علیرغم چندین دهه پیشرفت در کاهش بار بسیاری از بیماری های واگیر، چنین پاتوژن هایی به طور نگران کننده ای رایج هستند. در برخی موارد، چنین پاتوژن‌هایی احیا می‌شوند، مانند کاهش نرخ واکسیناسیون، افزایش مقاومت ضد میکروبی، و عفونت‌های در حال ظهور ناشی از اختلال در اکوسیستم و قرار گرفتن در معرض در روابط بین حیوان و انسان. علیرغم اهمیت حیاتی پیشگیری و کنترل موثر بیماری‌های واگیر برای پیشبرد سلامت انسان، مطالعه اپیدمیولوژی زمینه‌ای و نتایج مداخلات زمانی که با مکانیسم‌های جمع‌آوری داده‌های سنتی دنبال می‌شود، چالش‌های عمده‌ای را ایجاد می‌کند. به عنوان مثال، در حالی که شبکه های تماس (و مدت زمان تماس مرتبط) به طور گسترده به عنوان عوامل مهم در گسترش بیماری های واگیر شناخته می شوند، اندازه گیری موثر ساختار و ویژگی های چنین شبکه هایی و پویایی آنها با استفاده از ابزارهای سنتی بسیار دشوار است و اغلب به شدت سنگین و همراه با خطا است. به طور مشابه، در حالی که دانش موقعیت مکانی و الگوهای تحرک یک فرد به عنوان یک پروکسی مهم برای داده های شبکه تماس مستقیم شناخته شده است (و می تواند برای درک اثرات مخازن پاتوژن از اهمیت مرکزی برخوردار باشد)، گزارش خود حتی از الگوهای مکان ناهموار ، مانند آن برای مخاطبین شبکه، اغلب بسیار نادرست است.

اغلب شیوع بیماری‌های واگیر به روش‌های مهمی با تکامل درک خطر، تغییر در نگرش نسبت به واکسیناسیون، تغییر در الگوهای تماس و تحرک به دلیل فاصله‌گذاری اجتماعی، یا تغییر در شیوه‌های بهداشتی شکل می‌گیرد. اندازه گیری به موقع و مداوم چنین تغییراتی در ادراک و رفتار معمولاً با استفاده از ابزار معمولی دشوار است. برای بسیاری از عفونت ها، به دلیل عدم تماس با سیستم مراقبت های بهداشتی، درک اندازه و ویژگی های مخزن ناقلین تحت بالینی و عفونی چالش برانگیز است. در زمینه بسیاری از بیماری های واگیر (و برخی تحت بالینی)، حتی درک تغییرات مشاهده شده در شمارش موارد حادثه می تواند چالش برانگیز باشد. برای مثال، افزایش تعداد بیماری‌های گزارش‌شده در یک دوره معین می‌تواند نشان‌دهنده بروز بالاتر عفونت زمینه‌ای در جمعیت باشد، اما در عوض می‌تواند نشان‌دهنده افزایش مراقبت‌جویی توسط افراد باشد (برای مثال، احتمالاً با افزایش درک خطر تحریک می‌شود).

