مدلسازی ریاضی-; که ترکیبی از ریاضی، آمار، محاسبات و داده است. ابزاری حیاتی برای متخصصان بهداشت عمومی است که از آن برای مطالعه نحوه گسترش بیماری ها، پیش بینی سیر آینده شیوع و ارزیابی استراتژی های کنترل اپیدمی ها استفاده می کنند.
همانطور که همه‌گیری COVID-19 تصمیم‌گیری در مورد سلامت عمومی را در سراسر کشور سوق داد، طیف گسترده‌ای از مدل‌های بیماری تکثیر شدند. در سراسر کشور، مقامات شهر، شهرستان و ایالت با تیم‌های مدلسازی دانشگاهی برای ایجاد مدل‌های سفارشی برای پیش‌بینی آنچه در حوزه قضایی آنها اتفاق می‌افتد، کار کردند. شهرداری‌هایی که منابع لازم برای توسعه مدل‌های خاص مکان خود را نداشتند، مجبور شدند داده‌های مدل‌های دیگر را برون‌یابی کنند و بر اساس اطلاعات کمتر ایده‌آل تصمیم‌گیری کنند. از آنجایی که هیچ زیرساخت سایبری برای اجرای این مدل‌ها به روش استاندارد وجود نداشت، سردرگمی ناشی از ناهماهنگی مدل‌های ناسازگار به احتمال زیاد اعتماد عمومی را به مدلسازی به عنوان یک ابزار قدرتمند از بین برد.
جو میهالیویک، استادیار دانشکده انفورماتیک، محاسبات و سیستم‌های سایبری دانشگاه آریزونا شمالی (SICCS) با شرکای بهداشت عمومی در سراسر ایالت و کشور برای به اشتراک گذاشتن مدل‌های کامپیوتری نقشه‌برداری از گسترش ویروس کرونا کار می‌کند. Mihaljevic، بوم شناس بیماری که از تکنیک های مدل سازی اپیدمیولوژیک در حیات وحش و اخیراً برای بیماری های انسانی استفاده می کند، بیش از 3.5 میلیون دلار توسط مؤسسه ملی بهداشت جایزه دریافت کرد تا با EpiMoRPH (منابع مدل سازی اپیدمیولوژیک برای سلامت عمومی) مدل سازی را به سطح بعدی برساند. ، که به طور قابل ملاحظه ای توسعه مدل های اپیدمیولوژیک را خودکار و تسریع می کند.
میهالوویچ گفت: «در طول همه‌گیری، متوجه شدیم که به مدل‌هایی نیاز داریم که در مقیاس فضایی با نیازهای شرکای خاص سلامت عمومی مرتبط باشد.» در سراسر کشور، شهرداری‌های کوچک‌تر، مانند شهرها، اغلب مجبور بودند تصمیمات خود را بر اساس مدل‌هایی که در مقیاس‌های فضایی بزرگ‌تر، مانند مقیاس شهرستانی یا حتی مقیاس ایالتی ایجاد شده بودند، اطلاع دهند، در حالی که چیزی که واقعاً به آن نیاز داشتند یک مدل سفارشی برای مکانشان بود. ما در مورد چالش‌های پیچیده‌ای که با آن روبرو بودیم و چیزهایی که برای مدلسازی کرونا یاد گرفتیم فکر کردیم، این سوال را مطرح کردیم: اگر یک بیماری همه‌گیر یا همه‌گیر جدید ظاهر شود، آیا می‌توانیم سیستمی را تصور کنیم که کار را برای مدل‌سازان آسان‌تر کند و راه‌اندازی کند. و برای همکاری بین گروه‌ها؟ و آیا می‌توانیم از این برای توسعه مدل‌های سفارشی‌شده محلی که برای تصمیم‌گیری بهتر هستند استفاده کنیم؟»
همانطور که ما پیشنهاد EpiMoRPH را توسعه دادیم، سعی کردیم یک قطعه قابل مدیریت از این پاسخ را تعریف کنیم که بتوانیم در یک بازه زمانی پنج ساله به آن دست یابیم، تا یک اثبات خوب از سیستم مدل سازی مفهومی برای آنچه که به عنوان “نسل بعدی” تصور می کنیم، ایجاد کنیم. مدلسازی اپیدمیولوژیک که اتوماسیون را افزایش می‌دهد، اشتراک‌گذاری و همکاری را ترویج می‌کند، کشف را تسریع می‌کند و به سرعت درک ما را از اپیدمی‌ها ارتقا می‌دهد.”
