«Если в Москве заболеет один человек по конкретному адресу, за 30 дней заразятся 5084» — модель распространения коронавируса
С новыми вирусами в среде эпидемиологов появляются новые предметы изучения. Многие исследователи визуализируют фактические случаи, некоторые — «продолжают» график зараженных и делают общие прогнозы по городам «на фоне» стран. Но как быстро распространится заболевание с учетом особенностей города?
Узнать это можно, если построить имитационную модель распространению вируса, что и сделал Центр пространственных исследований совместно с НИИ эпидемиологии и микробиологии Н.Ф. Гамалеи. О том, как работает эта модель и как можно использовать полученные данные, рассказывает директор Центра и основатель геоинформационной системы Geointellect Денис Струков.
На каких данных основана модель?
Прежде чем построить имитационную модель распространения любого вируса в пределах города, нужно смоделировать основное поведение людей: где они живут, как перемещаются пешком и общественном транспорте (с пересадкой в метро или без), куда едут на работу утром или в вуз днем.
Делается это на базе геомоделей мест скопления людей в городе (модели притяжения населения). Всего мы заложили в модель порядка 70 геофакторов: особенности транспортного перемещения, нагрузка на остановки, число работников в бизнес-центрах, число проживающих в домах, наличие продуктовых магазинов.
Мы применили геоданные, которые уже 17 лет используем в основном бизнесе — геомаркетинговых сервисах для оценки потенциала локации.
Затем нужно было учесть вероятность заражения, в том числе вероятность посещения этих мест той или иной группой населения. С помощью специалистов НИИ им. Гамалеи мы постарались описать вирус на базе открытых данных из разных источников: восприимчивость к вирусу определенных возрастных групп, латентный и продромальный периоды, а также ряд других изученных особенностей.
Что получилось?
Теперь можно относительно легко «взять» имитацию населения и, при правильно описанных вирусах, попробовать сымитировать пространственно-временное распространение любого вируса, передающегося воздушно-капельным или контактным путем от человека к человеку.
Мы сымитировали миллионы взаимодействий жителей Москвы разных возрастов на базе мультиагентной модели. Затем мы внедрили модель в виде отдельного модуля в российском ПО «Геоинтеллект» в пределах Москвы. В специальном отдельном интерфейсе удалось визуализировать распространение коронавируса при помощи «бегунка» (таймлайна): от момента появления и обращения к врачу и до момента излечения. Пока что имитация не предполагает карантинных мероприятий (учитывает только изоляцию самих больных) и показывает, что будет, если в столице не введут карантин.
Согласно модели, если в Москве заболеет один человек по конкретному адресу, за 30 дней заразятся 5084 человека. На карте красным цветом видны очаги возникновения и распространения коронавируса. Зеленым цветом показано население, которое оправилось от болезни.
Порядки цифр зараженных через 30 дней соответствуют динамике распространения болезни в городе Ухань «с самого начала регистрации». Если считать Ухань «похожим» (по крайней мере, по населению) на Москву, можно сделать первые выводы о работоспособности математической модели в случае, если не прибегать к ограничительным мерам.
Конечно, у модели есть ограничения. Городские геоданные по Москве, а также места массового скопления и проживания людей — реальные, но вот люди — имитация на основе половозрастного состава проживающих в районах Москвы.
Вот более подробное видео, что будет, если обнаружится больной по конкретному адресу и если ничего не делать.
А это карта распространения ОРВИ и гриппа, сделанная для НИИ Гриппа Минздрава на основе их данных несколько лет назад. Можно предположить, что коронавирус именно так и будет распространяться по городам, по аналогии с привычными инфекциями.
Что дальше и как можно использовать эти данные?
К сожалению, модель пока не учитывает летальность и мероприятия по карантину, в том числе вакцинации. Это предмет дальнейшей доработки, как и дальнейшее увеличение во времени: рост числа зараженных через 60 и 90 дней. Это требует больших машиноресурсов, ведь имитация идет на больших данных.
Да, это пока эксперимент и пример того, как на стыке разных технологий и с привлечением разных специалистов можно делать прогнозы не только во времени и не только в целом по городам, но и в пространстве определенного мегаполиса. Не только грубо, но и детально. Не только на уровне стран, но и на уровне конкретных адресов.
Уже теперь можно с уверенностью констатировать (даже на более простых вирусах), что для разработки подсистемы принятия решения программное обеспечение класса Location Intelligence поможет имитировать заражения людей и заранее предпринимать необходимые меры в конкретных локациях, направив усилия в очаги.
Властям стоит задуматься над такими разработками, так как на кону жизни людей, экономические и другие последствия, которые человечество уже ощущает.
Сегодня цифровизация в секторе B2G «на слуху». К сожалению, например, в проектах для умных городов (Smart City), мало внимания уделяется моделированию, прогнозированию различных городских геоданных, их сочетанию и выявлению закономерностей, которые влияют на жизнь города и его жителей.
Сегодня уже делаются простые инструменты визуализации и сбора информации. И в будущем в РФ люди и компании, умеющие ставить задачи, моделировать, интерпретировать результаты, должны быть востребованы больше, чем сейчас.
Источник: rb.ru
