd, en de dingen blijven veranderen. Als andere onderzoekers deze tool gebruiken, zullen ze dus rekening moeten houden met de veranderingen.
Maar wat je ziet, is dat wanneer je een maskerbeleid implementeert of de bevolking regelmatig maskers draagt, dit een positieve impact heeft. En hoe eerder u het doet, hoe effectiever het is.
Over de auteur
Biplav Srivastava, hoogleraar computerwetenschappen, Universiteit van South Carolina. Ik wil het werk van mijn team, Sparsh Johri, Kartikaya Srivastava, Chinmayi Appajigowda en Lokesh Johri, bedanken bij het ontwikkelen van dit programma.
Dit artikel is opnieuw gepubliceerd vanaf The Conversation onder een Creative Commons-licentie. Lees de originele artikel.
Related Books:
Het lichaam houdt de score bij: Brain Mind and Body in the Healing of Trauma
door Bessel van der Kolk
Dit boek onderzoekt de verbanden tussen trauma en fysieke en mentale gezondheid en biedt inzichten en strategieën voor genezing en herstel.
Klik voor meer info of om te bestellen
Adem: de nieuwe wetenschap van een verloren kunst
door James Nestor
Dit boek verkent de wetenschap en praktijk van ademhalen en biedt inzichten en technieken voor het verbeteren van de fysieke en mentale gezondheid.
Klik voor meer info of om te bestellen
De plantenparadox: de verborgen gevaren van 'gezond' voedsel dat ziekten en gewichtstoename veroorzaakt
door Steven R. Gundry
Dit boek onderzoekt de verbanden tussen voeding, gezondheid en ziekte en biedt inzichten en strategieën om de algehele gezondheid en het welzijn te verbeteren.
Klik voor meer info of om te bestellen
De immuniteitscode: het nieuwe paradigma voor echte gezondheid en radicale antiveroudering
door Joël Greene
Dit boek biedt een nieuw perspectief op gezondheid en immuniteit, gebaseerd op principes van epigenetica en biedt inzichten en strategieën voor het optimaliseren van gezondheid en veroudering.
Klik voor meer info of om te bestellen
De complete gids voor vasten: genees uw lichaam door middel van intermitterend, afwisselende dagen en langdurig vasten
door dr. Jason Fung en Jimmy Moore
Dit boek onderzoekt de wetenschap en praktijk van vasten en biedt inzichten en strategieën voor het verbeteren van de algehele gezondheid en welzijn.
