MARCO pomoże przewidzieć rozwój pandemii

Naukowcy z Politechniki Warszawskiej opracowali rozwiązanie, które pomoże w prognozowaniu rozwoju pandemii COVID-19. Artykuł na ten temat ukazał się w prestiżowym czasopiśmie „Nature Scientific Reports”.

Celem projektu MARCO (akronim jego angielskiej nazwy) było opracowanie metodologii modelowania rozwoju pandemii na poziomie regionalnym. Miałaby ona pomóc w budowie systemu wspomagania decyzyjnego w zakresie społecznego dystansowania się.

– Chcieliśmy móc odpowiedzieć w sposób twardy, używając modeli matematycznych, tworząc systemy symulacyjne, w jaki sposób zmiana ograniczeń może wpłynąć na przebieg, rozwój pandemii COVID-19 – wyjaśnia prof. Robert Olszewski z Wydziału Geodezji i Kartografii, kierownik projektu.

Wespół w zespół

Projekt miał charakter interdyscyplinarny. Uczestniczyli w nim naukowcy z dwóch wydziałów Politechniki Warszawskiej: Geodezji i Kartografii, zajmujący się gromadzeniem danych i ich przekształcaniem w użyteczną informację i wiedzę, a także informatycy z Wydziału Elektroniki i Technik Informacyjnych. Czynniki społeczne wpływające na rozprzestrzenianie się pandemii badała socjolog z Centrum Zarządzania Informacjami i Transferem Technologii PW.

Członkami zespołu byli także epidemiolodzy z Narodowego Instytutu Leków z Warszawskiego Uniwersytetu Medycznego oraz specjaliści od geografii społeczno-gospodarczej z Uniwersytetu Warszawskiego. Porównaniem wyników z wiodącymi modelami opracowanymi w Europie i USA zajęli się badacze z Harvard Medical School i Szpitala Akademickiego w Nowym Jorku.

Ponad 80 zmiennych

Naukowcy chcieli uzyskać odpowiedź na pytanie, jakie czynniki wpływają na liczbę zachorowań, uwzględniając różnice czasowe i przestrzenne.

– Analizowaliśmy 82 potencjalne czynniki, które mogą mieć wpływ na wzrost czy spadek liczby zachorowań. W ostatecznym modelu znalazło się 13 – mówi prof. Robert Olszewski. – Od demograficznych, epidemiologicznych, klimatycznych, po zagadnienia związane z modelem topograficznym terenu, gęstością zabudowy, sieci drogowej, wielkością sklepów, ale przede wszystkim liczbą i jakością stosowanych obostrzeń – wylicza.

Analizowano również czynniki atmosferyczne, które dotyczą temperatury dobowej, poziomu wilgotności, nasłonecznienia czy długości trwania dnia.

Najpierw dane

Aby osiągnąć swój cel naukowcy potrzebowali wielu danych. Pozyskiwali je z różnych źródeł. Informacje dotyczące liczby osób, które zachorowały w poszczególnych powiatach, wyzdrowiały lub zmarły, były gromadzone zarówno przez służby państwowe podległe Ministerstwu Zdrowia, jak i społeczeństwo. Dane epidemiologiczne pochodziły też z różnych krajów.

Informacje o rozmieszczeniu ludności, poziomu bezrobocia, wieku, płci, miejscach pracy i instytucjach edukacyjnych oraz aktywności w czasie wolnym zaczerpnięto z polskiego spisu powszechnego przygotowanego przez GUS. Do analizy mobilności wykorzystano Google’a.

Instytut Meteorologii i Gospodarki Wodnej był źródłem danych o temperaturze, wilgotności czy długości dnia.

Każdy ma swojego agenta

– Mając dane, potrzebujemy narzędzi, które pozwolą automatycznie przekształcić je w użyteczne informacje i wiedzę. Najlepszym rozwiązaniem, które przyjęliśmy, jest modelowanie agentowe. Metoda wywodzi się z informatyki, ale rozszerzyliśmy ją o czynniki o charakterze przestrzennym i czasowym – wyjaśnia prof. Robert Olszewski. – Wyobraźmy sobie 38 mln mieszkańców, z których każdy ma swojego reprezentanta w tym cyfrowym świecie, agenta – dodaje.

Na bazę obiektów topograficznych naukowcy nałożyli rozmieszczenie poszczególnych mieszkańców wraz z przypisanymi im parametrami dotyczącymi m.in. miejsca zamieszkania, pracy, spotkań, czasu snu i aktywności itp. Pod uwagę wzięli nie tylko kwestie mobilności, ale też właśnie warunki atmosferyczne i kwestie związane z pewnymi zachowaniami specyficznymi dla określonych regionów Polski, a także cały szereg innych wspomnianych parametrów.

Informacje o rozmieszczeniu ludności, poziomu bezrobocia, wieku, płci, miejscach pracy i instytucjach edukacyjnych oraz aktywności w czasie wolnym zaczerpnięto z polskiego spisu powszechnego przygotowanego przez GUS. Do analizy mobilności wykorzystano Google’a.

