Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El premio Nobel de Stanford desarrolla un modelo de la predicción para SARS-CoV-2

Los investigadores de la Facultad de Medicina de Stanford y de la universidad de ShangaiTech muestran que el incremento de un brote de la enfermedad del coronavirus (COVID-19) no se comporta de acuerdo con una ley del incremento exponencial, sino que por el contrario retrasan exponencial con tiempo a partir de los primeros días. Sus conclusión causantes de reflexión se pueden encontrar actualmente en el servidor de la prueba preliminar del medRxiv*.

El pandémico en curso COVID-19, causado por el coronavirus 2 (SARS-CoV-2) de la neumonía asiática, dio lugar a un número importante de muertes y rompió los sistemas sanitarios en todo el mundo. Las predicciones tempranas de los números y de las muertes del caso en cualquier epidémico/pandémico son giratorias para tomar decisiones informadas para contener el patógeno y para optimizar la asignación de recursos.

Micrográfo de electrón nuevo de la exploración de Coronavirus SARS-CoV-2 Colorized de una célula apoptotic (festonear) infectada pesado con las partículas del virus SARS-COV-2 (verde), aisladas de una muestra paciente. La imagen capturada en el NIAID integró el centro de investigación en el fuerte Detrick, Maryland. Haber: NIAID
Micrográfo de electrón nuevo de la exploración de Coronavirus SARS-CoV-2 Colorized de una célula apoptotic (festonear) infectada pesado con las partículas del virus SARS-COV-2 (verde), aisladas de una muestra paciente. Imagen capturada en el centro de investigación integrado de NIAID (IRF) en el fuerte Detrick, Maryland. Haber: NIAID

Por lo tanto, los diversos grupos de investigación han intentado idear las predicciones seguras de la difusión SARS-CoV-2, basando sus aproximaciones en una amplia gama de modelos matemáticos y estadísticos, diversos tipos de datos (datos de la enfermedad, detalles de la movilidad, información demográfica), así como el impacto de las intervenciones (distancia social, uso de la máscara, higiene de la mano).

El problema es que tales variables pueden diferir de un país a otro, y las consideraciones para descubrir las cajas COVID-19 y las muertes a veces para variar incluso para los estados y las provincias dentro del mismo país. Todos estos factores complican el revelado de la aproximación universal para ajustar y para predecir las trayectorias COVID-19.

Profesor Michael Levitt del científico Nobel premio-que ganaba y el Dr. Andrea Scaiewicz de la Facultad de Medicina de Stanford en los E.E.U.U., así como el Dr. Francisco Zonta de la universidad de ShanghaiTech en China, decidían abordar esta entrega con una aproximación matemática completa y mostraron que la trayectoria de casos o las muertes en cualquier brote se podría convertir real en una línea derecha.

Gráficos y modelos matemáticos

Este grupo de científicos comenzó a trabajar en COVID-19 durante la semana pasada de enero de 2020, usando los datos liberados por varias fuentes en los E.E.U.U., la China, y la India. Animado por los resultados iniciales, han encendido una hoja de balance de Excel para seguir la progresión diaria de la enfermedad - abarcando un total de 3.546 situaciones por todo el mundo.

Cada día, los investigadores desarrollaron los gráficos que abarcaban cuatro dimensiones simples. Los primeros tres eran bastante obvios: el número total del caso, el número total de la muerte, y su índice (es decir, el índice de mortalidad). El cuarto era fortuito y menos obvio, y expresado pues la índice de los casos del total (o de las muertes) para dividido hoy por la misma índice del ayer - también conocido como la “función fraccionaria del cambio”.

El modelado matemático adicional permitió que los investigadores describieran la extensión de SARS-CoV-2 en los países diferentes constantemente. También podían simplificar la tarea de ajustar conjuntos de datos contrarios al herraje de una línea derecha, para la cual los mandos y las extrapolaciones de la calidad son triviales.

Esto permitió que automatizaran el herraje de los datos, la evaluación de calidad y la extrapolación - todo simultáneamente y asombrosamente aprisa (es decir, menos de una hora de tiempo CPU para todos los brotes en el mundo). Un paso metodológico esencial en este estudio era también de limpieza y curating de los datos que provenían una miríada de países.

