ترجمه فارسی مقاله تولید جمعیت مصنوعی با ویژگی های بهداشت عمومی برای مدل های مبتنی بر عامل فضایی

چکیده

Agent-based models (ABMs) simulate the behaviors, interactions, and disease transmission between individual “agents” within their environment, enabling the investigation of the underlying processes driving disease dynamics and how these processes may be influenced by policy interventions. Despite the critical role that characteristics such as health attitudes and vaccination status play in disease outcomes, the initialization of agent populations with these variables is often oversimplified, overlooking statistical relationships between attitudes and other characteristics or lacking spatial heterogeneity. Leveraging population synthesis methods to create populations with realistic health attitudes and protective behaviors for spatial ABMs has yet to be fully explored. Therefore, this study introduces a novel application for generating synthetic populations with protective behaviors and associated attitudes using public health surveys instead of traditional individual-level survey datasets from the census. We test our approach using two different public health surveys (one national and the other representative of the study area, Virginia, U.S.) to create two synthetic populations representing individuals aged 18 and over in Virginia, U.S., and their COVID-19 vaccine attitudes and uptake as of December 2021. Results show that integrating public health surveys into synthetic population generation processes preserves the statistical relationships between vaccine uptake and attitudes in different demographic groups while capturing spatial heterogeneity at fine scales. This approach can support disease simulations that aim to explore how real populations might respond to interventions and how these responses may lead to demographic or geographic health disparities. Our study also demonstrates the potential for initializing agents with variables relevant to public health domains that extend beyond infectious diseases, ultimately advancing data-driven ABMs for geographically targeted decision-making.

چکیده به فارسی (ترجمه ماشینی)

مدل های مبتنی بر عامل (ABMS) رفتارها ، تعامل ها و انتقال بیماری بین “عوامل” فردی را در محیط خود شبیه سازی می کنند و این امکان را فراهم می کنند که بررسی فرآیندهای اساسی را که باعث پویایی بیماری می شود و اینکه چگونه این فرایندها تحت تأثیر مداخلات سیاست قرار می گیرند.علیرغم نقش مهمی که خصوصیاتی از قبیل نگرشهای بهداشتی و وضعیت واکسیناسیون در نتایج بیماری ایفا می کند ، اولیه سازی جمعیت عامل با این متغیرها اغلب بیش از حد ساده است ، و مشرف به روابط آماری بین نگرش ها و سایر خصوصیات یا فاقد ناهمگونی فضایی است.استفاده از روشهای سنتز جمعیت برای ایجاد جمعیت با نگرشهای سلامت واقع بینانه و رفتارهای محافظتی برای ABM های مکانی هنوز به طور کامل مورد بررسی قرار نگرفته است.بنابراین ، این مطالعه یک کاربرد جدید برای تولید جمعیت مصنوعی با رفتارهای محافظتی و نگرش های مرتبط با استفاده از نظرسنجی های بهداشت عمومی به جای مجموعه داده های نظرسنجی سنتی در سطح فردی از سرشماری ارائه می دهد.ما رویکرد خود را با استفاده از دو نظرسنجی مختلف بهداشت عمومی (یک نماینده ملی و دیگر منطقه مورد مطالعه ، ویرجینیا ، ایالات متحده) آزمایش می کنیم تا دو جمعیت مصنوعی را به نمایندگی از افراد 18 ساله و بالاتر در ویرجینیا ، ایالات متحده و نگرش واکسن Covid-19 و آنها ایجاد کنیم.جذب از دسامبر 2021. نتایج نشان می دهد که ادغام نظرسنجی های بهداشت عمومی در فرآیندهای تولید جمعیت مصنوعی ، روابط آماری بین جذب واکسن و نگرش در گروه های مختلف جمعیتی را حفظ می کند در حالی که ناهمگونی مکانی در مقیاس های خوب را ضبط می کند.این رویکرد می تواند از شبیه سازی های بیماری پشتیبانی کند که هدف آن کشف چگونگی پاسخ جمعیت واقعی به مداخلات و چگونگی این پاسخ ها ممکن است منجر به نابرابری های بهداشتی جمعیتی یا جغرافیایی شود.مطالعه ما همچنین پتانسیل اولیه سازی عوامل با متغیرهای مربوط به حوزه های بهداشت عمومی را نشان می دهد که فراتر از بیماری های عفونی است ، در نهایت ABM های مبتنی بر داده را برای تصمیم گیری هدفمند جغرافیایی پیش می برد.