Model penularan SARS-CoV-2 menunjukkan bahwa sejumlah kecil jenis tempat, seperti restoran, hotel, dan tempat keagamaan, merupakan penyebab utama penularan. Model tersebut juga membantu menjelaskan mengapa infeksi secara tidak proporsional memengaruhi orang yang tinggal di daerah tertinggal.

image 232 - COVID-19: Data Ponsel Mengungkap Tempat-Tempat 'Penyebar Luas'
Image credit: vgajic/Getty Images

Hampir setahun sejak dimulainya pandemi COVID-19 di Wuhan, Cina, masih ada ketidakpastian yang cukup besar tentang cara teraman untuk memulihkan kehidupan ekonomi dan sosial ke sesuatu yang menyerupai normalitas.

Menurut pencipta model baru di Stanford University, CA, dan Northwestern University di Chicago, IL, model tersebut menyediakan alat untuk mengidentifikasi tempat berisiko tinggi dan menguji jalur alternatif dari penguncian.

Ilmuwan komputer dan peneliti medis berkolaborasi dalam model tersebut, yang menggunakan data lokasi anonim dari jaringan telepon seluler untuk mengungkap pergerakan 98 juta orang di Amerika Serikat antara 1 Maret dan 2 Mei 2020.

Tim memodelkan jumlah infeksi yang terjadi jam demi jam di sekitar 553.000 tempat, yang mereka kelompokkan menjadi 20 kategori berdasarkan penggunaan. Mereka juga memperhitungkan ruang lantai di setiap tempat.

Simulasi mereka secara akurat memprediksi infeksi yang dikonfirmasi setiap hari di 10 wilayah metropolitan terbesar, termasuk Chicago, New York City, dan San Francisco.

Model tersebut menunjukkan bahwa membuka kembali gym, restoran dengan layanan lengkap, kafe, hotel, dan tempat-tempat keagamaan menyebabkan lonjakan infeksi terbesar, karena kepadatan orang yang tinggi dan lama mereka tinggal.

Jumlah yang relatif kecil dari tempat “penyebar luas” ini menyebabkan sebagian besar infeksi baru, menurut model.

Misalnya, model tersebut menemukan bahwa 10% dari semua tempat di wilayah metropolitan Chicago menyumbang 85% dari semua infeksi.

Membatasi jumlah pengunjung

Sisi baiknya, model tersebut menunjukkan bahwa membatasi jumlah orang yang diizinkan masuk ke tempat acara pada satu waktu lebih efektif dan tidak terlalu mengganggu daripada mengurangi kebebasan bergerak setiap orang secara seragam.

Misalnya, model tersebut memperkirakan bahwa membatasi hunian tempat hingga 20% dari kapasitas maksimumnya mengurangi infeksi baru hingga lebih dari 80%.

Karena orang cenderung merespons dengan menyebarkan kunjungan mereka lebih sedikit sepanjang hari, namun, ukuran tersebut mengurangi jumlah total kunjungan sebesar 42% yang relatif sederhana.

“Orang dapat mencapai pengurangan infeksi yang besar secara tidak proporsional dengan sedikit pengurangan kunjungan,” tulis para peneliti dalam makalah mereka yang menjelaskan model tersebut, yang muncul di jurnal Nature .  Intervensi yang tepat seperti ini mungkin lebih efektif daripada langkah-langkah yang kurang bertarget sambil menimbulkan biaya ekonomi yang jauh lebih rendah.”

“Pekerjaan kami menyoroti bahwa tidak harus semuanya atau tidak sama sekali,” kata penulis senior Jure Leskovec dari Universitas Stanford pada konferensi pers yang diadakan untuk mengumumkan temuan tersebut.

Dia menambahkan, “Kami dapat memilih tingkat yang berbeda untuk berbagai jenis tempat, dan model kami menyediakan alat bagi pembuat kebijakan untuk pada dasarnya menavigasi pertukaran ini dan membuat keputusan yang tepat untuk mereka.”

