Mobilfunknetzdaten, eine effiziente Methode für

Mobilfunknetzdaten, eine effiziente Methode für

Spread the love

Bild: Abbildung 1. Risiko pa (oben) vs. Zensuskarte (unten)
Aussicht mehr

Anerkennung: Geben Sie den Autoren der Arbeit Anerkennung

Der Ausbruch der COVID-19-Pandemie im März 2020 zwang Regierungen auf der ganzen Welt, Maßnahmen zu ergreifen, um eine Ausbreitung in der Bevölkerung zu verhindern und damit die Zahl der Todesfälle durch das Virus zu reduzieren. Einige Monate später, als die Mobilitätsbeschränkungen und -beschränkungen schrittweise aufgehoben wurden, beschlossen die Staaten, Tracking-Apps auf den Markt zu bringen, die die Bürger auf ihre Handys herunterladen konnten, um herauszufinden, ob Kontakte in der Nähe mit COVID infiziert waren. Damit diese Apps jedoch wirklich effektiv sind, müssen sie von einer großen Anzahl von Personen auf ihren Geräten installiert werden, und sie beinhalten auch gewisse Datenschutzrisiken.

Jetzt hat ein Forschungsteam von IMDEA Networks unter der Leitung von Elisa Cabana (Postdoc-Forscherin) und Nikolaos Laoutaris (Forschungsprofessor) in Zusammenarbeit mit Andra Lutu (Teléfonica Research) und Enrique Frías-Martínez (Camilo José Cela University) eine Studie durchgeführt, in der Sie schlagen eine Methode vor, die Mobilfunknetzdaten verwendet, um mögliche Krankenhausaufenthalte aufgrund von COVID-19 zu erkennen und die entsprechenden Epidemie-Risikokarten zu erhalten. Das Paper „Improving epidemic risk maps using mobility information from mobile network data“ wird auf der ACM SIGSPATIAL Konferenz im November 2022 veröffentlicht.

Cabana erklärt, dass der Hauptvorteil der vorgeschlagenen Lösung darin besteht, dass im Gegensatz zur Kontaktverfolgung „die Daten bereits beim Betreiber verfügbar sind und der Fortschritt schneller ist. Sie müssen kein GPS aktiviert und keine Anwendung heruntergeladen haben.“ „Wenn Sie mobile Daten verbunden haben, verbindet sich Ihr Gerät mit einem Mobilfunkmast, der Ihren Standortradius identifiziert. Und so untersuchen Sie die räumlich-zeitliche Mobilität von Menschen“, fügt sie hinzu. Ein weiterer Pluspunkt ist, dass das Verfahren mit anonymisierten Daten arbeitet und beim Betreiber unter dessen üblichen Sicherheitsvorkehrungen betrieben werden kann.

Laut Laoutaris funktioniert die Methode wie folgt: „Wir überprüfen den Standort eines Telefons spät in der Nacht und wenn es nicht mit den üblichen Telefonmasten verbunden ist, mit denen es in der Zeit vor der Pandemie verbunden war, sehen wir, ob es verbunden war B. ein Turm in der Nähe eines Krankenhauses, das COVID-Patienten aufnimmt. Wenn dies der Fall ist, wird die Person, die das Mobiltelefon besitzt, als potenziell im Krankenhaus behandelt gekennzeichnet. Die Methode umfasst auch Filter, um falsch positive Ergebnisse zu eliminieren, z. B. Personen, die in der Nähe von Krankenhäusern leben oder in Krankenhäusern arbeiten.

Wie in ihrer Studie angegeben, können Mobilfunkdaten genutzt werden, um die Dynamik der städtischen Mobilität und ihre Auswirkungen auf die Ausbreitung ansteckender Krankheiten wie Cholera zu verstehen und auch das Risiko von Viren wie Dengue, Zika oder Malaria oder anderen vorherzusagen neue, die in der Zukunft entstehen können.

Das Team hat seine Methoden auf einen anonymisierten Datensatz von mehr als 2 Millionen Mobiltelefonen angewendet, die von einem Mobilfunkanbieter mit Sitz in London, Großbritannien, in den Monaten März und April 2020 gesammelt wurden. Sie sind zu dem Schluss gekommen, dass diese Methode eine Übereinstimmung von 98,6 % ergibt mit öffentlichen Aufzeichnungen von Patienten, die in Krankenhäusern des National Health Service (NHS) aufgenommen wurden.

Phasen des Datenerhebungsprozesses

In der ersten Phase beschreibt die Forschungsgruppe den Algorithmus zur Erkennung möglicher COVID-Krankenhausaufenthalte aus den Mobilfunknetzdaten sowie die beteiligten Parameter. Die zweite Phase besteht darin, diese Daten zu validieren, indem die von Londoner Krankenhäusern an den National Health Service gemeldeten Fälle überprüft und mit denen verglichen werden, die mit der vorgeschlagenen Methode erhalten wurden. Schließlich analysieren sie in der dritten Phase das Mobilitätsmuster jeder Person, die in den zwei Wochen vor ihrem Krankenhausaufenthalt als hospitalisiert erkannt wurde. Mit diesen Informationen erhalten sie dynamische und detaillierte Risikokarten, die sich im Laufe der Zeit ändern und so die Verbreitung, Entwicklung und Intensität der Krankheit genauer erfassen.

Im Vergleich zu zählungsbasierten Karten zeigen ihre Risikokarten, dass die Gebiete mit dem höchsten Risiko nicht unbedingt die am dichtesten besiedelten sind und sich von Tag zu Tag ändern können. Darüber hinaus haben sie beobachtet, dass Krankenhauspatienten tendenziell eine höhere durchschnittliche Mobilität aufweisen als Nicht-Krankenhauspatienten.

Elisa Cabana betont, dass das relevanteste Ergebnis ihrer Forschung gerade die Risikokarten sind, da sie nicht nur die visuelle Analyse der Entwicklung einer Epidemie ermöglichen, sondern auch für verschiedene Bereiche der Gesellschaft von großem Nutzen sein können. „Auf individueller Ebene ist es nützlich, jeden Bereich mit einer mehr oder weniger intensiven Farbe darzustellen, die je nach Risikomaß im Laufe der Zeit variieren kann, da dies den Menschen helfen kann, zu jeder Zeit und an jedem Ort zusätzliche Schutzmaßnahmen zu ergreifen. Für den Notfall Teams und Entscheidungsträgern würde es helfen, das Belastungsniveau im Gesundheitssystem sowie die Schwere und Intensität der Ausbreitung und die Vor- oder Nachteile bestimmter Entscheidungen (Verwendung von Masken, Quarantäne, Impfung) einzuschätzen räumlich-zeitliche Informationen, die aus Mobilfunknetzdaten extrahiert werden, und die Tools, die wir mit diesen Informationen entwickeln, können sowohl Einzelpersonen als auch den Strategien und wichtigen Entscheidungen zugute kommen, die gegen bestehende und zukünftige Epidemien entwickelt werden”, schließt sie.

E. Cabana, A. Lutu, E. Frias-Martinez, N. Laoutaris, „Verbesserung von Epidemie-Risikokarten unter Verwendung von Mobilitätsinformationen aus Mobilfunknetzdaten“, ACM SIGSPATIAL’22. (erweitertes Abstract, Vollversion unter SpatialEpi’22-Workshop).


Haftungsausschluss: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit der auf EurekAlert veröffentlichten Pressemitteilungen! durch beitragende Institutionen oder für die Verwendung von Informationen über das EurekAlert-System.

Leave a Comment

Your email address will not be published.