Các chiến lược tối ưu để ngăn chặn đại dịch COVID -19 dựa trên cách tiếp cận tính di động

Theo Ritabrata Dutta, Đại học Warwick, Vương quốc Anh và các đồng nghiệp trình bày trên tạp chí PLOS Computational Biology rằng “Một chiến lược mới để mô hình hóa sự lây lan của COVID-19 dựa trên sự kết hợp dữ liệu đi lại của người dân được thu thập từ điện thoại thông minh cho thấy tiềm năng lớn giúp hỗ trợ đưa ra các chính sách tối ưu trong việc ngăn chặn đại dịch COVID -19”.

Bằng chứng cho thấy việc hạn chế  đi lại của người dân trong cộng đồng có hiệu quả trong việc giảm thiểu sự lây lan của COVID-19. Tuy nhiên, việc hạn chế đi lại sẽ có chi phí kinh tế cao và trên thực tế, không phải người dân nào cũng tuân theo hướng dẫn của Chính phủ về việc hạn chế đi lại. Do đó, Dutta và các đồng nghiệp đề xuất một chiến lược tối ưu để hạn chế sự đi lại của người dân trong cộng đồng sẽ dựa trên sự cân bằng giữa việc kiểm soát đại dịch COVID-19 đang diễn ra và giảm thiểu chi phí kinh tế của việc hạn chế gây ra.

Để giúp định hướng có được một chiến lược như vậy, các nhà nghiên cứu đã thử nghiệm phát triển các mô hình toán học mới mô phỏng sự lây lan của COVID-19 ở Anh và Pháp. Các mô hình tập trung sử dụng phương pháp thống kê được gọi là thuật toán Bayes – trong mô hình kết hợp bộ dữ liệu sức khỏe cộng đồng và dữ liệu về những thay đổi trong việc đi lại của mọi người dân, như cách mà Google thu thập thông qua các thiết bị Android; những dữ liệu di động này đóng vai trò là thước đo hiệu quả của các chính sách hạn chế sự đi lại của người dân.

Sau khi các nhà nghiên cứu đã chứng minh các mô hình này có thể được áp dụng để xây dựng các chiến lược hạn chế đi lại tối ưu cho Anh và Pháp bằng cách sử dụng một kỹ thuật toán học được gọi là “kiểm soát tối ưu”. Họ đã chỉ ra rằng trong các chiến lược này có cách thức xử lý hạn chế đi lại hiệu quả giúp cho phép khai thông một số nơi công sở làm việc và trường học, đồng thời tính đến cả chi phí y tế công cộng và chi phí kinh tế. Các mô hình có thể được cập nhật theo thời gian thực và chúng có thể được điều chỉnh cho phù hợp với bất kỳ quốc gia nào có sẵn dữ liệu sức khỏe cộng đồng đáng tin cậy và tính di động của Google.

Dutta cho rằng: “Công việc của các nhà nghiên cứu là mở rộng cho sự kết hợp lớn hơn nữa giữa các mô hình dịch tễ học và dữ liệu trong thế giới thực tế, thông qua việc sử dụng siêu máy tính. Từ đó, xác định các chính sách công tốt nhất nhằm giảm thiểu tác động của đại dịch. “Trong một tương lai không xa, các nhà hoạch định chính sách có thể đưa ra các tiêu chí ưu tiên nhất định và một công cụ tính toán, với việc sử dụng rộng rãi các bộ dữ liệu khác nhau, có thể xác định hướng xử lý tốt nhất.”

Tiếp theo, các nhà nghiên cứu có kế hoạch nâng cao độ chính xác của các mô hình ở cấp độ quốc gia và để hoạt động ở quy mô nhỏ hơn như cấp tỉnh, cấp huyện. Ngoài ra việc “Việc tích hợp dữ liệu lớn, mô hình dịch tễ học và siêu máy tính có thể giúp chúng ta có một chiến lược tối ưu hạn chế đi lại của người dân trong thời gian thực, đồng thời cân bằng cả sức khỏe cộng đồng và chi phí kinh tế.

Công Hoan (lược dịch)

Nguồn: https://www.sciencedaily.com/releases/2021/08/210812145057.htm