COVIDTECH и POLYMATICA

Интерактивная карта российских практик в области COVID-Tech составлена на основе кейсов применения технологий в борьбе с пандемией. Текущая версия карты (1.2) включает 94 кейса, о которых сообщали СМИ.

Кейсы разделены на шесть категорий, Polymatica входит в раздел “Платформы данных”:

• диагностика COVID-19 и скрининги (16 кейсов);
• поиск препаратов (2);
• платформы данных, аналитика, базы знаний (17);
• контроль распространения и социального дистанцирования (37);
• информационная поддержка (16);
• умное оборудование и роботы (6).

Текущая версия карты здесь.

Polymatica — платформа для работы с данными, предоставляющая возможность создавать различные срезы в режиме реального времени.

Во время пандемии мы участвовали в нескольких проектах:
1. Анализ данных на основе открытых источников

Стандартные подход к освещению ситуации и отсутствие сравнения регионов между собой побудило нас предоставить возможность всем желающим посмотреть на то, как развивается ситуация. Для этого мы подготовили датасет и серию роликов.

Какой анализ открытых данных по коронавирусу делали в Polymatica:

• Анализ трендов заболеваемости по регионам;
• Анализ влияния разных факторов на заболеваемость (использовались методы кластеризации);
• Анализ влияния введенных ограничительных мер на динамику заболеваемости;
• Анализ влияния активности перемещения граждан (по данным Яндекса ) на динамику заболеваемости;
• Анализ влияния погодных факторов на динамику заболеваемости.

Читайте подробнее

2. Подготовка операционных панелей для органов государственного власти

Технологические преимущества позволили выступить Polymatica в качестве ядра для расчётов данных по всем направлениям и отраслям РФ, а результаты выводить на специально созданные дашборды, размещенные на портале, посвященном COVID-19. Оперативное реагирование на ситуацию требовало создание простых, информативных панелей и своевременное обновление информации. Для взаимодействия дашбордов с Polymatica как с источником данных использовалась бета-версия библиотеки Python.

3. Прогнозирование развития ситуации

На первом этапе в основном это был статистический анализ с целью предсказать характер изменений. Данные содержали в себе небольшое количество параметров: сведения о новых выявленных случаях заболеваний и смертях. Но в условиях отсутствия дополнительных сведений о предпринимаемых мерах, направленных на снижение динамики заболеваемости, и о текущей максимально допустимой нагрузке на систему здравоохранения, прогноз обладал низкой достоверностью.

На втором этапе стало появляться гораздо больше интересных данных:

• сведения о внедренных государствами разных стран мерах по сдерживанию роста заболеваемости;
• возраст заболевших;
• факты выздоровления и смерти;
• перемещения людей (как миграционных потоков, так и перемещения внутри городов, отслеживаемые по вышкам сотовой связи и по приложениям для навигации).

Это позволило проследить влияние всех перечисленных выше факторов на рост заболеваемости и фактически выполнило роль обратной связи — дало понять какие меры в наибольшей степени коррелируют с ростом заболеваемости.

Будем рады предложениям и идеям по сотрудничеству в рамках CovidTech!