Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Il premio Nobel di Stanford sviluppa un modello di previsione per SARS-CoV-2

I ricercatori dalla scuola di medicina di Stanford e dall'università di ShangaiTech indicano che la crescita di uno scoppio di malattia di coronavirus (COVID-19) non si comporta conformemente ad una legge della crescita esponenziale, ma invece rallenta esponenzialmente con tempo a partire dai primissimi giorni. I loro risultati interessanti possono corrente essere trovati nel " server " della pubblicazione preliminare del medRxiv*.

La pandemia in corso COVID-19, causata dal coronavirus 2 (SARS-CoV-2) di sindrome respiratorio acuto severo, ha provocato un numero significativo delle morti ed ha interrotto i sistemi sanitari intorno al mondo. Le previsioni iniziali dei numeri e delle morti di caso in tutte le epidemico/pandemia sono chiave per prendere le decisioni informate per contenere l'agente patogeno e per ottimizzare l'allocazione delle risorse.

Microscopio elettronico a scansione novello di Coronavirus SARS-CoV-2 Colorized di una cella apoptotic (rosa) infettata molto con le particelle del virus SARS-COV-2 (verde), isolate da un campione paziente. L
Microscopio elettronico a scansione novello di Coronavirus SARS-CoV-2 Colorized di una cella apoptotic (rosa) infettata molto con le particelle del virus SARS-COV-2 (verde), isolate da un campione paziente. Immagine catturata alla funzione di ricerca integrata NIAID (IRF) in Detrick forte, Maryland. Credito: NIAID

Di conseguenza, i vari gruppi di ricerca hanno provato ad inventare le previsioni affidabili della diffusione SARS-CoV-2, basanti i loro approcci su una grande selezione dei modelli matematici e statistici, i tipi differenti di dati (dati di malattia, dettagli di mobilità, informazioni demografiche) come pure l'impatto degli interventi (distanziare sociale, uso della maschera, l'igiene della mano).

Il problema è che tali variabili possono differire da paese a paese ed i criteri per individuare a volte le casse COVID-19 e le morti per variare anche per gli stati e le province presso lo stesso paese. Tutti questi fattori complicano lo sviluppo dell'approccio universale per misura e predire le traiettorie COVID-19.

Prof. d'estrazione Michael Levitt dello scienziato Nobel ed il Dott. Andrea Scaiewicz dalla scuola di medicina di Stanford negli Stati Uniti, insieme al Dott. Francesco Zonta dall'università di ShanghaiTech in Cina, hanno deciso di affrontare questa emissione con un approccio matematico completo ed hanno indicato che la traiettoria dei casi o le morti in tutto lo scoppio potrebbe realmente essere convertita in linea retta.

Grafici e modelli matematici

Questo gruppo di scienziati ha cominciato a lavorare a COVID-19 durante l'ultima settimana del gennaio 2020, facendo uso dei dati pubblicati da parecchie sorgenti negli Stati Uniti, in Cina ed in India. Incoraggiante tramite i risultati iniziali, hanno avviato un foglio elettronico di Excel per seguire la progressione quotidiana della malattia - comprendendo complessivamente 3.546 posizioni universalmente.

Ogni giorno, i ricercatori hanno sviluppato i grafici che comprendono le quattro misure semplici. I primi tre erano piuttosto ovvi: il numero totale di caso, il numero totale di morte ed il loro rapporto (cioè, il tasso di mortalità). Il quarto era fortuito e meno ovvio ed espresso poichè il rapporto dei casi di totale (o delle morti) per oggi diviso dallo stesso rapporto dell'ieri - anche conosciuto come “la funzione frazionaria del cambiamento„.

Ulteriore modellistica matematica ha permesso che i ricercatori descrivessero coerente la diffusione di SARS-CoV-2 in paesi differenti. Egualmente potevano semplificare il compito di misura degli insiemi di dati contradditori all'installazione di una linea retta, per cui i comandi e le estrapolazioni di qualità sono irrilevanti.

