Davamlı öyrənmə və qarşılıqlı məlumatlara əsasən SARS-CoV-2 infeksiyasının fərdi ehtimalının nəticəsi

Bu iş, yoluxucu sıralamada qarşılıqlı əlaqəli davamlı öyrənmə və fərdi ehtimalın (CLIIP) nəticəsini istifadə edərək SARS-CoV-2 virusunun asemptomatik daşıyıcılarının ehtimalını müəyyənləşdirmək üçün yeni bir yanaşma təqdim edir. Bu yanaşma çox qatlı ikitərəfli yol izləmə və nəticə çıxarma axtarışından istifadə edərək fərdi yönəldilmiş qrafika (IDG) əsasında hazırlanmışdır. IDG, zamanla uyğunlaşa bilən görünüş qrafiki və məkan məlumatları ilə müəyyən edilir. Əlavə olaraq, yanaşma inkubasiya dövrünü və mövcud olan asemptomatik daşıyıcıların sayı kimi real dünya şərtlərini təmsil edə biləcək bir neçə xüsusiyyəti nəzərə alır. Təsdiqlənmiş halların hər bir yeniləməsindən sonra model qarşılıqlı təsir xüsusiyyətlərini toplayır və fərdi şəxsin ətrafdakı insanların vəziyyətindən istifadə edərək yoluxma ehtimalını artırır.CLIIP yanaşması, yoluxma prosesini simulyasiya etmək üçün fərdiləşdirilmiş iki yönlü SEIR modeli istifadə edərək təsdiqlənir. Ənənəvi təmas izləmə metodları ilə müqayisədə yanaşmamız potensial asemptomatik virus daşıyıcılarının axtarışı üçün tələb olunan tarama və karantini əhəmiyyətli dərəcədə 94% azaldır.

Giriş

COVID-19 epidemiyasına səbəb olan SARS-CoV-2 pandemiyası, xüsusilə insan həyatı və iqtisadi fəaliyyətlərinə qlobal olaraq əhəmiyyətli dərəcədə təsir göstərir. Resurslar məhdud olduğundan mövcud siyasətlər asemptomatik virus daşıyıcılarını müəyyənləşdirmək və karantinaya qoymaqda çətinlik çəkir. Nəticədə, virusun yayılmasına nəzarət etmək daha çətindir. COVID-19-un daha da yayılmasının qarşısını almaq üçün təcili tədbirlər görülməlidir. Kontakt izləmə xəstələrin kimlə və harada olduqlarını xatırlamalarına kömək edən bir üsuldur. Kontaktların müəyyənləşdirilməsi və başqaları ilə qarşılıqlı əlaqə qurma şansının olmaması pandemiyanın ləngiməsi üçün vacibdir.

Bu sənəd, kəskin kəskin tənəffüs sindromu koronavirus 2 (SARS-CoV-2) asemptomatik daşıyıcılarının ehtimalını təhlil etmək üçün davamlı öyrənmə qabiliyyətləri ilə yanaşmanın tətbiq olunduğu ilk sənəddir. Bu məqsədlə şəhər GPS məkan dinamikası məlumatları 2 ilə bir sıralama modeli hesablayırıq. Yanaşma, hərəkət edən bir kütlə arasında infeksiya mənbəyini tapmaq və sıralamaq üçün bir çərçivədir və SARS-CoV-2 virusunun yayılmasının dinamik modelləşdirilməsinə asanlıqla tətbiq edilə bilər. Davamlı məlumatlarla zəngin interaktiv xüsusiyyətlərin hesablanmasında yüksək dərəcədə effektivdir, yəni (Monte Carlo ağac axtarışı) IDG-də MCTS-in vacib mərkəz ətrafını axtarma müddətini azaltdığı üçün yoluxma fərdi ehtimalını təqribən davamlı vaxt modelləşdirməsindən istifadə edir. xüsusiyyətləri.Zamanla bir izdiham içində olan hər bir insanın infeksiya ehtimalı CLIIP tərəfindən tez bir zamanda əldə edilə bilər. Üstəlik, eyni zamanda geri və irəli izləmədən istifadə etdikdə süst yayıcı (hərəkətdə aktiv, yüksək viral titr, asemptomatik) belə tapıla bilər. Arxadan izləmə (Şəkil 1) birinin ehtimal ki yoluxduğu və irəli izləməsinin (Şəkil 1) mümkün günlərdə nəticələnmə aşkarlanması gününün tamamlanması deməkdir.

CLIIP modelinin öyrənmə və nəticə sxemi. Diaqram yeni yoluxmuş insanlar qeydə alınarkən davamlı geriyə çəkmə öyrənməsini göstərir. Nəzərə alaraq ninkubasiya dövrü maksimum gün, inkubasiya dövrü (paylanması görə qrup onların faktiki yoluxucu vaxt xəstələrin tələb birvaxt olan) t\ sıra ([tf (n) t-1] \ ). Düzenleme, yoluxmuşların inkubasiya dövründə olan gizli infeksiyanın mümkün vaxtını təsvir edir. Hər bir t-nin nəticə modeli fərdi yönəldilmiş bir qrafiklə (IDG) təmsil olunur və bir günü tolaraq istifadə ediriksimulyasiyamızda. Qırmızı dairələr təsdiqlənmiş yoluxmuş insanları göstərir, içi boş kvadratlar məruz qalan insanları bildirir və doldurulmuş kvadrat asemptomatik virus daşıyıcısı ola bilən bir yoluxmuş insandan digərinə gedən yolda qalan bir fərddir. İçi boş yaşıl bir almaz sağlam insan kimi etiketlənir. Oxlar insanların yerləşməsindən və qalma müddətindən qaynaqlanan mümkün ötürmə yolunu göstərir. Virus bir müddət eyni yerdə qalacaq 28, bu da xüsusi yeri tərk edən son insanın yoluxma riski yüksək olmasını təmin edir. Ayrıca, hər təbəqəni iki qovşaq arasındakı kənarların sayı olaraq təyin edirik. Məsələn B, A-nın dördüncü qatındakı bir mərkəz ətrafı noddur.

