Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Le Prix Nobel de Stanford développe un modèle de prévision pour SARS-CoV-2

Les chercheurs de l'École de Médecine de Stanford et de l'université de ShangaiTech prouvent que l'accroissement d'une manifestation de la maladie de coronavirus (COVID-19) ne se comporte pas selon une loi d'accroissement exponentiel, mais ralentissent au lieu exponentiellement avec du temps des tous premiers jours. Leurs découvertes qui fait réfléchir peuvent être actuel trouvées dans le serveur de prétirage de medRxiv*.

La pandémie COVID-19 actuelle, provoquée par le coronavirus 2 (SARS-CoV-2) de syndrôme respiratoire aigu sévère, a eu comme conséquence un nombre important des morts et a perturbé des systèmes de santé autour du monde. Les prévisions tôt des numéros et des morts de cas dans n'importe quelles épidémique/pandémie sont pivotalement pour prendre des décisions avisées pour contenir l'agent pathogène et pour optimiser l'attribution de ressources.

Micrographe électronique nouveau de lecture du coronavirus SARS-CoV-2 Colorized d
Micrographe électronique nouveau de lecture du coronavirus SARS-CoV-2 Colorized d'une cellule d'apoptotique (rose) fortement infectée avec des particules du virus SARS-COV-2 (vert), d'isolement dans un échantillon patient. Image saisie à l'installation intégrée par NIAID de recherches (IRF) dans le fort Detrick, le Maryland. Crédit : NIAID

En conséquence, les organismes de recherche variés ont essayé de concevoir des prévisions fiables de la diffusion SARS-CoV-2, basant leurs approches sur une grande sélection de modèles mathématiques et statistiques, différents types de données (caractéristiques de la maladie, petits groupes de mobilité, données démographiques), ainsi que le choc des interventions (distancer social, usage de masque, hygiène de main).

Le problème est que de telles variables peuvent différer d'un pays à l'autre, et les critères pour trouver les caisses COVID-19 et les morts parfois pour varier même pour des conditions et des provinces dans le même pays. Tous ces facteurs compliquent le développement de l'approche universelle pour adapter et prévoir les trajectoires COVID-19.

Prof. de prix-gain Michael Levitt de scientifique Nobel et M. Andrea Scaiewicz d'École de Médecine de Stanford aux USA, avec M. Francesco Zonta d'université de ShanghaiTech en Chine, ont décidé d'aborder cette édition avec une approche mathématique complète et ont prouvé que la trajectoire des cas ou les morts dans n'importe quelle manifestation pourrait être convertie réellement en ligne droite.

Graphiques et modèles mathématiques

Ce groupe de scientifiques a commencé à travailler à COVID-19 pendant la semaine dernière de janvier 2020, utilisant les caractéristiques publiées par plusieurs sources aux USA, en Chine, et en Inde. Encouragé par les premiers résultats, ils ont mis en marche une feuille multizones d'Exceler pour suivre l'étape progressive quotidienne de la maladie - entourant un total de 3.546 emplacements mondiaux.

Chaque jour, les chercheurs ont développé des graphiques entourant quatre mesures simples. Les trois premiers étaient plutôt évidents : tout le numéro de cas, tout le numéro de la mort, et leur rapport (c.-à-d., le taux de mortalité). Le quatrième était fortuit et moins évident, et exprimé comme le rapport des cas de total (ou des morts) pour aujourd'hui se divisait par le même rapport d'hier - également connu sous le nom de « fonctionnement fractionnaire de modification ».

Davantage de modélisation mathématique a permis aux chercheurs de décrire l'écart de SARS-CoV-2 dans différents pays chronique. Ils pouvaient également simplifier la tâche d'adapter les ensembles de données intermittents au montage d'une ligne droite, pour laquelle les contrôles qualité et les extrapolations sont insignifiants.

Ceci leur a permis d'automatiser le montage de caractéristiques, l'appréciation de la qualité et l'extrapolation - tous simultanément et étonnant vite (c.-à-d., moins d'une heure de temps processeur pour toutes les manifestations dans le monde). Une opération méthodologique essentielle dans cette étude était également nettoyante et curating les caractéristiques provenant d'une myriade de pays.

COVID-19 se comportant selon le fonctionnement de Gompertz

Cette étude a expliqué que l'étape progressive de l'épidémie COVID-19 n'a pas suivi une loi d'accroissement exponentiel même dans le début même, mais au lieu, son accroissement ralentit exponentiellement avec du temps. Plus particulièrement, les résultats prouvent irrévocablement que les cas COVID-19 se sont développés selon le fonctionnement de Gompertz, et pas le fonctionnement sigmoïde.

La principale différence est que le fonctionnement sigmoïde commence l'élevage exponentiellement (il a un facteur de croissance exponentiel continuel) et puis ralentit. En même temps, le fonctionnement de Gompertz n'est jamais exponentiel, mais montre au lieu un taux de croissance qui diminue exponentiellement du tout premier cas confirmé.

