Les chercheurs utilisent les données des appareils mobiles pour prédire les épidémies de COVID-19

Des chercheurs de la Yale School of Public Health ont pu prédire avec précision les épidémies de COVID-19 dans les municipalités du Connecticut en utilisant des informations de localisation anonymes provenant d’appareils mobiles, selon une nouvelle étude publiée dans Science Advances.

La nouvelle analyse des données appliquée dans l’étude pourrait aider les responsables de la santé à endiguer les épidémies communautaires de COVID-19 à l’avenir et à allouer les ressources de test plus efficacement, ont déclaré les chercheurs.

La recherche était un effort de collaboration impliquant des scientifiques des données et des épidémiologistes de YSPH, du département de la santé publique du Connecticut, des Centers for Disease Control and Prevention des États-Unis et de Whitespace Ltd., une société d’analyse de données spatiales.

La clé des résultats était la précision avec laquelle les chercheurs ont pu identifier les incidents de contacts personnels étroits à haute fréquence (définis comme un rayon de 6 pieds) dans le Connecticut jusqu’au niveau municipal. Le CDC conseille aux gens de garder au moins six pieds de distance avec les autres pour éviter une éventuelle transmission de COVID-19.

Le contact étroit entre les personnes est la principale voie de transmission du SRAS-CoV-2, le virus qui cause le COVID-19, a déclaré l’auteur principal des études, Forrest Crawford, professeur agrégé de biostatistique à l’YSPH et professeur agrégé d’écologie et de biologie évolutive. , gestion, statistiques et science des données à Yale.

Nous avons mesuré les contacts interpersonnels étroits dans un rayon de 6 pieds partout dans le Connecticut en utilisant les données de géolocalisation des appareils mobiles au cours d’une année entière, a déclaré Crawford. Cet effort a donné aux épidémiologistes et aux décideurs du Connecticut un aperçu du comportement de distanciation sociale des gens dans tout l’État.

D’autres études ont utilisé des mesures dites de mobilité comme mesures indirectes du comportement de distanciation sociale et de la transmission potentielle du COVID-19. Mais une telle analyse peut être erronée.

Les mesures de mobilité mesurent souvent la distance parcourue ou le temps passé loin d’un lieu, comme votre domicile, a expliqué Crawford. Mais nous savons tous qu’il est possible de se déplacer beaucoup sans se rapprocher des autres. Les mesures de mobilité ne sont donc pas un bon indicateur du risque de transmission. Nous pensons qu’un contact étroit prédit mieux les infections et les épidémies locales.

Les résultats sont basés sur un examen des données de géolocalisation des appareils mobiles du Connecticut de février 2020 à janvier 2021. Toutes les données ont été anonymisées et agrégées, et aucune information personnellement identifiable n’a été collectée. Les données ont été recueillies dans le cadre d’un accord contractuel entre Whitespace Ltd. et le Département de la santé publique du Connecticut. Crawford et l’équipe de YSPH ont fourni un soutien analytique dans le cadre d’un contrat distinct avec l’agence d’État.

Un nouvel algorithme a calculé la probabilité d’événements de contact étroit à travers l’État (les moments où les appareils mobiles étaient à moins de six pieds les uns des autres) sur la base des données de géolocalisation. Ces informations ont ensuite été incorporées dans un modèle de transmission COVID-19 standard pour prédire les niveaux de cas de COVID-19 non seulement dans le Connecticut, mais dans les villes individuelles du Connecticut, les secteurs de recensement et les groupes d’îlots de recensement.

Les chercheurs ont déclaré avoir prédit avec succès une première vague de cas de COVID-19 dans le Connecticut de mars à avril 2020, une baisse des cas à l’échelle de l’État de juin à août et des épidémies localisées dans certaines villes du Connecticut en août et septembre.

De nombreux responsables de la santé s’appuient actuellement sur des données de surveillance générales telles que le nombre de cas confirmés, d’hospitalisations et de décès pour suivre la propagation du COVID-19. Mais ce processus peut retarder la transmission réelle de la maladie de plusieurs jours et semaines. Les taux de contacts personnels étroits fournissent des résultats plus rapides, ont déclaré les chercheurs.

Le taux de contact que nous avons développé dans cette étude peut révéler des conditions de contact élevé susceptibles de générer des épidémies locales et des zones où les résidents sont à haut risque de transmission des jours ou des semaines avant que les cas résultants ne soient détectés par des tests, des enquêtes de cas traditionnelles et la recherche des contacts, a déclaré Crawford.

Il a loué l’approche analytique utilisée dans l’étude.

Les statisticiens analysent souvent des données imparfaites recueillies dans des circonstances moins qu’idéales, a déclaré Crawford. Dans ce projet, nous avons pu définir clairement ce que nous voulions mesurer, mettre en œuvre un projet à grande échelle pour collecter les données, les analyser pour obtenir des informations épidémiologiques, puis fournir ces informations aux décideurs politiques.

La recherche est un excellent exemple de la manière dont les universités, le secteur privé et les décideurs gouvernementaux peuvent travailler en étroite collaboration pour atteindre un objectif commun, a-t-il déclaré.

Les auteurs qui ont contribué à l’étude étaient : le professeur agrégé de biostatistique de l’YSPH, Joshua Warren, Ph.D ; Professeur clinique agrégé à l’YSPH, Dr Matthew Cartter, MD, MPH, épidémiologiste d’État pour le département de la santé publique du Connecticut ; Sydney Jones, Ph.D., du service de renseignement sur les épidémies du CDC et de la section des maladies infectieuses du département de la santé du Connecticut ; Professeur adjoint Zehang Richard Li, Ph.D., de l’Université de Californie à Santa Cruz (ancien postdoctorant au département de biostatistique de l’YSPH) et actuel doctorat en biostatistique de l’YSPH. l’étudiante Samantha Dean.

Les membres de l’équipe de Whitespace Ltd. répertoriés comme co-auteurs de l’étude étaient : Jacqueline Barbieri, PDG de Whitespace ; Jared Campbell, Patrick Kenney et Thomas Valleau. La professeure adjointe Olga Morozova, Ph.D., du programme de santé publique et du département de médecine familiale, de la population et préventive de l’Université Stony Brook est l’auteur principal. Morozova est un ancien Ph.D. étudiant à l’YSPH et ancien postdoc au département de biostatistique de l’YSPH.