Əlaqədar iş

Kontakt izləmə hal-hazırda ictimai səhiyyə müəssisələri üçün yoluxmuş insanları və virusun mənbələrini 3,4 izləmənin ən yaygın yoludur. Bu metod yoluxmuş şəxslərin yerini müəyyənləşdirə bilər və virusa yoluxma riski olan kontaktlarını xalqdan təcrid edərək virusun yayılmasını minimuma endirə bilər. Son onilliklərdə yalnız xəstəliklərə nəzarət etmək üçün deyil, eyni zamanda yeni xəstəliklərin və ya qeyri-adi xəstəliklərin araşdırılması üçün kritik bir vasitədir; məsələn, əvvəlki iki pandemiya olan SARS və H1N1, kontakt izləmə köməyi ilə yatırıldı. Hökumətlər və səhiyyə institutları, yoluxmuş insanların sağlam insanlarla təmas ehtimalını azaltmaq üçün sakinlərin gündəlik marşrutlarını izləmək üçün 5,6,7 izləyən əlaqə qurulmasını təklif etmiş və ya təklif etmişlər.

Son zamanlarda yoluxmuş insanların əlaqə yollarını daha tez müəyyənləşdirmək üçün, Bluetooth 8 və ya GPS texnikaları 9,10,11,12,13 vasitəsilə insanların mobil telefonlarını əl ilə qeyd etmək və izləmək üsulu inkişaf etdirilmişdir. Üstəlik Hellewell et al. 14, SARS-CoV-2 kimi ağır bir kəskin tənəffüs sindromu koronavirüsünün başlanğıcına nəzarətdə təsdiqlənmiş halların təmas izinin və təcrid olunmasının potensial effektivliyini ölçmək üçün modeli istifadə etdi. Peng et al. 15, yoluxmuş insanları izləmək üçün qırmızı, sarı və ya yaşıl vəziyyətlərə ayrılan üçlü bölmə üsulunu inkişaf etdirdi. Zhou et al. Kimi son əlaqə izləmə metodları. 16, bir insanın yoluxma ehtimalını proqnozlaşdırmaq üçün regional infeksiya nömrələri ilə mobil məlumatlardan istifadə edin. Lakin,təmas izi asemptomatik daşıyıcıların olma ehtimalını müəyyənləşdirə bilmir və həmişə yoluxucu xəstəliklərin aradan qaldırılması üçün ən təsirli metod deyildir. Tibbi qaynaqların mövcud məhdudiyyətinə əsasən, hökumətlər yalnız təsdiqlənmiş hallarla birbaşa təmasda olan insanları SARS-CoV-2 virusunun yayılmasına nəzarət etməyin əsas yolu kimi təcrid edə bilər.

Virus testinin mövcud sürəti və tutumu hələ də tələbatı ödəyə bilmədiyindən, COVID-19-un epidemiyasına nəzarət etmək çətindir. İndiyə qədər ölkələr və şəhərlər üçün infeksiya yayılmasını azaltmaq üçün ən əlverişli yol sakinlərin lazımsız sosial qarşılıqlı əlaqələrini dayandırmaq üçün bir kilidləmə və ya evdə qalma əmrini tətbiq etməkdir. Bununla birlikdə, kilidləmə və ya karantin nə qədər uzun müddət tətbiq olundu, bir ölkənin iqtisadiyyatına, insanların ruhi sağlamlığına və həyatlarının bir çox digər tərəflərinə təsiri bir o qədər artdı. Yalnız təsdiqlənmiş hallarla təmas axtarışının sıralanmayan və tam yoxlama üsulu, COVID-19 baş verməsini və xüsusilə bir şəhər və ya ölkənin yenidən açıldıqdan sonra təkrarlanmasını yatırmaq üçün təsirli deyil. Asemptomatik yoluxmuş insanların aşkarlanması, müvafiq sosial məsafədən uzaqlaşma, təsirli tibbi müalicə,və aşılamanın inkişafı, mövcud və ya yeni bir xəstəliyin baş vermə dərəcəsini nə dərəcədə idarə edə biləcəyini müəyyənləşdirəcəkdir.

Nəticədə, SARS-CoV-2 virusunun yayılmasını proqnozlaşdırmaq və yoluxmuş insanların tapılması müddətini azaltmaq üçün bir maşın öyrənmə alqoritmi təklif edirik. Ehtimalın hesablanması üçün fərdi vəziyyət bir IDG vasitəsilə yeniləndikdən sonra bir gradient boost ansamblı öyrənmə ağacı modelindən istifadə edirik və davamlı öyrənmə LightGBM 17 alqoritminin modelini təkmilləşdirməyə davam edəcəkdir. Parametr tənzimləmədən daha yaxşı nəticə əldə edə bilər. CLIIP, real vəziyyətlərə gəldikdə yoluxma ehtimalını proqnozlaşdırmaq üçün dəyər funksiyası yaxınlaşması ilə açılan və müvəqqəti fərq öyrənməsini birləşdirən yenilikçi bir yanaşmadır. Maşın intellektindəki real dünya fiziki fəaliyyətini davamlı olaraq ölçmək üçün dəyərin və peşəkar nəticələrin yaxınlaşdırılması vacibdir,və yanaşmamız nəzəriyyə ilə reallıq arasındakı boşluğu aradan qaldırır.

Metodologiya

Potensial asemptomatik yoluxmuş insanların axtarışını daraltmaq üçün daha səmərəli və dəqiq bir metod olan nəticə çıxarma modeli ilə bir çərçivə inkişaf etdiririk. Virus infeksiyasının yayılma yolu və təmas izləmə prosesinə əsaslanaraq infeksiya mənbəyini potensial olaraq çıxara bilər. İnsanların yoluxma yolları və yoluxma ehtimalları, yoluxmuş hər hansı bir şəxslə əlaqə müddəti, tezliyi və məsafəsi kimi bir neçə vacib amildən asılıdır. Bu amillər zamanla əhali infeksiyasının vəziyyətini təyin edir. Bu hadisələrə əsaslanan davamlı öyrənmə modeli, kiminsə yoluxma vəziyyətinin ehtimalını simulyasiya etmək və təhlil etmək üçün istifadə edilə bilər.