« Le résultat le plus important de cette étude est que le fonctionnement de Gompertz peut être transformé dans une ligne droite, si on connaît la valeur finale de plateau des comptages totaux des cas ou des morts, » mettent l'accent sur des auteurs d'étude en leur papier de medRxiv.

Les auteurs ont également introduit une méthode neuve nommée Meilleur-Line Fitting, qui nécessite une extrapolation à ligne directe de facilitation nécessaire pour toutes les prévisions robustes. Cette méthode s'avère excessivement rapide et favorable à l'optimisation complémentaire.

À l'aide de cette technique, l'étude a constaté que dans certain emplacement, l'infection entière/trajectoire de la maladie peut être prévue tôt. En revanche, d'autres peuvent prendre beaucoup plus longtemps pour suivre la forme simple et fonctionnelle mentionnée ci-dessus. Si les prévisions montrent un plateau stable des cas totaux et/ou des morts, la méthode convenable de Meilleur-Line peut alors être utilisée pour montrer si elles sont vraisemblablement correctes.

Expliquant et mesurant l'accroissement sous-exponentiel

Que pouvons-nous effectuer de ces observations intéressantes ? Personnes qui sont doux symptomatiques et, par conséquent, non comptées car les cas confirmés peuvent être considérés « invisibles » et expliquer le comportement non exponentiel observé de COVID-19. De même, les cas connus ne peuvent pas alors trouver facilement des gens pour infecter puisque les caisses cachées les ont déjà infecté.

D'autres facteurs peuvent jouer un rôle aussi bien, spécialement la structure du réseau d'interaction humaine qui peut mener à une courbure d'accroissement sous-exponentielle. En tous cas, une forme fonctionnelle relativement simple du fonctionnement de Gompertz a permis aux chercheurs de développer code informatique efficace pour adapter des caractéristiques dans le divers emplacement plutôt chronique.

« L'accroissement sous-exponentiel initial n'est pas une fonctionnalité unique de COVID-19, mais a été observé dans des manifestations virales précédentes et doit être tenu compte pour produire des prévisions précises », mettent en valeur des auteurs d'étude. « Notre méthode fournit une voie rapide d'analyser de premières caractéristiques épidémiques et recenser et mesurer également l'accroissement sous-exponentiel, » elles ajoutent.

En conclusion, cette étude fournit les outils importants pour analyser le comportement de cette pandémie dans beaucoup de pays mondiaux. Les futures études doivent adresser comment et pourquoi sont les trajectoires détaillées de l'emplacement varié différent, et élucider des rapports de fatalité de population quand l'infection organise son cours.

Prof. Michael Levitt : le lockdown est « une erreur énorme »

Avis *Important

le medRxiv publie les états scientifiques préliminaires qui pair-ne sont pas observés et ne devraient pas, en conséquence, être considérés comme concluants, guident la pratique clinique/comportement relatif à la santé, ou traité en tant qu'information déterminée.

Journal reference:
Dr. Tomislav Meštrović

Written by

Dr. Tomislav Meštrović

Dr. Tomislav Meštrović is a medical doctor (MD) with a Ph.D. in biomedical and health sciences, specialist in the field of clinical microbiology, and an Assistant Professor at Croatia's youngest university - University North. In addition to his interest in clinical, research and lecturing activities, his immense passion for medical writing and scientific communication goes back to his student days. He enjoys contributing back to the community. In his spare time, Tomislav is a movie buff and an avid traveler.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Meštrović, Tomislav. (2020, June 29). Le Prix Nobel de Stanford développe un modèle de prévision pour SARS-CoV-2. News-Medical. Retrieved on December 05, 2020 from https://www.news-medical.net/news/20200629/Stanfords-Nobel-Laureate-develops-a-prediction-model-for-SARS-CoV-2.aspx.

  • MLA

    Meštrović, Tomislav. "Le Prix Nobel de Stanford développe un modèle de prévision pour SARS-CoV-2". News-Medical. 05 December 2020. <https://www.news-medical.net/news/20200629/Stanfords-Nobel-Laureate-develops-a-prediction-model-for-SARS-CoV-2.aspx>.

  • Chicago

    Meštrović, Tomislav. "Le Prix Nobel de Stanford développe un modèle de prévision pour SARS-CoV-2". News-Medical. https://www.news-medical.net/news/20200629/Stanfords-Nobel-Laureate-develops-a-prediction-model-for-SARS-CoV-2.aspx. (accessed December 05, 2020).

  • Harvard

    Meštrović, Tomislav. 2020. Le Prix Nobel de Stanford développe un modèle de prévision pour SARS-CoV-2. News-Medical, viewed 05 December 2020, https://www.news-medical.net/news/20200629/Stanfords-Nobel-Laureate-develops-a-prediction-model-for-SARS-CoV-2.aspx.