รุ่นใหม่แสดงให้เห็นว่าร้านอาหารเป็น “จุดร้อน” ใน Covid-19. ในเมืองต่างๆทั่วโลก, การระบาดของไวรัสมักเกิดขึ้นในพื้นที่แออัดเช่นร้านอาหาร, ร้านกาแฟและโรงยิม. ตอนนี้, แผนที่กิจกรรมของฝูงชนวาดโดยข้อมูลโทรศัพท์มือถือแสดงให้เห็นว่าการติดเชื้อ COVID-19 ส่วนใหญ่ในเมืองอเมริกันอาจเกี่ยวข้องกับสถานที่เหล่านี้. รุ่นใหม่นี้, ตีพิมพ์ใน Nature เมื่อวันที่ 10 พฤศจิกายน, นอกจากนี้ยังพบว่าการลดอัตราการเข้าพักของสถานที่สามารถลดจำนวนผู้ติดเชื้อได้อย่างมีนัยสำคัญ.
เพื่อทำนายว่ากิจกรรมของผู้คนมีผลต่อการแพร่เชื้อไวรัสอย่างไร, ทีมวิจัยป้อนข้อมูลตำแหน่งที่ไม่ระบุชื่อจากแอปพลิเคชันโทรศัพท์มือถือไปยังรูปแบบทางระบาดวิทยาอย่างง่ายที่สามารถประเมินความเร็วของการแพร่กระจายของโรค. ข้อมูลตำแหน่งจะถูกรวบรวมโดย บริษัท Safegraph ในเดนเวอร์, โคโลราโด, และข้อมูลเหล่านี้มาจากชิคาโก, นิวยอร์ก, ฟิลาเดลเฟียและอื่น ๆ 10 เมืองใหญ่ที่สุดในสหรัฐอเมริกา. ข้อมูลแสดงแผนที่ของผู้อยู่อาศัยในเมืองข้างต้นที่เข้าและออกจาก 57,000 บล็อกไปยังร้านอาหาร, คริสตจักร, โรงยิม, โรงแรม, ร้านค้ารถยนต์และร้านขายสินค้ากีฬาในสองเดือนตั้งแต่เดือนมีนาคม.
เมื่อทีมวิจัยเปรียบเทียบจำนวนผู้ติดเชื้อที่คาดการณ์ไว้ในเขตที่อยู่อาศัยในชิคาโกตั้งแต่เดือนมีนาคม 8 ถึงเมษายน 15 ด้วยจำนวนผู้ติดเชื้อที่บันทึกไว้อย่างเป็นทางการในชุมชนเหล่านี้หนึ่งเดือนต่อมา, พวกเขาพบว่าแบบจำลองคาดการณ์จำนวนกรณีที่ได้รับการยืนยันอย่างถูกต้อง. “เราสามารถประเมินเครือข่ายผู้ติดต่อได้อย่างถูกต้องระหว่าง 100 ล้านคนทุกชั่วโมง” Jure Leskovec, สมาชิกของทีมวิจัย, พูดว่า.
ในขณะนั้น, ทีมวิจัยใช้แบบจำลองเพื่อจำลองสถานการณ์ที่แตกต่างกัน, เช่นเปิดสถานที่บางแห่งในขณะที่ปิดสถานที่อื่น ๆ. พวกเขาพบว่าจำนวนผู้ติดเชื้อเพิ่มขึ้นมากที่สุดเมื่อเปิดร้านอาหาร, ตามด้วยโรงยิม, ร้านกาแฟ, โรงแรมและโมเต็ล. หากเปิดสถานที่ทั้งหมดข้างต้น, แบบจำลองทำนายว่าจะมี 3.3 ผู้ติดเชื้อใหม่ล้านราย. อย่างไรก็ตาม, หากอัตราการครอบครองพื้นที่ของสถานที่ข้างต้น จำกัด อยู่ที่ 30%, จำนวนผู้ติดเชื้อใหม่สามารถลดลงได้ 1.1 ล้าน; หากอัตราการเข้าพัก 20%, กรณีการติดเชื้อใหม่จะลดลงมากกว่า 80% เกี่ยวกับ 650,000 กรณี. Christopher Dye, นักระบาดวิทยาที่ Oxford University ในอังกฤษ, กล่าวว่ารูปแบบการไหลจะต้องได้รับการตรวจสอบด้วยข้อมูลจริง. “นี่คือสมมติฐานทางระบาดวิทยาที่จะตรวจสอบ. แต่นี่เป็นสมมติฐานที่คุ้มค่าอย่างไม่ต้องสงสัย. ”

การสุ่มตัวอย่างและการทดสอบ SWAB