Kelompok yang kurang beruntung

Model tersebut secara akurat memprediksi tingkat infeksi yang lebih tinggi pada kelompok yang kurang beruntung secara ras dan sosial ekonomi.

Individu dalam kelompok ini diketahui mengurangi tingkat mobilitas mereka selama penguncian, mungkin karena bekerja di layanan penting.

Model tersebut juga menunjukkan bahwa tingkat infeksi yang tinggi di daerah tertinggal didorong oleh beberapa kategori tempat, seperti restoran dengan layanan lengkap.

Dibandingkan dengan area yang lebih makmur, lokasi cenderung lebih kecil, sehingga kepadatan pelanggan lebih tinggi. Selain itu, orang yang bepergian ke tempat-tempat ini cenderung tinggal lebih lama.

Misalnya, toko grosir di daerah berpenghasilan rendah memiliki 59% lebih banyak orang per kaki persegi dibandingkan di daerah berpenghasilan tinggi, dan pelanggan mereka rata-rata tinggal 17% lebih lama.

Akibatnya, kata Leskovec, model tersebut menemukan bahwa risiko infeksi pada individu berpenghasilan rendah yang mengunjungi toko grosir kira-kira dua kali lebih tinggi dibandingkan dengan individu berpenghasilan tinggi.

Data ponsel

Para peneliti mengambil data dari sebuah perusahaan bernama SafeGraph , yang mengumpulkan data telepon seluler anonim.

Mereka menggunakan data ini untuk memetakan pergerakan per jam dari 98 juta orang dari 57.000 lingkungan – yang mereka sebut “kelompok blok sensus,” atau CBG – ke 553.000 tempat terpisah – yang mereka sebut “tempat menarik,” atau POI.

Model infeksi standar mereka, yang dikenal sebagai model SEIR, memprediksi bagaimana orang berpindah antara empat kategori – rentan terhadap infeksi, terpapar infeksi, menular, dan dikeluarkan (pulih, mengisolasi diri, atau meninggal) – di setiap lingkungan dan tempat.

Yang penting, data SafeGraph tidak hanya mengungkap lokasi pengguna ponsel tetapi juga ruang lantai tempat yang mereka kunjungi dan tujuannya, seperti tempat ibadah atau toko bahan makanan.

Para peneliti “menyempurnakan” model mereka dengan menggunakan tingkat infeksi dan kematian lokal yang diterbitkan The New York Times secara online.

Akhirnya, mereka memastikan bahwa model tersebut berpotensi digunakan untuk memprediksi tingkat infeksi dan kematian di masa depan.

Sekelompok orang hilang

Dr. Julian Tang , ahli virologi klinis di University of Leicester di Inggris Raya, yang tidak terlibat dalam penelitian ini, menyambut baik penelitian tersebut tetapi memperingatkan bahwa temuannya mungkin tidak dapat diterapkan secara universal.

“Penggunaan data dan pemodelan ponsel adalah alat yang ampuh untuk membantu kami memahami bagaimana virus menyebar, tetapi kami perlu berhati-hati tentang penafsiran karena apa yang mungkin berlaku dalam satu populasi mungkin tidak berlaku di tempat lain,” katanya.

Dalam artikel komentar yang menyertai makalah tersebut, Kevin C. Ma dan Marc Lipsitch dari Harvard TH Chan School of Public Health di Boston, MA, menunjukkan bahwa model tersebut tidak memperhitungkan infeksi di antara anak-anak, orang dewasa yang lebih tua, dan mereka yang berada di penjara.

Mereka menulis:

“Pengujian model lebih lanjut diperlukan, tetapi mengingat tantangan dalam mengumpulkan dan menafsirkan jenis data relevan lainnya, temuan ini dapat memiliki peran berharga dalam memandu keputusan kebijakan tentang bagaimana membuka kembali masyarakat dengan aman dan meminimalkan bahaya yang disebabkan oleh pembatasan pergerakan.”

Sumber:

Medical News Today

LEAVE A REPLY

Please enter your comment!
Please enter your name here