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.

Lo studio spiega la crescita lineare della curva di infezione COVID-19

Con il primo picco epidemico COVID-19 dietro loro, molti paesi hanno spiegato la diminuzione dei numeri di infezione con gli interventi non farmaceutici. Le frasi come “il sociale che distanzia„ e “appiattiscono la curva„ hanno parte diventata di vocabolario comune.

Eppure alcune spiegazioni hanno stato a corto: Come potrebbe si spiegare l'aumento lineare delle curve di infezione, che molti paesi video dopo il primo picco, contrariamente alle curve in forma di s, attese dai modelli epidemiologici?

In un nuovo documento pubblicato in PNAS (atti dell'Accademia nazionale delle scienze degli Stati Uniti d'America), gli scienziati al hub Vienna (CSH) di scienza di complessità sono quei primi per offrire una spiegazione per la crescita lineare della curva di infezione.

“All'inizio della pandemia, le curve di infezione COVID-19 hanno mostrato la crescita esponenziale prevista,„ dice Stefan Thurner, Presidente di CSH e professore per scienza dei sistemi complessi all'università medica di Vienna. Ciò può essere spiegata bene da un cosiddetto effetto della palla di neve: Una persona infettata infetterebbe alcuni altre ed in una reazione a catena, quelle passerebbero al virus sopra a alcuni altri pure.

Con le misure gradisca distanziare sociale, i governi provati per spingere il tasso di accrescimento sotto la tariffa di ripristino e quindi per diminuire in maniera massiccia il numero di nuove infezioni. In questa logica, tuttavia, le persone avrebbero infettato meno di altra una persona e la curva avrebbe appiattito, finalmente raggiungendo zero - qualcosa che non accadesse.„

Stefan Thurner, Presidente di CSH ed il professor per scienza dei sistemi complessi, università medica di Vienna

“Che cosa abbiamo veduto invece era un livello costante di infezioni con un simile numero di nuove infezioni ogni giorno,„ aggiunge il co-author Peter Klimek (CSH & Univ medico di Vienna). “Spiegare questo con i modelli epidemiologici standard sarebbe basicamente impossibile.„

L'uso dei modelli epidemiologici tradizionali avrebbe richiesto molto regolarsi dei parametri, rendente il modello sempre più incoerente. “Se volete saldare le misure in modo che l'efficace numero R della riproduzione resti esattamente a 1 - qualcosa che spieghi la crescita lineare -, dovreste diminuire i contatti dalla stessa percentuale esatta e costante. In realtà quello è estremamente improbabile,„ dice Klimek.

Infatti, la probabilità per osservare la crescita lineare in questi modelli compartimentali standard è praticamente zero, gli scienziati di CSH precisa. Quindi sono stati ispirati estendere il modello e cercare ulteriori spiegazioni.

Gli scienziati di complessità hanno spiegato la forma lineare delle curve attraverso un modulo differente di diffusione che inizialmente preveduto: Hanno supposto che il dinamico di diffusione continuato nei piccoli e cluster limitati.

“La maggior parte della gente è andato lavorare, ha ottenuto infettata e lo ha sparso a due o tre genti a casa e poi quella gente è andato lavorare ancora o istruire. L'infezione stava spargendo basicamente dal cluster al cluster,„ dice Stefan Thurner. “Il cambiamento delle curve di infezione da essere in forma di s ad un comportamento lineare è chiaramente un effetto rete - molto un differente dinamico dai grandi eventi superspreading.„

Gli scienziati hanno indicato che c'è un numero critico dei contatti, che chiamano grado di reti del contatto o di CC, sotto cui la crescita lineare e prevalenza bassa di infezione devono accadere.

Hanno trovato la CC per uguagliare 7,2, supponendo che la gente circola in una rete coronavirus-pertinente di circa cinque genti, che è ancora più bassa durante l'efficace lockdown (famiglia-dimensione 2.5 persone in media).

Invece di dovere regolare i parametri, il loro modello tiene conto una vasta gamma di possibilità che tengono le curve di infezione lineari. Spiega perché le curve lineari di infezione compaiono in tanti paesi, indipendentemente dalla grandezza degli interventi non farmaceutici imposti.

Ad un punto ulteriore gli scienziati hanno confrontato l'Austria, un paese che hanno risposto con un lockdown severo nella fase iniziale e gli Stati Uniti, che inizialmente non hanno imposto le misure severe.

Secondo Peter Klimek, il loro modello funziona per entrambi gli scenari: “Entrambi i tipi di paesi hanno mostrato le curve lineari, ma nel caso degli Stati Uniti e di altri paesi come la Svezia, questi sono accaduto appena molto su un di più alto livello.„

Il modello non solo spiega l'emergenza di un regime lineare della crescita, ma egualmente spiega perché l'epidemia potrebbe fermarsi sotto i livelli di immunità del gregge dal distanziare sociale conseguente.

Per la procedura di modellistica standard, gli scienziati di complessità usano un cosiddetto modello compartimentale con i Signore-modelli, estendente lo con la trasmissione descritta del cluster.

Ma che cosa accadrà nei mesi prossimi, con il potenziale dei numeri che aumentano ancora? Con i fattori di rischio supplementari come la gente che ritornano a partire dalla vacanza in altri paesi ed in più tempo passati dentro, la diffusione della malattia ha potuto cambiare.

“Se le infezioni aumentano ancora, c'è il potenziale che le curve lineari girano ancora nella crescita esponenziale - qualcosa la gente descritta come seconda onda,„ Klimek conclude.

Source:
Journal reference:

Thurner, S., et al. (2020) A network-based explanation of why most COVID-19 infection curves are linear. Proceedings of the National Academy of Sciences. doi.org/10.1073/pnas.2010398117.