به طور معمول یکی از مهمترین انگیزه ها برای مطالعه پاتوژن های قابل انتقال، تمایل به ایجاد تلاش های مؤثرتر برای کنترل یا جلوگیری از گسترش چنین عوامل بیماری زا است. هنگام در نظر گرفتن روش‌های جمع‌آوری اپیدمیولوژیک سنتی، مجموعه نهایی چالش‌هایی که در اینجا ذکر شد حول درک تأثیر چنین مداخلاتی می‌چرخند. هنگامی که مداخلات طراحی شده برای کاهش بروز موفقیت آمیز نیستند، اغلب نیاز به درک اینکه چرا مداخله به وعده خود عمل نکرده است احساس می شود: آیا این مداخله به دلیل شکست در تغییر مسیرهای علّی هدفمند بوده است، یا به دلیل اثرات جبرانی در سایر مسیرها. به عنوان مثال، اگر پس از یک کمپین مداخله ای واکنش به شیوع، کاهشی در تعداد موارد حادثه در جمعیت هدف مشاهده نشود، میل طبیعی برای درک اینکه آیا سطوح افزایش یافته واکسن نتوانسته است چنین کاهشی را به دلیل افزایش سطح مراقبت، افزایش دهد، وجود دارد. نرخ تماس، کاهش اقدامات بهداشتی (به طور بالقوه ناشی از درک خطر کمتر)، یا عوامل دیگر. هنگامی که مداخلات گسترده ای که در حوزه بیماری های واگیر انجام می شود در دستیابی به نتایج سلامتی موفقیت آمیز است، اغلب نیاز شدیدی به درک اینکه چرا چنین موفقیتی تضمین شده است وجود دارد: آیا این به دلیل تغییرات در رفتار بهداشتی، الگوهای ترکیبی و/یا حرکتی، مراقبت طلبی یا عوامل دیگر است.

ابن سینا یک پلتفرم قدرتمند برای پرداختن به چالش‌های بالا با کاهش تا حد زیادی تلاش برای اندازه‌گیری عواملی که اندازه‌گیری آنها از طریق مکانیسم‌های سنتی غیرقابل اعتماد، سنگین یا غیرممکن است، فراهم می‌کند. از طریق فناوری بلوتوث، ابن سینا می‌تواند به طور خودکار نزدیکی بین شرکت‌کنندگان را با وضوح چند دقیقه ای ردیابی کند، در نتیجه از درک میزان نزدیکی و مدت زمانی که شرکت‌کنندگان با هم هستند پشتیبانی می‌کند، و در نتیجه از تخمین پتانسیل انتقال فرد به فرد پشتیبانی می‌کند. ابزارهایی مانند GPS و WiFi می‌توانند برای ثبت موقعیت مکانی و الگوهای حرکتی شرکت‌کننده در خارج و داخل ساختمان‌ها استفاده شوند، در نتیجه درک خطر قرار گرفتن در معرض مخازن پاتوژن را افزایش می‌دهند. چنین خدمات مکان یابی را می توان بیشتر برای تشخیص رخدادهای مراقبت طلبی استفاده کرد.

علاوه بر این، از ظرفیت برنامه برای صدور ارزیابی‌های لحظه‌ای زیست‌محیطی (EMA) برای شرکت‌کنندگان می‌توان برای ارائه بینش قدرتمندی در مورد اهداف پشت تغییرات مشاهده‌شده در رفتار استفاده کرد، به عنوان مثال، آیا تغییرات مشاهده‌شده توسط برنامه در الگوهای تماس یا مراقبت‌جویی نشان دهنده ادراک ریسک تغییر یافته است. با توجه به بار بالای عفونت تحت بالینی مرتبط با بسیاری از بیماری های عفونی، ظرفیت پرس و جو از کاربر در مورد علائم کمتر حاد، یا اجازه دادن به کاربر برای گزارش خودکار آنها، می تواند برای درک چنین بار تحت بالینی مهم باشد. با توجه به اشکار سازی پوستی بسیاری از بیماری‌های واگیر، ظرفیت استفاده از دوربین تلفن همراه برای عکاسی از بثورات، پرودروم، آبله و سایر ویژگی‌های پوستی می‌تواند بینش و تایید قابل‌توجهی را به گزارش شرکت‌کنندگان اضافه کند.

در زمینه سیاست، توانایی ابن سینا برای مشاهده تغییرات پس از مداخله در مسیرهای علّی متعدد می‌تواند ابزار بسیار خوبی برای درک اینکه چرا مداخله موفق یا شکست می‌خورد، ارائه دهد، در نتیجه یادگیری از تجربه مداخله را تا حد زیادی افزایش می‌دهد، و در نتیجه زمینه را برای آزمایش‌های متوالی مؤثرتر فراهم می‌کند.