Baxış

CLIIP müvəqqəti öyrənmə çərçivəsi iki girişə malikdir. Birincisi, bir IDG qurmaq üçün davamlı məkan məlumatları, digəri isə insanların yoluxmuş vəziyyətlərini təmin edən bir sıra etiketdir. Qarşılıqlı məlumatları vəziyyət və əlaqə ilə birləşdirərək, bu modeli yeni məlumatlar gəldikdə davamlı öyrənmək üçün bu modeli öyrədə bilərik. Yenilənən IDG, iki nəfər arasındakı əlaqəni təyin edən iki nəfərin dayandığı yeri və üst-üstə düşmə müddətlərini müqayisə etməklə qurulur. Bir ox digərində olduğundan daha uzun bir yol nöqtəsində qalan şəxsə işarə edir. Virus ötürülmə yoluna görə 29, insanların fasiləsiz məkan məlumatları, mobil yerləşmə məlumatlarından istifadə etdiyimiz və qarşılıqlı əlaqə məlumatları adlandırdığımız \ (X_i, i = 1,2,3. \) Əsas qarşılıqlı xüsusiyyətlər toplusudur.

Giriş 1-in tərifi:

Var mnəfər (\ , i = \ >\). O zaman insanların əlaqəsini təsvir etmək üçün tzamanı hər bir insanın k əsas qarşılıqlı xüsusiyyətlərinə sahib olduğumuzu düşünək , , j = \ >\).

Bu yazıda onların yerləşmə və zaman damğasını əsas qarşılıqlı əlaqə xüsusiyyətləri kimi istifadə edirik.

Giriş 2-nin tərifi: Hər zaman vahidi ilə hər kəsin vəziyyəti göstərmək üçün bir etiketi var. \ (\ vəziyyət (t) \>= \ \), burada qinsanların tvaxtında yoluxmuş vəziyyətlərinin sayına aiddir ; Biz həssas olan dövlətlərin yeddi növ istifadə S, susceptible_and_ karantinada Sqməruz Eexposed_and_ karantin, Eq, yoluxmuş mənxəstəxanaya, H, və bərpa R. Bir SEIR modelinin 18 bu vəziyyətləri arasında bir az asılılıq var.

Sistem, yoluxma prioritetinə görə sıralamayı, iki yoluxmuş insan arasındakı insanları, daha sonra ifşa edən insanları Eolaraq, daha sonra isə həssas olanları Solaraq təyin etməyi hədəfləyir., Şəkil 2-də təsvir olunduğu kimi, insanların çərçivəyə girişi olaraq zaman keçdikcə qarşılıqlı təsir xüsusiyyətlərindən başlayırıq. Qarşılıqlı əlaqə məlumatları, Newson və digərlərinin xəritəyə uyğun işi ilə daha dəqiqliklə standart məkan məlumatları ilə süzülür. iş 19, ya da kredit kartı əməliyyatı məlumatları və ya 20 kimi giriş məlumatları kimi digər məlumatlarla birləşdirərək. Yolu bütün insanlar üçün yenidən bağlayaraq, daha çox araşdırma üçün istifadə etdiyimiz bir IDG şəklində sosial qarşılıqlı əlaqə şəbəkəsinə çevrilir. Qarşılıqlı məlumatları bir IDG olaraq qurmaq üçün, hər bir şəxsin dinamik davranışını təsvir edən əsas qarşılıqlı xüsusiyyətlərini \ (h_i \) (Şəkil 2 addım (1)) fasiləsiz məkan məlumatlarından çıxarırıq və bunlardan tezliyi çıxara bilərik. insanların əlaqə məsafəsi. Digər bir giriş, hər dəfə tyenilənən insanların vəziyyətini izah edən SEIR modelindən gəlir, "yoluxmuş" və ya "sağalmış" kimi.

SEIR modeli və qarşılıqlı məlumatların birləşməsi

Modelin effektivliyini sübut etmək üçün şəhərdəki bir kütlənin dinamik məkan GPS məlumatlarını istifadə edirik və City GPS məkan məlumatları 2 və Cədvəl 1-dən giriş 1 olaraq ardıcıl 30 gün ərzində qarşılıqlı təsir məlumatlarını çeviririk. şəhərdəki virusun infeksiya vəziyyətini hazırlamaq üçün giriş 2 olaraq SARS-CoV-2 üçün inkişaf etdirilmiş SEIR modelinin agent əsaslı simulyasiyasından istifadə.

SARS-CoV-2 26 üçün SEIR modelindən genişləndirilmiş, yoluxma prosesini fərdiləşdirmək üçün bu modeli təklif edirik. Orijinal model, xalq vəziyyətlərini ayırmaq üçün bu yeddi vəziyyətdən istifadə edir və bu metodu daha da istifadə etmək üçün fərdi bir prosesi əhatə edirik.

SEIR modeli (Girişin Tərifi 2 Şəkil 2) 18, dörd dövlət arasındakı insanların axınlarına aiddir: Shəssas insanları tutur, Exəstəliyi inkubasiya edən məruz qalan insanları ehtiva edir (və ehtimal ki, yoluxucu olanların sayı, lakin yoluxmuş insanların sayı) təsdiq yoluxmuş üçün kifayət var), mənyoluxmuş insanların təsdiq keçirir, və Rnəfər bərpa. Vəziyyətlər mövcuddur, Karantinaya alınan Sq, Karantinaya məruz qalan bərabərlikvə Xəstəxanaya yerləşdirilmiş H, şəkil 3 olaraq nəzərə alınır.