این پروژه از دو بیماری مختلف مبتنی بر ویروس به عنوان مطالعات موردی استفاده خواهد کرد: COVID-19 و SLEV (ویروس انسفالیت سنت لوئیس)، اما EpiMoRPH با هر پاتوژن قابل انتقالی که بر انسان، حیوانات یا حتی گیاهان تأثیر می گذارد، کار خواهد کرد.
میهالوویچ گفت: «EpiMoRPH چارچوبی برای توصیف مدل‌های بیماری فراجمعیتی فراهم می‌کند، از توسعه سریع مدل و ارزیابی یکنواخت مدل‌ها در برابر معیارهای داده‌ها حمایت می‌کند. مربوط به محل خود و سپس استفاده از این مدل ها برای ایجاد پیش بینی های خاص شهرداری.”
همکاری چند نهادی برای شامل شورای مشورتی بهداشت عمومی
محققین مشترک Mihaljevic در این پروژه پروفسور SICCS Eck Doerry هستند که توسعه نرم افزار و محاسبات مبتنی بر ابر را رهبری خواهد کرد. کریستال هپ، دانشیار SICCS، همچنین با مؤسسه تحقیقات ژنومیک ترجمه (TGen)، که تهیه و مدیریت داده های نظارتی در مورد موارد ویروسی را رهبری خواهد کرد. و سامانتا سابو، دانشیار مرکز تحقیقات برابری سلامت NAU، که در بسیج و برقراری ارتباط با شرکای بهداشت عمومی کمک خواهد کرد و تلاش‌ها را در ارزیابی رسمی رهبری می‌کند.
محققین NAU با محققان چندین موسسه دیگر، از جمله اسما ژل از دانشگاه نبراسکا، که در تئوری بهینه‌سازی و توسعه الگوریتم کمک خواهند کرد، کار خواهند کرد. سانجی مهروترا از دانشگاه نورث وسترن، که کار کلی در زمینه توسعه تئوری بهینه‌سازی را رهبری خواهد کرد. و تیموتی لانت از دانشگاه ایالتی آریزونا، که در بسیج و هماهنگی شورای مشورتی بهداشت عمومی کمک خواهد کرد.
این تیم یک شورای مشورتی بهداشت عمومی (PHAC) متشکل از 15 ذینفع محلی، منطقه‌ای و ملی در سلامت عمومی و مدلسازی اپیدمیولوژیک تشکیل خواهد داد که ورودی و ارزیابی حیاتی سیستم را در حین توسعه ارائه خواهند کرد. همکارانی از دپارتمان خدمات بهداشتی آریزونا، که Mihaljevic و تیمش به طور گسترده در طول همه گیری COVID-19 با آنها کار کرده اند، بخشی از این تلاش خواهند بود.
Mihaljevic گفت: “PHAC به ما کمک می کند تا محدودیت های لجستیکی را بهتر درک کنیم و توسعه رابط کاربری را به گونه ای هدایت کند که سطح جزئیات مورد نیاز کاربران مورد نظر را منعکس کند.” ما از نزدیک با شورای مشورتی همکاری خواهیم کرد تا فناوری‌های خود را ارزیابی و اصلاح کنیم و اطمینان حاصل کنیم که نوآوری‌های ما نیازهای در حال تحول شرکای سلامت عمومی را برآورده می‌کند و در عین حال از جامعه مدل‌سازان اپیدمیولوژیک نیز درخواست می‌کنیم.»
علاوه بر این، بسیاری از دانشجویان فارغ التحصیل و کارشناسی در رشته های انفورماتیک و علوم کامپیوتر در تلاش برای توسعه زیرساخت های سایبری مبتنی بر وب، اسکریپت های اتوماسیون کدگذاری و نوشتن اسناد فنی کمک خواهند کرد. دو محقق لیسانس بهداشت عمومی به تلاش های تیم برای انجام ارزیابی های رسمی از فناوری و توسعه روش های توسعه با PHAC کمک خواهند کرد.
آیا EpiMoRPH می تواند به پیش بینی اپیدمی ها به اندازه پیش بینی آب و هوا قابل اعتماد باشد؟
هنگامی که EpiMoRPH ساخته شد، یک کاربر معمولی می‌تواند فردی باشد که نماینده سلامت عمومی در Flagstaff است، به عنوان مثال. در طول همه‌گیری، این کاربر ممکن است بخواهد بفهمد که در 30 روز آینده از COVID-19 چه انتظاری باید داشته باشد. از آنجایی که مدل ما در آن زمان در مقیاس شهرستان کوکانینو بود، می‌توانستیم به آنها بگوییم که در سطح شهرستان چه اتفاقی می‌افتد، اما نه به‌طور خاص برای Flagstaff.”