Ciò li ha permessi di automatizzare l'installazione di dati, la valutazione della qualità e l'estrapolazione - tutta simultaneamente ed astonishingly rapidamente (cioè, meno di un'ora di tempo CPU per tutti gli scoppi nel mondo). Un punto metodologico essenziale in questo studio era anche pulente e curating i dati che provengono da una miriade dei paesi.

COVID-19 che si comporta secondo la funzione di Gompertz

Questo studio ha dimostrato che la progressione dell'epidemia COVID-19 non ha seguito una legge della crescita esponenziale neppure nell'inizio stesso, ma invece, la sua crescita sta rallentando esponenzialmente con tempo. Più specificamente, i risultati indicano irrevocabilmente che i casi COVID-19 si sono sviluppati conformemente alla funzione di Gompertz e non la funzione sigmoidale.

La differenza principale è che la funzione sigmoidale comincia la crescita esponenzialmente (ha un fattore di crescita esponenziale costante) e poi rallenta. Allo stesso tempo, la funzione di Gompertz non è mai esponenziale, ma invece esibisce un tasso di accrescimento che diminuisce esponenzialmente dal primissimo caso confermato.

“Il risultato più importante di questo studio è che la funzione di Gompertz può essere trasformata in una linea retta, se una conosce il valore definitivo del plateau dei conti totali dei casi o delle morti,„ sottolinea gli autori di studio in loro documento del medRxiv.

Gli autori egualmente hanno introdotto un nuovo metodo nominato Migliore Line Fitting, che comporta un'estrapolazione rettilinea di facilitazione necessaria per tutte le previsioni robuste. Questo metodo è indicato per essere eccessivamente veloce e favorevole all'ottimizzazione supplementare.

Usando questa tecnica, lo studio ha trovato che in determinate posizioni, l'intera infezione/traiettoria di malattia può essere preveduta presto. Al contrario, altri possono catturare molto più lungamente per seguire il modulo semplice e funzionale suddetto. Se le previsioni mostrano un plateau stabile dei casi totali e/o delle morti, il metodo adatto del Migliore Line può poi essere utilizzato per mostrare se sono probabilmente corrette.

Spiegando e quantificando crescita sotto-esponenziale

Che cosa possiamo fare di queste osservazioni interessanti? Persone che sono leggermente sintomatiche e, quindi, non contate poichè i casi confermati possono essere considerati “invisibili„ e spiegare il comportamento non esponenziale osservato di COVID-19. Inoltre, i casi conosciuti non possono poi trovare facilmente la gente per infettare poiché le casse nascoste già le hanno infettate.

Altri fattori possono svolgere un ruolo pure, specialmente la struttura della rete di interazione umana che può piombo ad una curva di accrescimento sotto-esponenziale. Comunque, un modulo funzionale relativamente semplice della funzione di Gompertz ha permesso che i ricercatori sviluppassero un codice macchina efficiente per misura piuttosto coerente i dati nelle diverse posizioni.

“La crescita sotto-esponenziale iniziale non è una funzionalità unica di COVID-19, ma è stata osservata negli scoppi virali precedenti e deve essere considerata per produrre le previsioni accurate„, evidenzia gli autori di studio. “Il nostro metodo fornisce un modo rapido analizzare i dati epidemici iniziali ed identificare ed anche quantificare crescita sotto-esponenziale,„ aggiungono.

In conclusione, questo studio fornisce gli strumenti importanti per analizzare il comportamento di questa pandemia in molti paesi universalmente. Gli studi futuri devono indirizzare come e perché sono le traiettorie dettagliate dalle varie posizioni differenti e delucidare i rapporti della fatalità della popolazione quando l'infezione esegue il suo corso.

Prof. Michael Levitt: il lockdown è “un errore enorme„

Avviso *Important

il medRxiv pubblica i rapporti scientifici preliminari che pari-non sono esaminati e, pertanto, non dovrebbero essere considerati conclusivi, guida la pratica clinica/comportamento correlato con la salute, o trattato come informazioni stabilite.

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). Il premio Nobel di Stanford sviluppa un modello di previsione per 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. "Il premio Nobel di Stanford sviluppa un modello di previsione per 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. "Il premio Nobel di Stanford sviluppa un modello di previsione per 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. Il premio Nobel di Stanford sviluppa un modello di previsione per 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.