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 estudio explica el incremento lineal de la curva de la infección COVID-19

Con el primer pico epidémico COVID-19 detrás de ellos, muchos países explicaron la disminución de los números de la infección con intervenciones no-farmacéuticas. Las frases como el “social que se distancia” y “aplanan la curva” tienen parte convertida de vocabulario común.

Con todo algunas explicaciones faltaron: ¿Cómo podría uno explicar la subida lineal de las curvas de la infección, que muchos países visualizan después del primer pico, en contraste con las curvas S-dadas forma, preveídas de modelos epidemiológicos?

En un nuevo papel publicado en PNAS (procedimientos de la National Academy of Sciences de los Estados Unidos de América), los científicos en el cubo Viena (CSH) de la ciencia de la complejidad son primeros para ofrecer una explicación para el incremento lineal de la curva de la infección.

“Al principio del pandémico, las curvas de la infección COVID-19 mostraron el incremento exponencial previsto,” dice Stefan Thurner, el presidente de CSH y al profesor para la ciencia de sistemas complejos en la universidad médica de Viena. Esto se puede explicar bien por un supuesto efecto de la bola de nieve: Una persona infectada infectaría algunos otras, y en una reacción en cadena, ésos pasarían el virus conectado a algunos otros también.

Con dimensiones tenga gusto de distancia social, de los gobiernos intentados para activar la tasa de crecimiento abajo del régimen de recuperación y por lo tanto para reducir masivo el número de nuevas infecciones. En esta lógica, sin embargo, los individuos habrían infectado a menos de otra persona, y la curva habría aplanado, eventual alcanzando cero - algo que no suceso.”

Stefan Thurner, presidente de CSH y profesor para la ciencia de sistemas complejos, universidad médica de Viena

“Qué vimos en lugar de otro estaba un nivel constante de infecciones con un número similar de nuevas infecciones cada día,” agrega al co-autor Peter Klimek (CSH y Univ médico de Viena). “Explicar esto con los modelos epidemiológicos estándar sería básicamente imposible.”

El uso de modelos epidemiológicos tradicionales habría requerido mucho ajustar de parámetros, haciendo el modelo cada vez más inverosímil. “Si usted quiere equilibrar mediciones de modo que el número efectivo R de la reproducción tirante exactamente en 1 - algo que explicaría el incremento lineal -, usted tendría que reducir contactos por el mismo porcentaje exacto y constante. En la realidad que es extremadamente inverosímil,” dice Klimek.

De hecho, la probabilidad para observar incremento lineal en estos modelos de compartimiento estándar es prácticamente cero, los científicos de CSH señala. A les por lo tanto inspiraron que extendieran el modelo y buscaran otras explicaciones.

Los científicos de la complejidad explicaron la forma lineal de las curvas a través de una diversa forma de extenderse que preveída inicialmente: Asumieron que el dinámico que se extendía continuado en atados pequeños y limitados.

“La mayoría de la gente fue a trabajar, consiguió infectada y la extendió a dos o tres personas en casa, y entonces esa gente fue a trabajar o a enseñar otra vez. La infección se extendía básicamente de atado al atado,” dice a Stefan Thurner. “El cambio de las curvas de la infección de S-ser dado forma a un comportamiento lineal es sin obstrucción un efecto de la red - un muy diferente dinámico de acciones superspreading grandes.”

Los científicos mostraron que hay un número crítico de contactos, que llaman grado de redes o de DC del contacto, abajo de quienes incremento lineal e incidencia inferior de la infección deban ocurrir.

Encontraron DC para igualar 7,2, si se asume que la gente circula en una red coronavirus-relevante de cerca de cinco personas, que es incluso más inferior durante un lockdown efectivo (persona de la hogar-talla 2,5 por término medio).

En vez de tener que ajustar parámetros, su modelo tiene en cuenta una amplia gama de posibilidades que mantienen las curvas de la infección lineales. Explica porqué las curvas lineales de la infección aparecen en tan muchos países, con independencia de la magnitud de las intervenciones no-farmacéuticas impuestas.

En otro paso los científicos compararon Austria, un país que respondieron con un lockdown severo a principios de, y los Estados Unidos, que no impusieron inicialmente dimensiones severas.

Según Peter Klimek, su modelo trabaja para ambos decorados: “Ambos tipos de países mostraron curvas lineales, pero en el caso de los E.E.U.U. y de otros países como Suecia, éstos acaban de suceso en un mucho de alto nivel.”

El modelo no sólo explica la aparición de un régimen lineal del incremento, pero también explica porqué la epidemia podría parar abajo de los niveles de inmunidad de la manada por la distancia social consiguiente.

Para el procedimiento del modelado estándar, los científicos de la complejidad utilizan un supuesto modelo de compartimiento con los Sir-modelos, extendiéndolo con la transmisión descrita del atado.

¿Pero qué suceso en los meses próximos, con el potencial de los números que suben otra vez? Con factores de riesgo adicionales como la gente que volvía a partir de vacaciones en otros países y más tiempo pasados dentro, la extensión de la enfermedad podía cambiar.

“Si suben las infecciones otra vez, hay el potencial que las curvas lineales giran al incremento exponencial otra vez - algo gente descrita como segunda onda,” Klimek concluye.

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.