“و بنابراین، هنگامی که EpiMoRPH در محل قرار گرفت، اگر مدلی برای Flagstaff ساخته نشده باشد، یک مقام بهداشت عمومی می تواند برخی از ویژگی های این مکان خاص، مانند تراکم جمعیت، جغرافیا و غیره را وارد کند و بلافاصله ببیند کدام مدل ها هستند. در حال حاضر دقیق‌تر است و سپس سیستم EpiMoRPH از این مدل‌ها برای توسعه یک پیش‌بینی سفارشی برای Flagstaff استفاده می‌کند.
“در سناریوی ایده‌آل، مدل‌سازان در جامعه می‌توانند مدل‌ها و متخصصان بهداشت عمومی نیز می‌توانند داده‌ها را به اشتراک بگذارند. سیستم ما مدل‌ها و داده‌ها را جفت می‌کند و آنها را در مقابل یکدیگر اجرا می‌کند و سعی می‌کند بفهمد کدام مدل‌ها برای موارد خاص بهترین هستند. مکان ها
میهالوویچ گفت: «در نهایت، با دقیق‌تر شدن مدل‌ها، پیش‌بینی شیوع بیماری‌ها می‌تواند مانند پیش‌بینی آب‌وهوا عادی و قابل اعتماد شود.»
انقلابی در نحوه مدل سازی انجام می شود
دوئری، یکی از محققین، گفت: «این یک روش کاملاً جدید در مورد توسعه مدل‌ها در مقیاس انبوه است، به طوری که دفعه بعد که با یک بیماری همه‌گیر مواجه شدیم، آماده هستیم و می‌توانیم از همان ابتدا مدل‌های منسجم، قابل فهم و سازگار تولید کنیم. .
“هدف نهایی ما ایجاد انقلابی در نحوه انجام مدلسازی با تعریف استاندارد مفهومی یکسانی است که همه مدل‌های فعلی و موجود را می‌توان با آن توصیف کرد. این امر امکان اتوماسیون گسترده اعتبارسنجی مدل و اصلاح پارامترها را فراهم می‌کند و از آزمایش خودکار آنها در هزاران مدل مختلف پشتیبانی می‌کند. برای کشف اینکه چه مدلی با توجه به مجموعه‌ای از شرایط محلی بهترین است. در نهایت، ما یک زیرساخت محاسبات ابری بی‌نهایت مقیاس‌پذیر اضافه می‌کنیم که می‌تواند قدرت محاسباتی عظیمی را برای انجام این همه کار سنگین به ارمغان بیاورد. EpiMoRPH دقیقاً به این دلیل قدرتمند است که آنچه شما را بررسی می‌کند. اگر مدلسازی بیماری‌زای عفونی پیشرفته را انجام دهید و آن را با لبه برش در محاسبات کلان داده مبتنی بر ابر ترکیب کنید، می‌توان به آن دست یافت.»
EpiMoRPH برای کمک به جامعه مدل سازی ملی
با تأکید بیشتر بر مدلسازی بیماری، پلت فرم EpiMoRPH می‌تواند به طور بالقوه به عنوان یک مرکز ملی مورد استفاده قرار گیرد. آزمایشگاه‌های دانشگاهی و سازمان‌های ملی در سراسر کشور در حال رقابت هستند تا مدلسازی اپیدمی را در دسترس‌تر، مفیدتر و دقیق‌تر کنند. به عنوان مثال، مرکز کنترل و پیشگیری از بیماری (CDC) اخیراً مرکز پیش‌بینی و تجزیه و تحلیل شیوع بیماری (CFA) را راه‌اندازی کرده است که توانایی کشور را برای استفاده از داده‌ها، مدل‌ها و تجزیه و تحلیل‌ها برای امکان تصمیم‌گیری به موقع و مؤثر در پاسخ به تهدیدات بهداشت عمومی برای CDC و شرکای بهداشت عمومی آن Mihaljevic امیدوار است که EpiMoRPH بتواند در تلاش‌های ملی برای استانداردسازی و خودکارسازی مدلسازی اپیدمی، با هدف ایجاد پیش‌بینی‌های قابل اعتماد برای تصمیم‌گیرندگان محلی، سهمی قوی داشته باشد.
منبع: