19
Sep
2022

เวกเตอร์ที่มองไม่เห็น

เรือและลูกเรือแล่นข้ามโลก แต่การเดินทางของพวกมันส่วนใหญ่ไม่ได้คำนึงถึงในการสร้างแบบจำลองทางระบาดวิทยา

เพื่อติดตามการแพร่กระจายของโรคระบาดและคำนวณว่าโรคใดที่อาจปรากฏขึ้นต่อไป นักวิจัยสร้างแบบจำลอง พวกเขาขูดและแยกวิเคราะห์ข้อมูลทุกประเภท: บทความข่าว รายงานโรคสัตว์ ข้อมูลเที่ยวบิน และอื่นๆ อัลกอริธึมที่ขับเคลื่อนโมเดลเหล่านี้มีความซับซ้อนมากขึ้น ตามความเข้าใจ บริษัทBlueDot ของแคนาดาได้พาดหัวข่าวเมื่อต้นปีนี้เมื่อตรวจพบการเกิดขึ้นของไวรัสที่ทำให้เกิด COVID-19 ก่อนที่องค์การอนามัยโลกจะประกาศการแพร่กระจาย

อย่างไรก็ตาม แบบจำลองทางระบาดวิทยาดูเหมือนจะมีจุดบอดร่วมกันเพียงจุดเดียว: พวกมันไม่ได้คำนึงถึงเรือรบ

เรือเป็นส่วนสำคัญในการแพร่กระจายของโรคระบาดครั้งใหญ่อย่างน้อยที่สุดนับตั้งแต่กาฬโรคทำลายล้างยุโรปในช่วงกลางศตวรรษที่ 14 สำหรับ COVID-19 สเปนพบผู้ป่วยรายแรกบนเรือข้ามฟากหมู่เกาะคานารี เรือต่างๆ ตั้งแต่เรือเดินสมุทรCoral Princess , Grand PrincessและRuby Princessไปจนถึงเรือบรรทุกเครื่องบิน USS Theodore Rooseveltล้วนเป็นเบ้าหลอมในการแพร่กระจายของโรคนี้

อย่างไรก็ตาม Katherine Hoffmann Pham ผู้สมัครระดับปริญญาเอกด้านระบบสารสนเทศที่ New York University Stern School of Business ซึ่งร่วมมือกับโครงการ Global Pulse ขององค์การสหประชาชาติกล่าวว่า การเคลื่อนไหวของเรือไม่ได้ถูกนำมาพิจารณาโดยแบบจำลองการแพร่กระจายของโรค

ซึ่งรวมถึงเรือที่ออกจากเมืองอู่ฮั่น ประเทศจีน บนแม่น้ำแยงซีและแม่น้ำฮั่น ซึ่งรวมถึงเรือมากกว่า 1,100 ลำในช่วงเวลาเพียงสองสัปดาห์ในเดือนมกราคม

ในเอกสารฉบับใหม่ ที่โพ สต์เมื่อเร็วๆ นี้ในเซิร์ฟเวอร์การพิมพ์ล่วงหน้า arXiv Hoffmann Pham และเพื่อนร่วมงานของเธอแสดงให้เห็นว่าข้อมูลระบบระบุอัตโนมัติ (AIS) จากเรือรบสามารถควบคุมได้เพื่อปรับปรุงแบบจำลองทางระบาดวิทยา

AIS เป็นโปรแกรมติดตามระดับโลกที่กฎหมายกำหนดให้เรือโดยสาร เรือระหว่างประเทศมากกว่า 270 ตัน และเรือบรรทุกสินค้ามากกว่า 450 ตันต้องมีส่วนร่วมตามกฎหมาย เรือกว่าครึ่งล้านลำมีเครื่องรับส่งสัญญาณบนเรือซึ่งออกอากาศข้อความเกี่ยวกับตำแหน่งของเรือ ความเร็ว หลักสูตร ปลายทาง และเวลามาถึงโดยประมาณ ตลอดจนข้อมูลคงที่ เช่น ชื่อเรือ ประเภท และขนาดของเรือ

ด้วยข้อความจำนวนมากที่ส่งมาในช่วงเวลาใดก็ตามจากเรือหลายแสนลำในทะเล นักวิทยาศาสตร์สามารถเข้าใจความเสี่ยงของโรคที่สลับซับซ้อนบนโลกใบนี้ได้ดีขึ้น

แม้ว่าเรือจะมีความสัมพันธ์ใกล้ชิดกับการระบาดใหญ่ครั้งประวัติศาสตร์ แต่ Hoffmann Pham กล่าวว่าพวกเขาถูกมองข้ามไป “ผู้คนมักไม่ค่อยมีแนวโน้มที่จะคิดว่านี่เป็นวิธีที่บางอย่างเช่น coronavirus สามารถแพร่กระจายได้” เธอกล่าว

ส่วนใหญ่ขึ้นอยู่กับการพึ่งพาข้อมูลการบินของภาคสนาม ซึ่งขัดขวางการจราจรทางทะเลด้วยเกือบ40 ล้านเที่ยวบินในปี 2019 อย่างไรก็ตาม เรื่องราวของเรือสำราญที่เป็นศูนย์กลางการติดเชื้อแบบลอยตัว อาจทำให้การใช้ข้อมูลของเรือดูเหมือนไม่ค่อยน่าสนใจนัก เธอกล่าว

อีกเหตุผลหนึ่งที่เรือถูกมองข้ามไป Enmei Tu นักวิจัยด้านแมชชีนเลิร์นนิงจาก Shanghai Jiao Tong University ในประเทศจีนกล่าว ก็คือข้อมูลของ AIS นั้นไม่สามารถเข้าใจได้ง่ายเหมือนกับข้อมูลการขนส่งอื่นๆ

“สำหรับเที่ยวบิน เรารู้จุดหมายปลายทางและจุดเริ่มต้น” Tu กล่าว “มันเป็นสัญชาตญาณ AIS เป็นเพียงลำดับของตัวเลข”

เขากล่าวว่าข้อมูลเที่ยวบินได้รับการปรับปรุงให้ดีขึ้นหลังจากใช้การวิจัยมาหลายปี อย่างไรก็ตาม บริษัทต่างๆ ที่ให้ข้อมูล AIS ต่างแบ่งปันข้อมูลที่แตกต่างกันเล็กน้อย บริษัทหนึ่งอาจรวมข้อความทั้งหมดหรือเพียงตัวอย่าง ข้อมูลในอดีตที่พวกเขารวมไว้นั้นแตกต่างกันมากน้อยเพียงใด ทำให้เปรียบเทียบข้อมูลจากผู้ให้บริการต่างๆ ได้ยาก Tu กล่าวว่าการสร้างชุดข้อมูลโอเพนซอร์สที่ได้มาตรฐานพร้อมคำแนะนำการใช้งานที่ชัดเจนจะช่วยให้ AIS เข้าถึงได้ง่ายขึ้น

Elaine Nsoesie นักระบาดวิทยาทางคอมพิวเตอร์และผู้ช่วยศาสตราจารย์ที่โรงเรียนสาธารณสุขมหาวิทยาลัยบอสตันในแมสซาชูเซตส์ มองว่าการคำนึงถึงเรือรบเป็นวิธีที่มีศักยภาพในการปรับปรุงแบบจำลอง “การมีข้อมูลนี้และการรวมเข้าด้วยกันสามารถให้ข้อมูลเชิงลึกและการสังเกตใหม่แก่เรา”

ฮอฟฟ์มันน์ ฟาม กล่าวโดยเฉพาะอย่างยิ่ง สำหรับประเทศที่เป็นเกาะหรือเมืองท่าที่มีผู้คนพลุกพล่าน ซึ่งมีความเสี่ยงสูงต่อโรคที่เกิดจากเรือ

Hoffmann Pham กล่าวว่าข้อมูล AIS เพียงอย่างเดียวไม่น่าจะเพียงพอที่จะทำนายการแพร่กระจายของโรค แต่การใช้ข้อมูลนี้ร่วมกับข้อมูลเที่ยวบินและข้อมูลอื่นๆ อาจช่วยให้ประเทศต่างๆ เตรียมพร้อมได้ดีขึ้น เธอกล่าวว่าพลังของข้อมูลจะชัดเจนยิ่งขึ้นหากผู้ที่สร้างแบบจำลองการระบาดใหญ่เริ่มพิจารณา

“หวังว่ามันจะอยู่ในใจหลังจากนี้” ฮอฟฟ์มันน์ ฟามกล่าว “เราหวังว่าเราจะสามารถปรับปรุงโมเดลเหล่านี้ด้วยข้อมูลที่ผู้คนไม่เคยดูมาก่อน”

หน้าแรก

Share

You may also like...

Leave a Reply

Your email address will not be published.