وقتی ابن سینا در حوزه بیماری‌های واگیر استفاده می‌شود، می‌تواند با توانایی خود در استخراج هر سه روش اصلی جمع‌آوری داده، بینش‌های خوبی را به دست آورد:

• داده های حسگر برای تعیین کمیت عوامل کلیدی که به طور سنتی اندازه گیری آنها بسیار دشوار است، مانند الگوهای تماس و تحرک
• خود گزارش دهی پیشگیرانه برای علائم تحت بالینی مانند ناراحتی یا بثورات
• ارزیابی های لحظه ای اکولوژیکی (EMAs) در قالب بررسی های خرد

ظرفیت بهره‌برداری از این طیف گسترده از داده‌ها می‌تواند طیفی از بینش‌ها را فراهم کند که به طور سنتی ایمن کردن آنها دشوار است، از محرک‌های اساسی برای تغییرات مشاهده‌شده در شمارش موارد حادثه گرفته تا عوامل یا موانع موفقیت مداخلات. چنین اطلاعاتی می‌تواند اهرم‌های بسیار مورد نیاز را برای سیاست‌گذارانی که به دنبال مسیریابی در منطقه سخت‌تر بیماری‌های واگیر هستند، ارائه دهد.

نمونه مشکلات و سوالاتی که می توان به آنها پرداخت

• ارزیابی اینکه چگونه یک مداخله ممکن است انتقال عفونت را در جمعیت کاهش دهد.
• درک چگونگی تغییر نگرش ریسک گزارش شده توسط خود در طول یک شیوع.
• درک اینکه چگونه رفتار ریسک اندازه گیری شده به طور خودکار در طول یک شیوع تغییر می کند.
• شناسایی نقشی که مدت و نوع تماس (نزدیک بودن، نوع رابطه) در کمک به گسترش عفونت دارد.
• شناسایی افراد احتمالی که ممکن است ناقل باشند یا ممکن است بدون علامت آلوده شوند.
• شناسایی مخازن احتمالی پاتوژن بر روی سطوح
• تغییرات در رطوبت یا دما تا چه میزان خطر عفونت را به همراه دارد؟
• درک ارتباط بین بار پاتوژن و شستشوی دست

با مداخلات

این مداخله چقدر و چقدر زود بر مسیرهای مختلف شامل عوامل خطر (به عنوان مثال، تنوع تماس، دفعات و مدت زمان، و غیره) و عوامل محافظتی (بهداشت، واکسیناسیون، استفاده از تجهیزات حفاظت فردی، تمیز کردن و ضد عفونی کردن) و غیره تأثیر می گذارد.

با مدل سازی پویا:

چگونه مداخلات مختلف (افزایش انطباق با شستن دست‌ها، آزمایش بیمار پس از پذیرش و جداسازی بالقوه، بیمار یا همگروهی بالینی) ممکن است گسترش عفونت را در جمعیت مرکز تغییر دهد؟

موارد راه حل

• برای برخی از پاتوژن ها (به عنوان مثال، قطرات یا پاتوژن های موجود در هوا)، شناسایی خودکار شبکه های تماس.
• برای سایر پاتوژن ها (به عنوان مثال، پاتوژن های منتقله از راه جنسی یا مایعات):
• تشخیص خودکار مکان هایی که ممکن است در معرض آن قرار بگیرند (اغلب نشانه تماس).
  • پشتیبانی از ضبط دستی چنین مخاطبینی.
  • تشخیص خودکار قرار گرفتن در معرض مکان‌های مرتبط با سطوحی که بسیاری از آنها حامل پاتوژن هستند.
• ثبت علائم تحت بالینی (که ممکن است برای قضاوت بهتر زمان عفونت، شروع ریزش بدون علامت و غیره مهم باشد)
• پشتیبانی برای خود گزارش دهی آسان از سطح نگرانی خطر.
• پشتیبانی برای خود گزارش دهی آسان سطح خطر و رفتارهای محافظتی (مانند استفاده از کاندوم، شستن دست ها)