Новая модель на основе данных показывает, что ношение масок спасает жизни — и чем раньше вы начнете, тем лучше

Доктор Биплав Сривастава, профессор компьютерных наук в Университете Южной Каролины, и его команда разработали инструмент на основе данных, который помогает продемонстрировать влияние ношения масок на случаи COVID-19 и смертность. Его модель использует различные источники данных для создания альтернативных сценариев, которые могут сказать нам: «Что могло случиться?» если в округе США был более высокий или более низкий уровень соблюдения маски. В этом интервью он объясняет, как работает модель, ее ограничения и какие выводы мы можем из нее сделать.

Новая модель на основе данных показывает, что ношение масок спасает жизни - и чем раньше вы начнете, тем лучше

Это общенациональный инструмент, который может показать эффект, который может иметь ношение масок. Если это округ, где люди регулярно носят маски, это покажет вам, сколько случаев COVID-19 и смертей они избежали. Если вы выберете округ, в котором люди не носят масок, это покажет вам, сколько случаев заболевания и смертей можно было предотвратить.

Для этого нам нужно много данных. The New York Times провела исследование почти во всех округах США за лето и присвоила каждому из них оценку от 0 до 5 баллов за ношение масок, так что это лежит в основе модели. Мы также используем данные New York Times и Johns Hopkins для подсчета количества дел в реальном времени; данные переписи для демографических данных, таких как размер населения, средний возраст и др .; и географические данные для измерения расстояния между округами.

Он основан на математическом методе, называемом надежным синтетическим контролем, который часто используется в исследованиях лекарственных средств, где есть контрольная группа и есть группа лечения.

Например, давайте посмотрим на округ Виандотт, штат Канзас. У него относительно высокий показатель ношения маски — около 3,4. Потому что модель предназначена для того, чтобы сказать нам «а что, если?» В этом сценарии будет рассмотрено, что произошло бы, если бы показатель ношения маски был снижен до 3,0, что является нашим пороговым значением для «низкого ношения маски», но пользователь может также поэкспериментировать с другими значениями, чтобы увидеть, что произойдет. Мы пришли к 3.0 на основе анализа общенациональных привычек ношения масок. Фактические значения варьировались от 1,4 до 3,85, при среднем значении по стране 2,98.

Мы можем установить дату, когда показатель ношения маски изменится на 3,0. Если мы настроим его на период с 1 июня по 1 октября, это говорит нам, что в округе Виандотт было бы на 101,5% больше случаев и 150 смертей за этот период. Он сообщает пользователю, сколько смертей произошло или было предотвращено, на основе параметра уровня смертности, который пользователь может установить. В этом примере он был установлен на уровне 2%.

Как модель создает «а что, если?» сценарий, если этого не произошло на самом деле? Он делает это, рассматривая другие округа, которые находятся поблизости и имеют аналогичные демографические данные и количество случаев, но с более низким порогом ношения масок. Он пытается вычислить средневзвешенное значение, чтобы сформировать синтетическую контрольную группу, которая похожа на интересующую нас округу (группу лечения). Затем модель рассматривает, насколько эти две группы разошлись с точки зрения количества случаев. Разница в количестве случаев между двумя группами преобразуется в разницу в смертности с использованием параметра уровня смертности.

Может быть полезно продолжать носить маски или применять политику в отношении масок в любое время. Но его влияние будет самым сильным, когда вы сделаете это рано. Когда вы запускаете эту модель несколько раз с разными датами, вы видите, что влияние уменьшается, поскольку вы откладываете реализацию политики ношения масок. Так что, если бы 1 июня округ ввел политику масок, это предотвратило бы многие случаи. Если бы он действовал 1 июля, его влияние было бы меньшим. Если бы он действовал в августе, он все равно предотвратил бы случаи, но их очень мало.

Этот инструмент работает лучше для одних округов, чем для других. В общем, он лучше всего работает с округами, которые ближе к среднему, потому что у них будут более близкие совпадения для сравнения. Существует также ограничение в том смысле, что исследование соблюдения маски New York Times проводилось летом, и ситуация продолжает меняться. Поэтому, если другие исследователи воспользуются этим инструментом, им придется учитывать изменения.

Но вы видите, что когда вы проводите политику масок или когда население регулярно носит маски, это оказывает положительное влияние. И чем раньше вы это сделаете, тем эффективнее.

Я хотел бы поблагодарить мою команду, Спарш Джохри, Картикая Шриваставу, Чинмайи Аппаджигоуда и Локеш Джохри, за разработку этой программы.

Эта статья переиздана из The Conversation по лицензии Creative Commons. Прочтите оригинальную статью.