COVID-19 que se comporta según la función de Gompertz

Este estudio demostró que la progresión de la epidemia COVID-19 no siguió una ley del incremento exponencial incluso en el mismo principio, sino que por el contrario, su incremento está retrasando exponencial con tiempo. Más concretamente, los resultados muestran irrevocablemente que los casos COVID-19 crecieron de acuerdo con la función de Gompertz, y no la función sigmoidea.

La diferencia principal es que la función sigmoidea comienza el crecimiento exponencial (tiene un factor de incremento exponencial constante) y después retrasa. Al mismo tiempo, la función de Gompertz nunca es exponencial, sino que por el contrario exhibe una tasa de crecimiento que disminuya exponencial del primer caso confirmado.

“El resultado más importante de este estudio es que la función de Gompertz se puede transformar en una línea derecha, con tal que una conozca el valor final del platillo de cuentas totales de casos o de muertes,” acentúa a autores del estudio en su papel del medRxiv.

Los autores también introdujeron un nuevo método nombrado Mejor-Línea Fitting, que exige una extrapolación rectilínea de la facilitación necesaria para cualquier predicción robusta. Este método se muestra para ser excesivamente rápido y favorable a la optimización adicional.

Usando esta técnica, el estudio ha encontrado que en ciertas situaciones, la infección entera/la trayectoria de la enfermedad se puede predecir temprano. En cambio, otros pueden durar mucho para seguir la forma simple, funcional ya mencionada. Si las predicciones muestran un platillo estable de casos totales y/o de muertes, la Mejor-Línea método apropiado se puede entonces utilizar para mostrar si están probablemente correctas.

Explicando y cuantificando incremento sub-exponencial

¿Qué podemos hacer de estas observaciones interesantes? Individuos que son suavemente sintomáticos y, por lo tanto, no contados pues los casos confirmados pueden ser considerados “invisibles” y explicar el comportamiento no exponencial observado de COVID-19. Asimismo, los casos sabidos no pueden entonces encontrar fácilmente a gente para infectar puesto que las cajas ocultadas la han infectado ya.

Otros factores pueden desempeñar un papel también, especialmente la estructura de la red de la acción recíproca humana que puede llevar a una curva de incremento sub-exponencial. En todo caso, una forma funcional relativamente simple de la función de Gompertz permitió que los investigadores desarrollaran una clave de computador eficiente para ajustar datos en situaciones diversas bastante constantemente.

El “incremento sub-exponencial inicial no es una característica única de COVID-19, sino se ha observado en brotes virales anteriores y necesita ser tenido en cuenta para producir predicciones exactas”, destaca a autores del estudio. “Nuestro método ofrece una manera rápida de analizar datos epidémicos tempranos y determinar y también cuantificar incremento sub-exponencial,” agregan.

En conclusión, este estudio ofrece las herramientas importantes para analizar el comportamiento de este pandémico en muchos países por todo el mundo. Los estudios futuros tienen que dirigir cómo y porqué son las trayectorias detalladas de las diversas situaciones diferentes, y aclarar índices de la fatalidad de la población cuando la infección funciona con su curso.

Profesor Michael Levitt: el lockdown es un “error enorme”

Advertencia *Important

el medRxiv publica los partes científicos preliminares que par-no se revisan y, por lo tanto, no se deben mirar como concluyentes, conduce práctica clínica/comportamiento relativo a la salud, o tratado como información establecida.

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). El premio Nobel de Stanford desarrolla un modelo de la predicción para SARS-CoV-2. News-Medical. Retrieved on July 06, 2020 from https://www.news-medical.net/news/20200629/Stanfords-Nobel-Laureate-develops-a-prediction-model-for-SARS-CoV-2.aspx.

  • MLA

    Meštrović, Tomislav. "El premio Nobel de Stanford desarrolla un modelo de la predicción para SARS-CoV-2". News-Medical. 06 July 2020. <https://www.news-medical.net/news/20200629/Stanfords-Nobel-Laureate-develops-a-prediction-model-for-SARS-CoV-2.aspx>.

  • Chicago

    Meštrović, Tomislav. "El premio Nobel de Stanford desarrolla un modelo de la predicción para 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 July 06, 2020).

  • Harvard

    Meštrović, Tomislav. 2020. El premio Nobel de Stanford desarrolla un modelo de la predicción para SARS-CoV-2. News-Medical, viewed 06 July 2020, https://www.news-medical.net/news/20200629/Stanfords-Nobel-Laureate-develops-a-prediction-model-for-SARS-CoV-2.aspx.