En datoriserad epidemiologisk modell av spridningen av myggor West Nile-viruset i 17 län i Kalifornien år 2005 förutspådde framgångsrikt, där 81,6 procent av mänskliga fall av sjukdomen skulle uppstå och definierade högriskområden där risken för infektion visade sig vara 39 gånger högre än i låg risk områden, enligt nyligen publicerad forskning. Den DYCAST programvara som används i dessa förutsägelser är nu öppen källkod och är tillämpliga på andra sjukdomar.
"En av de saker som verkligen skiljer DYCAST från andra metoder är att den är baserad på biologiska parametrar", säger Ryan Carney, en Brown University doktorand som är huvudförfattare på ett papper om DYCAST prestanda som visas i det senaste numret av tidskriften Emerging Infectious Diseases, utgiven av Centers for Disease Control. "Alla av parametrarna i modellen är baserade på experimentella data med anknytning till biologi och ekologi av viruset, mygga vektor och fågel värd."
Till exempel den rumsliga modellens parametrar är hur mycket mygg och smittade fåglar sannolikt att flyga. Viktiga tid parametrar inkluderar hur länge viruset behöver för att inkubera i myggorna innan de blir smittsamma och livslängden på smittade fåglar. Carney sagt att genom att använda biologi för att definiera den geografiska och tidsmässiga attribut av modellen snarare än länet eller folkräkningen tarmkanalen gränser, som är bekvämt för människor men irrelevant för fåglar och myggor, tillät modell California Department of Public Health att ge tidiga varningar för ett område som sträcker sig från Bay Area genom Sacramento till Nevada linjen, samt regioner i södra Kalifornien.
Carney genomfört programmet när han arbetade för California Department 2005. (Programmet skapades av Constandinos Theophilides vid City University i New York.) Utfodring modellen under 2005 var 109.358 död fågel rapporter ringde i eller ingåtts av medlemmar i allmänheten via en statlig hotline och webbplats.
När fler döda fåglar rapporterades i närheten, skulle programmet generera dagliga kartor över områden med hög risk för infektion hos människor, vilket ger en tidig varning till lokala tjänstemän folkhälsan. Den programvara, till exempel, förutspådde områden med hög risk mer än en månad innan den första mänskliga fallen uppstod, i genomsnitt.