Giriş 1-dən əsas qarşılıqlı əlaqə xüsusiyyətləri ilə, bir xalqın əlaqə modeli kimi istifadə olunan yönəldilmiş bir siklik qrafik olan t(Şəkil 2 addım (2)) vaxtında bir IDG yaradırıq . IDG-dəki hər bir düyünü bir şəxs kimi və hər bir yönləndirilmiş kənarı müəyyən bir müddət eyni yerdə qalan iki nəfər arasında yayılma əlaqəsi kimi qəbul edirik. Kənarın istiqaməti, daha əvvəl ayrılan digərinin yoluxma ehtimalı yüksək olduğu üçün oxun bir yerdən ayrılan adama işarə etməsi üçün təyin olunan yoluxma mənbəyi təyinat yeri deməkdir. Giriş 2 ilə insanların vəziyyətini IDG-də etiketləyirik və əvvəlki IDG-ni inkubasiya dövründə yeniləyirik \ ([tf (n) +1, t-1] \) 21 eyni zamanda (Şəkil 2 addım (3)) . \ ([Tf (n) +1, t-1] \) və tdövründə yenilənmiş bir IDG əldə edərkən, SEdaxil olmaqla hər bir insanın ehtimalını və sıralamasını hesablayırıq. IDG (şəkil 2 addım (4)) və SEIR vəziyyətlərindən istifadə edərək hər bir fərdin vəziyyətini yaradır və modeli qidalandırmaq üçün xüsusiyyətləri hesablayırıq. Öyrənmə prosesi asemptomatik daşıyıcıları axtarmaq qabiliyyətini artıra bilər. Nəhayət, dövrdə hər bir insanın ehtimalını və sıralamasını yeniləyirik. Daha sonra SEIR modelinin işlədilməsindən və əlaqələr qrafiki yenilənməsindən əldə edilmiş məlumatlarla yüngül GBM modelinin hazırlanması üçün çox sadə, lakin yüksək səmərəli axtarış strategiyasından istifadə edərək bir alqoritm təqdim edirik. Ansambl öyrənmə modelindən istifadənin gücü ondadır ki, real dünya miqyasında və hesablama mənbələri altında ansambl öyrənmə hesablama miqyasını və izah olunan nəticəni seçir. Məsələn, axtarış qatları hər seçmə qərar ağacında məhdudlaşır. Bundan əlavə,ictimai səhiyyə işçilərinin sahə məlumatlarını asanlıqla peşə anlayışları ilə qeyri-müəyyənliklə mübarizə aparmaq üçün bir xüsusiyyət olaraq əlavə etməyə imkan verir.

IDG-də vəziyyət yenilənir

IDG-də yoluxmuş insanları qırmızı düyün, sağlam ola bilən həssas insanlar Svə yaşıl düyünlər kimi yoluxmuş və ya virus daşıyıcıları ola bilən təsirə məruz qalmayan insanları qeyd edirik. Yeni yoluxmuş insanlar tvaxtında giriş 2-dən təsdiqləndikdə , Bays və digərləri 22-də paylandıqdan sonra inkubasiya müddəti hər bir fərd üçün keçərlidir. Bu, bizə IDG-dəki vəziyyətləri \ ([tf (n) +1, t] \) arasında yeniləməyin bir yolu verir, n inkubasiya dövrünün müddəti olmaqla. SEIR modeli, tvə \ (t + 1 \) arasında hər 2 saatda bir yeniləndi , aşağıdakı 4.1 addımını izlədi. Bu səbəbdən şəhərdə 30 gün ərzində yoluxmuş insanları əhatə edən 530 ətraf mühit çərçivəsinə sahibik.

Bundan sonra, bir təhsil məlumat dəsti olaraq tvaxtından əvvəl bir IDG dəsti və bir etiket olaraq SEIR vəziyyətini istifadə edərək CLIIP modelini və LightGBM modelini qurmaq üçün Alqoritm 1 23-dən davamlı bir öyrənmə alqoritmindən istifadə edirik . Hər zaman addımında, əlaqələr qrafiki düyünlər arasındakı əlaqəni yaratmaq və ya dəyişdirmək üçün yenilənmiş IDG tərəfindən alqoritmdə yenilənir. Eyni zamanda, SEIR növbəti dəfə nöqtə ilə yenilənir. Sonra CLIIP yanaşması, yoluxmuş insanların əlaqə müddətini əhatə edən mühüm fərdi xüsusiyyətləri hesablamağa başlayır. \ (Node_ \) yoluxmuş iki şəxs arasındakı yolda olan şəxsdir, \ (node_ \ mathbf \) məruz qalma şəxsidir və \ (node_ \ mathbf \) həssas şəxsdir. Əhəmiyyətin ölçülməsi \ (node_) əmri ilə aparılır \), \ (node_ \ mathbf \) və \ (node_ \ mathbf \). Ətrafdakı bütün xüsusiyyətlərin sayılması prosesi, təlim verilənlər bazasının toplanması ilə əlaqədardır, lakin çox xərclənir. Qrafikdəki qovşaqların ağırlıqlarına və asemptomatik daşıyıcıların ehtimalına əsaslanaraq, Monte Carlo ağac axtarışına (MCTS) 24,25 metodu əsasında axtarış apararaq qovşaqların ətrafdakı məlumatlarını təkrarlanmadan əldə edirik. Şəxsiyyət vəsiqəsi axtarılır.

Sıralama prosesi

Giriş 2-dən yoluxmuş yeni insanları tanıyırıqsa, əvvəlki dövrlərdə axtarışa başlamaq üçün inkubasiya müddətindən istifadə edərək ötürmə marşrutunu geri çəkirik. Sonra Şəkil 4-də göstərildiyi kimi irəliləməni izləyirik. Birinci təbəqədə virusun mənbəyini tapsaq, axtarış dayanacaq və IDG-nin bütün əlaqələrini bərpa edəcəyik. Sonra insanların əvvəlcə E-nin, sonra S-ningetdiyi sırada insanların olma ehtimalını proqnozlaşdırmağa başlayacağıq . Başqa bir şəkildə, axtarışın digər təbəqələrində görsək, insanları birinci qrupun yolu arasına qoyub yoluxmuş yolda olmayan Estatuslu insanları ikinci qrupa əlavə edib Stoplayırıq.üçüncü qrupa. Qrupların sıra nömrələri, LightGBM modeli ilə ehtimalın hesablanması üçün sıralama sırasıdır. Modelin giriş qarşılıqlı xüsusiyyətləri [\ (X _ \), \ (X _ \), \ (X_ \), \ (X_ \)], Şəkil 2-də (3) ilə (4) arasındakı şərh \ \ (X _ \) və \ (X _ \) içəridəki iki şəxsiyyət arasındakı müddət və ən yaxın məsafəsidir. məlumat. Digər qarşılıqlı xüsusiyyətlər \ (X_ \) və \ (X_ \) bir neçə yoluxmuş insanın yanında və ətrafdakılara məruz qalan insanlara tərəf durun. Y etiketi SEIR modelindən yaranan vəziyyətdir. Bu qarşılıqlı əlaqə xüsusiyyətinin istifadəsi, virusun yoluxmuş bir insanın ətrafındakı insanlardan gəlməsi lazım olduğu qənaət məntiqindən irəli gəlir. Çıxış SEIR model simulyasiyasından etiketlənir. Aşağıdakı Şəkil 4 nəticə üçün hesablanmış bir nümunədir.

Məsələn, IDG-dən 1 gün ərzində kiçik qrupun bir CLIIP nəticəsi. İrəli izləmə insanların əlaqəsinə əsaslanır və hər kənar digər qovşaqlara yönəldilir. Bu izləmə metodunu izah etmək üçün vacib oxları vurğulayırıq. Daha böyük kvadratlar, klasterin ortasındakı kimi daha yüksək yoluxma ehtimalını təsvir edir.

Nəhayət, hər bir insan üçün müəyyən bir zamanda, həm yoluxmuş hallarına sahib ola bilərik, həm də asemptomatik daşıyıcıların olma ehtimalını hesablaya bilərik.

Fərdiləşdirilmiş SEIR modelinin tətbiqi

SEIR modeli yeniləmə addımları

Bu yazıda istifadə olunan epidemiya məlumatları Ref. 26. Məhdud məlumatlara görə qrupda 100 yoluxmuş şəxsin olduğunu düşünürük. O zaman digər dövlətlər də Ref ilə eyni nisbətdədir. 26, Sistisna olmaqla ; bu, başqa əyalətlərə verilən məlumat dəstində qeyd olunan şəxsiyyət nömrəsidir. Parametrləri işə salırıq: \ (S = 13331 \); \ (E = 889 \); \ (I = 100 \); \ (Sq = 358 \); \ (Eq = 64 \); \ (H = 164 \); \ (R = 4 \). As Einsanların biz ilkin yoluxmuş insanlarla təmasda olan mümkün siyahısını I. SEIR modelinin fərdi miqyasda paylanmasını genişləndirmək üçün aşağıdakı addımları izləyirik. Yeniləmə prosesi IDG kimi real qarşılıqlı məlumatlara əsaslanmalıdır.

Növbəti addımda yeni modeli yükləyin

Əgər (üzvü \ (S_t \)>üzvü \ (S_ \)) \ (\ Delta S \) \ (Sq_ \) - \ (S_t \)

Əgər (üzvü \ (Sq_t \)>üzvü \ (Sq_ \)) \ (\ Delta Sq \) \ (S_ \) ilə \ (Sq_t \)

Əgər (üzvü \ (E_t \)>üzvü \ (E_ üzvü) \)) \ (\ Delta E \) \ (I_) tərəfindən yaradılan \ (mümkün \ _list \ _of \ _E \) dən \ \) müəyyən \ (\ Delta Time \) və \ (\ Delta məsafəsi \) tərəfindən qurulmuş münasibətlə.

Əgər (üzvü \ (Eq_t \)>üzvü \ (Eq_ \)) \ (\ Delta Eq \) \ (\ \)

Əgər (üzvü \ (I_t \)>üzvü \ (I_ \)) \ (\ Delta I \) \ (E_ \) və seçim ehtimalı \ (E_) fərdi inkubasiya müddətindən asılıdır \).

Əgər (üzvü \ (H_t \)>üzvü \ (H_ \)) \ (\ Delta H \) \ \ \ \ Delta Eq_-dən alın \) və mən_ \) təsadüfi.

Əgər (üzvü \ (R_t \)>üzvü \ (R_ \)) \ (\ Delta R \) \ (I_ \) və \ (H_ \) təsadüfi. (Bu əyri günə bağlı olaraq yaxşılaşmalıdır)

Bölmə 3-dən olan IDG, yeniləmə vəziyyətinin içərisində \ (possible \ _list \ _of \ _E \) yaratmaq üçün təməldir.

Simulyasiya və model qurma

Vəziyyəti daha real şəkildə simulyasiya etmək üçün ilk şəxslərlə bağlı bəzi tənzimləmələr etdik. Əvvəlcə insanları təsadüfi olaraq Eq, Sqqrupuna ayırdıq. Ivəziyyət üçün 100 başlanğıc dəyərini iki qrupa böldük; bir qrup təsadüfi, digər qrup isə birinci qrup insanların birinci və ikinci qatından asılı olaraq seçilmişdir. Bu proses yoluxmuş insanların ilk qrupu arasında əsas əlaqə yarada bilər. Sonra Evəziyyəti insanlar Ivəziyyətinə bir qrup əlaqədən seçiləcəkdir . O zaman qalan insanlar Solacaqlar . Sonra son bölməyə yeniləmə qaydasını tətbiq etdik. Buradan insanların vəziyyətini Xolaraq ala bildikgiriş, bunun üçün sadəcə interaktiv vaxtı, interaktiv məsafəni, yoluxmuş insanların birinci, ikinci və üçüncü təbəqələrini və məruz qalan sayları nəzərdən keçirdik. Üstəlik, Yetiketini müəyyən bir vəziyyətdə IDG-yə aid etdik . Bu gələcək məlumatlarla yenilənəcəkdir. Modelin hər yeniləməsindən sonra test məlumat dəsti ilə təlim məlumat setinin nisbəti olaraq 3: 7 istifadə edirik. Sonra tarix qeydləri ilə interaktiv əlaqə arasındakı əlaqəni əldə edirik.

