Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O estudo explica o crescimento linear da curva da infecção COVID-19

Com o primeiro pico COVID-19 epidémico atrás deles, muitos países explicaram a diminuição de números da infecção com as intervenções não-farmacêuticas. As frases como o “social que afasta-se” e “aplainam a curva” têm a parte tornada do vocabulário comum.

Contudo algumas explicações foram insuficiente: Como poderia se explicar a elevação linear das curvas da infecção, que muitos países indicam após o primeiro pico, em contraste com as curvas S-dadas forma, esperadas dos modelos epidemiológicos?

Em um papel novo publicado em PNAS (continuações da Academia Nacional das Ciências dos Estados Unidos da América), os cientistas no cubo Viena da ciência da complexidade (CSH) são primeiros para oferecer uma explicação para o crescimento linear da curva da infecção.

“No início da pandemia, as curvas da infecção COVID-19 mostraram o crescimento exponencial previsto,” diz Stefan Thurner, presidente de CSH e professor para a ciência de sistemas complexos na universidade médica de Viena. Isto pode bem ser explicado por um efeito dominó assim chamado: Uma pessoa contaminada contaminaria alguma outro, e em uma reacção em cadeia, aquelas passariam ao vírus sobre a alguns outro também.

Com medidas goste de afastar-se social, dos governos tentados empurrar a taxa de crescimento abaixo da taxa de recuperação e conseqüentemente reduzir maciça o número de infecções novas. Nesta lógica, contudo, os indivíduos contaminariam menos de outra uma pessoa, e a curva aplainaria, eventualmente alcançando zero - algo que não aconteceu.”

Stefan Thurner, presidente de CSH e professor para a ciência de sistemas complexos, universidade médica de Viena

“O que nós vimos pelo contrário era um nível constante de infecções com um número similar de infecções novas cada dia,” adiciona o co-autor Peter Klimek (CSH & Univ médico de Viena). “Explicar isto com modelos epidemiológicos padrão seria basicamente impossível.”

O uso de modelos epidemiológicos tradicionais exigiria muito ajustar-se dos parâmetros, fazendo o modelo cada vez mais implausível. “Se você quer equilibrar medidas de modo que o número eficaz R da reprodução fique exactamente em 1 - algo que explicaria o crescimento linear -, você teria que reduzir contactos pela mesma porcentagem exacta e constante. Na realidade isso é extremamente improvável,” diz Klimek.

De facto, a probabilidade para observar o crescimento linear nestes modelos compartmental padrão é praticamente zero, os cientistas de CSH indica. Foram inspirados conseqüentemente estender o modelo e procurar umas explicações mais adicionais.

Os cientistas da complexidade explicaram a forma linear das curvas através de um formulário diferente do espalhamento do que esperado inicialmente: Supor que o dinâmico de espalhamento continuado em conjuntos pequenos e limitados.

“A maioria de povos foram trabalhar, obtiveram contaminados e espalharam-no a dois ou três povos em casa, e então aqueles povos foram trabalhar outra vez ou educar. A infecção estava espalhando basicamente do conjunto ao conjunto,” diz Stefan Thurner. “A mudança das curvas da infecção de S-ser dado forma a um comportamento linear é claramente um efeito da rede - um muito diferente dinâmico dos eventos superspreading grandes.”

Os cientistas mostraram que há um número crítico de contactos, que chamam grau de redes do contacto ou de C.C., abaixo de que crescimento linear e baixa predominância da infecção devem ocorrer.

Encontraram a C.C. para igualar 7,2, supor que os povos circulam em uma rede coronavirus-relevante de aproximadamente cinco povos, que fosse mesmo mais baixa durante um lockdown eficaz (pessoa do agregado-tamanho 2,5 em média).

Em vez de ter que ajustar parâmetros, seu modelo permite uma vasta gama de possibilidades que mantêm as curvas da infecção lineares. Explica porque as curvas lineares da infecção aparecem em tão muitos países, independentemente do valor das intervenções não-farmacêuticas impor.

Em uma etapa mais adicional os cientistas compararam Áustria, um país que responderam com um lockdown severo cedo sobre, e os Estados Unidos, que inicialmente não impor medidas severas.

De acordo com Peter Klimek, seu modelo trabalha para ambas as encenações: “Ambos os tipos de países mostraram curvas lineares, mas no caso dos E.U. e de outros países como a Suécia, estes apenas aconteceram em um muito de mais alto nível.”

O modelo explica não somente a emergência de um regime linear do crescimento, mas igualmente explica porque a epidemia poderia parar abaixo dos níveis de imunidade do rebanho se afastar social conseqüente.

Para o procedimento da modelagem padrão, os cientistas da complexidade usam um modelo compartmental assim chamado com os Senhor-modelos, estendendo o com a transmissão descrita do conjunto.

Mas que acontecerá nos próximos meses, com o potencial dos números que aumentam outra vez? Com factores de risco adicionais como os povos que retornam das férias em outros países e em mais tempo passados para dentro, a propagação da doença podia mudar.

“Se as infecções aumentam outra vez, há o potencial que as curvas lineares giram para o crescimento exponencial outra vez - algo os povos descritos como uma segunda onda,” Klimek conclui.

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.