„Cornell“ tyrėjai sukūrė kompiuterinį modelį, kuris gali padėti gaminti ūkius ir maisto perdirbimo įrenginius kontroliuoti Covid-19 protrūkius, užtikrinti darbuotojus saugius ir maisto grandinę.
Naudojant maisto pramonės „Covid-19“ valdymo įrankį („Fase COV Control“), vartotojų įvestos detalės, tokios kaip darbo aplinka, skaičius, amžius, infekcija ir skiepijimo istorija, darbuotojų artumas ir gyvenimo sąlygos, kad būtų galima modeliuoti, kaip protrūkis galėtų plisti. Tada jie gali palyginti intervencijos strategijų veiksmingumą ir sąnaudas, tokias kaip bandymai, vakcinacija ir fizinis nutolimas.
„Jei ši kita pandemija yra kvėpavimo takų liga, mes galime palyginti lengvai pritaikyti modelį su juo“, – sakė Renata Ivanek, Gyventojų medicinos ir diagnostikos mokslų profesorė Veterinarinės medicinos koledže, kurios laboratorija vadovavo įrankio vystymuisi. „Jei tai šiek tiek kitokia liga, tai užtruks šiek tiek daugiau darbo, tačiau visa tai jau sukurta ši sistema yra didžiulė pagalba.”
Jie paskelbė savo išvadas „Agentams pagrįstas Covidid-19 modelis maisto pramonėje, siekiant įvertinti visuomenės sveikatą ir ekonominį poveikį infekcijų kontrolės strategijoms„ IN “,„ IN “. Mokslinės ataskaitos.
Testavime įrankis atskleidė intervencijų, kurios galėtų būti naudojamos informuojant geriausią praktiką ir politiką, veiksmingumo modelius. Pavyzdžiui, jie nustatė, kad nedažni bandymai buvo brangūs ir nesugebėjo sustabdyti protrūkio.
„Jūs arba jūs tai darote tikrai gerai, kaip labai išsami ir labai dažna, arba visai ne“, – teigė Ivanekas.
Dažni bandymai ir izoliacija reiškė daugiau darbo valandų, prarastų protrūkio pradžioje, tačiau ji baigėsi greičiau. Tačiau jei įmonė nepatikrina pakankamai dažnai, ji vis tiek patiria išlaidas, nesikišant į protrūkį.
Jie taip pat nustatė, kad vakcinacija yra veiksminga tik tada, kai naudojamas prieš pradedant protrūkį, prieš prasidedant protrūkiui. Jie nustatė, kad fizinis nutolimas, veido dangos ir ventiliacijos patobulinimai buvo veiksmingos intervencijos.
Norėdami suprojektuoti modelį, komanda daugiausia dėmesio skyrė produktų, mėsos ir pieno perdirbimo įrenginiams bei vaisių ir daržovių augintojams. Jie apgyvendino įrankį iš mokslinių tyrimų, nacionalinių duomenų bazių apie darbo jėgos charakteristikas ir duomenis apie skiepijimo ir infekcijų procentus iš JAV Ligų kontrolės ir prevencijos centrų (CDC).
Jie įvedė detales apie realaus gyvenimo „Covid-19“ protrūkius per penkias maisto operacijas, kad patvirtintų modelio našumą, ir nustatė, kad įrankio prognozės atitinka realius rezultatus su didele tikimybe.
Šis modelis gali generuoti tūkstančius palyginamų protrūkio modeliavimo, sukurdamas „sintetinius“ duomenis, kurie gali padėti maisto operacijoms priimti įrodymais pagrįstus sprendimus. „Labai pavojinga priimti sprendimus remiantis anekdotinėmis atskirų operacijų pranešimais“, – teigė Ivanekas.
Pandemijos metu komanda padarė paprastesnę „Find COV Control“ versiją, skirtą naudoti maisto operacijoms. Straipsnyje išsami versija yra sudėtingesnė ir atspindi duomenų pokyčius laikui bėgant.
„Literatūra vis augo, kai prasidėjo protrūkis“, – teigė Ivanekas. „Tai iš tikrųjų buvo viena iš didelių kliūčių, nes mes turėtume modelį tam tikroje padorioje būsenoje. Tada atsiras nauja informacija ir mes turėtume ją išplėsti.”
Naujausia versija reikalauja, kad ją paleistų keletas žinių, tačiau „pramonė gali ją paimti ir padaryti ją komercine“,-teigė Ivanekas. Jis taip pat galėtų būti modifikuotas remti kitas esmines pramonės šakas.