Instytut Meteorologii i Gospodarki Wodnej był źródłem danych o temperaturze, wilgotności czy długości dnia.

Każdy ma swojego agenta
– Mając dane, potrzebujemy narzędzi, które pozwolą automatycznie przekształcić je w użyteczne informacje i wiedzę. Najlepszym rozwiązaniem, które przyjęliśmy, jest modelowanie agentowe. Metoda wywodzi się z informatyki, ale rozszerzyliśmy ją o czynniki o charakterze przestrzennym i czasowym – wyjaśnia prof. Robert Olszewski. – Wyobraźmy sobie 38 mln mieszkańców, z których każdy ma swojego reprezentanta w tym cyfrowym świecie, agenta – dodaje.

Na bazę obiektów topograficznych naukowcy nałożyli rozmieszczenie poszczególnych mieszkańców wraz z przypisanymi im parametrami dotyczącymi m.in. miejsca zamieszkania, pracy, spotkań, czasu snu i aktywności itp. Pod uwagę wzięli nie tylko kwestie mobilności, ale też właśnie warunki atmosferyczne i kwestie związane z pewnymi zachowaniami specyficznymi dla określonych regionów Polski, a także cały szereg innych wspomnianych parametrów.

Model interakcji czasoprzestrzennych agenta, źródło: Nature Scientific Reports, „Using multiagent modeling to forecast the spatiotemporal development of the COVID-19 pandemic in Poland”

What if

– Uruchamiając taki system i wprowadzając do niego jedną zarażoną osobę, możemy sprawdzić, jak szybko dojdzie do ekspansji COVID-19 w czasie i przestrzeni – mówi prof. Robert Olszewski. – Opracowane narzędzie ma jednak znacznie szersze zastosowanie. Przy zmianie określonych parametrów jest w stanie udzielić odpowiedzi na pytanie „what if” przy innych założeniach epidemiologicznych. W ten sposób można również badać rozprzestrzenianie się innowacji technologicznych i społecznych – dodaje.

Naukowcy wybrali trzy obszary testowe, zróżnicowane demograficznie, społecznie, po części też klimatycznie, kulturowo, ale przede wszystkim pod względem gęstości zaludnienia i liczby zachorowań: powiat gołdapski na północy, pruszkowski w aglomeracji warszawskiej, ropczycko-sędzikowski w pobliżu Rzeszowa.

Proszę zachować dystans

Wyniki badań przyczyniły się do przeciwdziałania rozwojowi kolejnych faz pandemii. Wprowadzenie dystansu społecznego i ograniczenie mobilności ma kluczowe znaczenie dla jej zahamowania. – Gdyby ich nie zastosować liczba zachorowań i liczba zgonów byłyby dużo większe. Jest to dość oczywista odpowiedź, ale ona różnicowałaby się przestrzennie zależnie od wspomnianych wcześniej czynników – tłumaczy prof. Robert Olszewski.

W modelu bez ograniczeń liczba przypadków zachorowań jest 2 do 3 razy większa niż w modelu podstawowym. Inne badania pokazują, że samo okrycie twarzy tkaniną może znacznie zmniejszyć przenoszenie wirusa między ludźmi i zredukować dzienny wskaźnik wzrostu zakażeń COVID-19 o 40–60 proc.

Największy wpływ na rozprzestrzenianie się wirusa mają interakcje ludzi w miejscach pracy. Aż 50–70 proc. zakażeń, w zależności od wariantu i powiatu, jest z nim związanych. Obiekty komercyjne, które zazwyczaj są zatłoczone, to również miejsca, w których istnieje duże prawdopodobieństwo przeniesienia wirusa. W modelu podstawowym 8,4 proc. osób zostało zarażonych podczas robienia zakupów w pomieszczeniach.

Publikacja w renomowanym czasopiśmie

Artykuł „Wykorzystanie modelowania wieloagentowego do prognozowania czasoprzestrzennego rozwoju pandemii COVID-19 w Polsce” został opublikowany w czasopiśmie „Nature Scientific Reports”. Jest dostępny w ramach Open Access.

Autorzy: dr inż. Piotr Pałka z Wydziału Elektroniki i Technik Informacyjnych PW, prof. Robert Olszewski, dr inż. Agnieszka Wendland i mgr inż. Karolina Nowak z Wydziału Geodezji i Kartografii PW, Urszula Szczepankowska-Bednarek z Centrum Zarządzania Innowacjami i Transferem Technologii PW, Małgorzata Kęsik-Brodacka z Narodowego Instytutu Leków oraz David Th. Liebers z NYU Langone Health.

Projekt „Metody analizy, prognozowania i rekomendowania w zakresie zapobiegania rozprzestrzenianiu się COVID-19 ze szczególnym uwzględnieniem analizy geoprzestrzennych” był realizowany w ramach prowadzonego w PW programu „Inicjatywa doskonałości - uczelnia badawcza”. Otrzymał grant w konkursie IDUB against COVID-19.