Nəticələr

Bu yoluxmuş vəziyyət modeli ilə fərdi SEIR modelinə mükəmməl uyğunlaşma yaradırıq. Əvvəlcə, əvvəlki 5-7 gün aralığında axtarışa başlamaq üçün inkubasiya dövrü vaxt bölgüsündən istifadə etdik. Sonra yoluxmuş insanlar tapılana qədər və yolda olanları sıralamağa başladıqca axtarış prosesini davam etdirdik. Həqiqi dünyada, virus yalnız insanların təmaslarından deyil, həm də virusun yayıldığından daha da mürəkkəbləşir. Bu, xəstəlik yayılma xəritəsində daha çox itkin qovşaqlara səbəb olacaq və bu vəziyyətdə daha çox təbəqə götürməyimizi tələb edəcəkdir. Bununla birlikdə, ətrafdakı bütün qeyd qeydlərinə və ötürülmə məlumatlarına sahib olsaq, metodun təxminən 96% (modelimizin Cədvəl 2 ortalama AUC) simptomları olmayan insanları insanlar qrupu içərisində tapa biləcəyini iddia edə bilərik.Kütlənin dərəcə vizualizasiyasının nəticələri həssas insanlardan yoluxmuş insanlara paylanan sıralamanı göstərir və Şəkil 5-də asemptomatik virus daşıyıcılarının ehtimalını (qaranlıq daha yüksək ehtimal deməkdir) göstərir.

Şəhər sıralamasına ümumi baxış. X_axis uzunluq, y_axis isə mövqeyin enliyidir. Sonra S(Həssas) və E(Məruz) vəziyyətindəki bütün insanların , şəhərin mərkəzinin% 8 nisbətində sıralanma ehtimalını qarşılıqlı məlumatlardan son yer qeydinə əsasən rənglərin intensivliyinə görə təsvir edirik. Şəkil 4.

Modelin orta dəqiqliyini qiymətləndiririk və Cədvəl 2-də qarşılıqlı təsir xüsusiyyətini görərək modelin SEIR modelinin içərisində ötürmə qaydası kimi qaydaları tapdığını iddia edirik.

Real dünyada mənbələr məhdud olduğundan kütlənin sıralanmasında müəyyən prioritet olmalıdır. Şəkil 1-də olduğu kimi, yoluxmuş insanlara məruz qalan insanların birinci səviyyəsi ikinci səviyyədən daha yüksək prioritetə ​​malikdir və s. Şəkil 6, CLIIP modeli ilə təmas izinin təməl xətti arasındakı əlaqəni göstərir. Nəticələri göstərmək üçün fərqli nümunələr qrupundan istifadə edirik. Bir nisbətin əsas vahidi 500 nəfərdir, buna görə mavi xətt 1000 nəfərlik qrupu göstərir və artıq 500 nəfər yoluxmuş şəxs kimi tanınır. Bunun əksinə olaraq, mavi tire xətti metodla müqayisə edilən əsas əlaqə izləmə performansını göstərir. Ümumiyyətlə, orada heç kimin qaçırılmadığından əmin olmaq üçün sona qədər axtarış aparmaq lazımdır.

Üstəlik, bu modeli daha böyük bir qrup insan test qrupunda daha sağlam insanlarla test etmək üçün istifadə edirik. CLIIP modeli, testləmə sürətini artıran sıralamamız səbəbi ilə eyni sayda insanı yoxlayarkən ən çox yoluxmuş insanları əhatə edə bilər. Nəticəni həll etmək üçün mindən çox nöqtə qururuq. Bundan əlavə, müqayisə etdiyimiz əsas təmas izləmə işinin orta göstəricisidir. Beləliklə, CLIIP modeli yoluxmuş insanları daha dəqiq tapa bilər və tələb olunan sosial və tibbi mənbələri azalda bilər.

İnfeksion insanlar və yoluxmayan insanlar arasında fərqli miqyasda orta əlaqə izlənməsi ilə müqayisə. Oranın baza vahidi 500-dür. Bu nisbət yoluxmuş insanlarla yoluxmayan insanlar arasında müqayisələri göstərir. Kesikli xətt adi kontakt izləmə işinə aiddir və eyni rəngli qatı xətt təklif olunan metodla əldə edilən nəticəni bildirir. Test, bənövşəyi xəttlərin göstərdiyindən daha böyük bir insan qrupu üçün yanaşmamızın yaratdığı ehtimal sırasını təqib edərsə, \ (\ frac \ yaklaşık 6 \% \) insanların müqayisədə sınanması lazımdır. kontakt izləmə, bu da tarama mənbələri istifadəsinin% 94-ə qədər azaldılması deməkdir.

Nəticələr

Əsas üstünlüyü bir zaman çizelgesi boyunca qarşılıqlı təsirlərdən yoluxma fərdi ehtimalını hesablamaqda olan yeni qarşılıqlı əlaqəli bir nəticə çıxarma öyrənmə yanaşması təklif edirik. Pandemiyanın hər mərhələsində hökumət insanların interaktiv məlumatlarını fərdlər üçün risk yaratmaq üçün istifadə edə bilər ki, bu da hökumətə virusun yayılmasını dayandırmağa imkan verəcəkdir.

Əlavə olaraq, öyrənmə alqoritmi hava, fərdlərin subyektiv hissləri, maskalar 27 geymək, əl yuma və digər sağlamlıqla əlaqəli amillər kimi çox modal məlumat dəstləri və interaktiv xüsusiyyətləri istifadə etməyə imkan verir. Ehtimal dağılımı maskasından istifadə edərək, kifayət qədər həqiqi dünya interaktiv məlumatları altında yanaşmamıza uyğun faktorları qoyaraq real dünyanın təqribi vəziyyətini tapa biləcəyik. Bu infeksiya ehtimalının hesablanmasında və sıralanmasında dəqiqliyi daha da artıra bilər. Bizim yanaşmamız daha real dünya ssenarilərinə tətbiq oluna bilər:

Ən çox ehtimal olunan virus daşıyıcılarını dəqiq müəyyənləşdirmək və proqnozlaşdırmaq

İzdihamımızla potensial asemptomatik daşıyıcıların ehtimalını sıralamaq, SARS-CoV-2 virusunun yayılmasını dəqiq şəkildə idarə etməyə kömək edir. Bu yanaşma ümumdünya epidemiyaları zamanı kifayət qədər məkan mobil məlumatları şəraitində çox yaxşı simulyasiya edir. Səhiyyə işçiləri, təsirlənmiş bölgələrə, bölgələrə və ya fərdlərə istiqamətli şəhər daxilində bir kilidlənmədən daha dəqiq bir nəzarət və ya karantin strategiyası inkişaf etdirə bilərlər. Bundan əlavə, adaptiv və çevik bir “çıxış” strategiyası, məhdud bir karantin ilə yenidən açılmasını və normal iqtisadi fəaliyyətlərin davam etdirilməsini asanlaşdıra bilər.

Yaygınlaşanların axtarılması IDG'nizdeki xəstəlik yayılma xəritəsi, yayılanlar sıralamasını mümkün edir. İnsanlarla təmas vəziyyətindən sonra, çox yayılanlar, virusun yayılmasını dayandırmaq üçün açar olan iki yoluxmuş insan arasındakı yolda olma ehtimalı böyükdür. Yayıcının ətraf təbəqəsinin fərdlərini təhlil etmək üçün yanaşmamızdan istifadə edərək, çox yayılma ehtimalı aşağıdakı tənlik kimi təsvir edilə bilər:

yayıcılar üçün axtarışa rəhbərlik edən və sonrakı fəaliyyət tapmaq üçün daha çox öyrənmə nümunəsi yaradan. Bu, öyrənmə dəqiqliyini artırır və nəticə çıxarma prosesini əhəmiyyətli dərəcədə sürətləndirir.

Resurslara qənaət üçün qərar dəstəyi

Yanaşma, siyasəti tətbiq etdikdən sonra vəziyyəti simulyasiya edə bilər. Virusun fərdi yayılma modeli aşağıdakılara dair təkliflər verə bilər:

Dezinfeksiya, sterilizasiya və qorunma.

Xarici ərazilərdə yayılma ehtimalının paylanmasına əsasən, daxili simulyasiya da mümkündür. Hər bir təmasda olan bölgənin yoluxmuş indeksini vermək üçün nəzarət kamerası məlumatlarını CLIIP ilə birləşdirərək, məsələn, ərazidəki lift düymələrinin dəqiq dezinfeksiyası mümkündür, məsələn, yüksək risklə toxunma ehtimalının həddinə çatdıqda. insanlara çatılır.

Optimal sınaq vaxtları.

Nükleik turşu testləri, PCR əsaslı testlər, antigen testləri və seroloji testlər kimi yeni test üsulları ilə uğursuz sınaq ehtimalı və fərdi infeksiya ehtimalını yenidən hesablama xüsusiyyətlərini yanaşmamıza əlavə edə bilərik. Bizim yanaşmamıza əsaslanan cəmiyyətdəki bütün fərdləri nəzərə alaraq, bir yoluxucu xəstəliyin nə qədər yoluxucu olduğunu göstərən riyazi bir termin olan R0-ı hesablamaq mümkündür. Bununla birlikdə, CLIIP modelini yenidən qurmalı və yeni modeli öyrətmək üçün R0 kimi etiketlər hazırlamalıyıq. Qərar qəbul edənlər bir bölgənin infeksiya dərəcəsini əldə etmək üçün R0-a müraciət edə bilərlər və beləliklə test vaxtları və metodlarına qərar verə bilərlər.

SARS-CoV-2 reinfeksiyasına qarşı çıxmaq üçün, CLIIP, insanların qalan hissəsi üçün yenidən yoluxma ehtimalını proqnozlaşdırmaq üçün ilk infeksiya modelindəki məlumatları yenidən istifadə edə bilər. Ekzogen insanların mənbəyi ötürmə yolunda, xüsusən də SARS-Cov-2-nin gecikməsiylə əlaqəli olaraq aydın olmasa da, yanaşmamız fərdi reinfeksiya ehtimalını hesablamaq üçün cəmiyyətdəki hər bir insanı müşahidə edə bilir.

Virusun yayılmasının xaricində, yanaşmamız P2P elektron ticarətində, terrorçu axtarışında, rəqəmsal təhlükəsizlik risklərinin proqnozlaşdırılmasında və s. Kimi ümumi gizli təsir şəbəkələrinin fərdi səviyyəsində modelləşdirmə, öyrənmə və nəticələrə tətbiq oluna bilər. Məsələn, sosial şəbəkələrdə insanlar bir-birlərinə müxtəlif şərhlər göndərir, əhval-ruhiyyəsi, niyyəti ilə başqalarına təsir göstərir və beləliklə fərdiləşdirilmiş əlaqə qrafiki yaradır. İnsanlar mərkəzlə əhatə olunmuş şərh edilmiş əhval-ruhiyyəni / niyyəti ölçərək və davamlı öyrənərək, davranışları satın alma, terrorizmi tapmaq və rəqəmsal virusun yayılmasının qarşısını almaq kimi məsələlərdə qərar vermə siyasətini tədricən modelləşdirmək və gələcək fəaliyyətlərini dəqiqləşdirmək olar. proqnozlaşdırılır.

İstinadlar

  1. 1.

Tang, Y. et al.Mövzu modelləşdirməyə əsaslanan trafik məlumatlarının vizual təhlili (ChinaVis 2017). J. Vis.21, 661-680 (2018).

Eames, KTD, & Matt, JK Əlaqə izləmə və xəstəliklərə nəzarət. Proc. Biol. Elm.270(2003).

Scutchfield, FD & Keck, CW Xalq Sağlamlığı Tətbiqi Prinsipləri (Delmar Learning, 2003).

Zastrow, M. Cənubi Koreya, COVID-19 hadisələrinin səmimi təfərrüatlarını bildirir: kömək etdi? Təbiət(2020).

Təsadüfi və kümelenmiş şəbəkələrdə Kiss, IZ, Green, DM & Kao, RR Xəstəlik təmas izləmə. Proc. R. Soc. B Biol. Elm.272, 1407-1414 (2005).

Lalvani, A. et al. Mycobacterium tüberkülozinfeksiyasının antigenə xas T hüceyrələrinin sadalanması ilə genişləndirilmiş kontakt izlənməsi və məkanda izlənməsi . Lancet357, 2017–2021 (2001) ( (. Nəşr: 0140–6736)).

Ferretti, L. et al.SARS-CoV-2 ötürülməsinin miqdarının müəyyənləşdirilməsi rəqəmsal kontakt izləmə ilə epidemiya nəzarəti təklif edir. Elm. (2020) (ISSN 0036-8075).

Cho, H., Ippolito, D. & Yu, YW COVID-19 üçün mobil tətbiqləri izləyən əlaqə: Məxfilik məsələləri və əlaqəli mübadilə arXiv preprint arXiv: 2003.11511 (2020).

Ian Sherr Richard Nieva, SS Apple və Google, iOS və Android-də koronavirus izləmə texnologiyası qururlar - İki şirkət birlikdə istifadə edərək dünyada istifadə olunan telefonların əksəriyyətini təmsil edir. https://www.cnet.com/news/apple-and-google-build-coronavirus-trackingtech-for-ios-and-android-coming-in-may/ (2020).

Chan, J. et al. PAKT: Məxfilik Həssas Protokolları və Mobil Əlaqə İzləmə Mexanizmləri (2020).

Wuhan, C. Çinin Smartphone-unun içərisində 'Sağlamlıq Kodu' Sistemi, Koronavirus Sonrası Həyatı İdarə Edir. https://time.com/5814724/china-health-code-smartphones-coronavirus/ (2020).

Hellewell, J. et al.COVID-19 epidemiyalarının vəziyyətlərin və kontaktların təcrid olunması ilə idarə olunmasının mümkünlüyü. Lancet Glob. Sağlamlıq (2020).

Peng, L., Yang, J.-S. & Stebbing, J. COVID-19 pandemiyası zamanı xərçəng müalicəsi üçün Çindən Avropaya dərslər. Br. J. Xərçəng1-2 (2020).

Zhou, C. et al. Trajectory Big Data istifadə edərək şübhəli epidemiya hallarının aşkarlanması. arXiv preprint arXiv: 2004.00908 (2020).

Ke, G. et al. Lightgbm: Sinir məlumatlarının işlənməsi sistemindəki inkişaflar, 3146–3154 (2017) kitabında yüksək effektiv bir gradient artırma qərarı ağacı.

Younsi, F., Bounnekar, A., Hamdadou, D. & Boussaid, O. SEIR-SW, Kiçik Dünya şəbəkəsinə əsaslanan qripin simulyasiya modeli. Tsinghua Sci. Technol.20, 460-473 (2015).

Newson, P. & Krumm, J. Gizli Markov xəritəsi səs-küy və seyrəkliklə uyğunlaşır. In coğrafi informasiya sistemləri avanslar üzrə 17-ci ACM SIGSPATIAL beynəlxalq konfransın Proceedings, 336-343 (2009).

Məhdud, DS CHECKIN-19 Toxunuşsuz Qonaq Qeydiyyatı. https://checkin-19.com/ (2020).

Makar, M., Guttag, J. & Wiens, J. Gizli yayıcıların iştirakı ilə aktivasiya ehtimalını öyrənmək. In otuz ikinci Süni Kəşfiyyat üzrə AAAI Konfransı(2018).

Bays, D., Bennett, E. & Finnie, T. Legionnaires xəstəliyinin baş verməsi hallarının sağlamlıq istintaqını yaxşılaşdırmaq üçün ehtimal ağırlığında inkubasiya dövrü paylamalarını ənənəvi külək gül metodologiyasına tətbiq etmək. Epidemiol. Yoluxdur.148, e33 (2020).

Moore, E. Bir labirentdən keçən ən qısa yol(Çan Telefon Sistemi, 1959).

Dijkstra, E. Qrafiklərlə əlaqəli iki problemə dair qeyd. Numerische Mathematik(1959).

Shi, P., Cao, S. & Feng, P. SEIR 2019 nCoV koronavirusunun ötürülmə dinamikası modeli zəif yoluxucu qabiliyyət və gecikmə müddətindəki dəyişiklikləri nəzərə alaraq. medRxiv (2020).

Kai, D., Goldstein, G.-P., Morgunov, A., Nangalia, V. & Rotkirch, A. Universal Maskeleme COVID-19 Pandemiyasında Təcili: SEIR və Agent Əsaslı Modellər(Empirik Doğrulama, Siyasət Tövsiyələri, 2020).

Van Doremalen, N. et al.SARS-CoV-2-nin aerozol və səth sabitliyi, SARS-CoV-1 ilə müqayisədə. N. Engl. J. Med.382, 1564–1567 (2020).

Salje, H., Cummings, DA & Lessler, J. Xəstəliklərin ümumi paylanmasından istifadə edərək yoluxucu xəstəliklərin ötürülmə məsafələrini qiymətləndirmək. Epidemikalar17, 10-18 (2016).

Təşəkkürlər

Bu layihədə istifadə olunan şəhər məlumatlarını verdiyi üçün professor Hongxin Zhang'a təşəkkür edirik.

Maliyyələşdirmə

Projekt DEAL tərəfindən aktiv və təşkil edilən Açıq Access maliyyələşdirmə. Bu tədqiqat Synergies Intelligent Systems, Inc tərəfindən dəstəklənir və qismən DFG / NSFC Əməkdaşlıq Layihəsi “Crossmodal Learning - Adaptivity, Prediction and Interation” SFB / TRR169 tərəfindən dəstəklənir.

Müəllif məlumatı

Əlaqələr

Synergies Intelligent Systems, Inc., Boston, ABŞ

Liu, Koyun Liu, Hwaihai Chiang və Tsungyao Chang

TAMS, İnformatika Bölümü, Universität Hamburg, Almaniya, Hamburg, Germany

  1. Liu çırpılır

Bu müəllifi PubMed Google Scholar-da da tapa bilərsiniz

Bu müəllifi PubMed Google Scholar-da da tapa bilərsiniz

Bu müəllifi PubMed Google Scholar-da da tapa bilərsiniz

Bu müəllifi PubMed Google Scholar-da da tapa bilərsiniz

Bu müəllifi PubMed Google Scholar-da da tapa bilərsiniz

Töhfələr

TC və JZ bu fikri düşündülər və analiz və sınaqdan SL cavabdeh idi. Sonra SL və KL əsas mətni yazdı və HC olduqca nəticəyə və məzmuna təkliflər verdi və bütün müəlliflər əlyazmanı nəzərdən keçirdi.

Müəlliflər

Etik bəyannamələr

Rəqabət maraqları

Müəlliflər rəqabət edən maraqların olmadığını bildirirlər.

Əlavə informasiya

Yayımcının qeydləri

Springer Nature, nəşr edilmiş xəritələrdəki və institusional əlaqələrdəki məhkəmə iddialarına münasibətdə bitərəf qalır.