Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Combien précise est la modélisation COVID-19 ?

La maladie 2019 (COVID-19) de coronavirus modélisant s'est montrée pour être rigoureusement importante pour la politique sanitaire publique. Avec des millions des morts et des centaines de millions de cas mondiaux, en connaissant l'écart et le risque susceptibles des gouvernements aidés par maladie appliquez les lockdowns, le social distançant des mesures, et d'autres restrictions de réduire à un minimum la propagation de la maladie et d'acheter l'heure pour la mise au point de vaccin.

Étude : Prévision de lÉtude : Prévision de l'imprévisible : comment les polices COVID-19 et les restrictions dynamiques contestent les pronostics modèles. Crédit d'image : Bihlmayer Fotografie/Shutterstock

Pendant une santé globale et une crise économique, l'équilibrage de la capacité potentielle pour ouvrir l'économie contre risquer davantage de boîte de vitesses était essentiel. Les modèles peuvent également aider des endroits choisis pour des essais vacciniques en déterminant la probabilité géographique des régimes de forte incidence. Un modèle basé sur agent particulier a été employé pour recenser les régimes potentiels pour l'écart de COVID-19 entre juin et août 2020. Les chercheurs de l'institut de Burnet à Melbourne avaient employé ceci pour vérifier à quel point la modélisation COVID-19 précise a été.

Une version de prétirage de l'étude est procurable sur le serveur de medRxiv* tandis que l'article subit l'inspection professionnelle.

L'étude

Le modèle initial prévoit des régimes d'incidence et de diagnostic pour COVID-19 mondial, examinant 72 emplacements en Australie, la Belgique, le Brésil, la France, l'Italie, le Mexique, les Pays-Bas, l'Afrique du Sud, l'Espagne, et les Etats-Unis. Il a prévu des caisses pour un hublot de six semaines pendant deux ou trois les mois des septembre et octobre 2020, de la date des prévisions. Cet hublot de six semaines était le temps l'où le vaccin de Janssen commencerait des tests cliniques.

Le modèle utilisé était un modèle basé sur agent qui simule les agents appelés d'entités de prise de décision qui basent leurs décisions sur une suite de règles. Dans ce cas, 100.000 agents ont été employés représentant les personnes qui agiraient l'un sur l'autre les uns avec les autres. Le modèle a été étalonné pour chacun des 72 emplacements utilisant plusieurs variables : taille de population, répartition par âge, distribution de grandeurs de famille, caractéristiques de contact par emploi, famille et contacts d'école/communauté, et estimations globales de paramètre de la maladie.

Des interventions telles que le contrôle, le traçage de contact, la quarantaine et toute autre restriction telle que distancer de social ou usage de masque ont pu être mises en application pour modifier le modèle. Cinq modèles ont été au commencement produits - ne montrant aucun changement des restrictions, le soulagement de 10% des restrictions (et de l'augmentation de 10% par transmission individuelle), le soulagement de 20% des restrictions et de l'augmentation par transmission, et un modèle sans des infections importées de l'extérieur ainsi qu'un modèle avec le contrôle continuel. La caractéristique a été recueillie des simulations une fois que les modèles étaient réglés à l'exactitude avec la réalité actuelle dans chaque endroit.

Les chercheurs ont examiné combien de fois les caractéristiques ont fait partie des limites supérieures et inférieures au commencement spécifiques et que les conditions étaient statistiquement significatives dans le succès ou échec des modèles pour évaluer l'exactitude de leur modèle initial. Malheureusement, 45/72 de projections est tombé hors des limites et n'était pas précis.

Généralement, les modèles qui étaient les plus proches de la réalité avaient correctement prévu de futurs régimes de politique sanitaire ou de contrôle ou plus longues périodes de projection. D'autres facteurs non impliqués dans la prévision que prouvé pour être avantageuse pour l'exactitude il était une population plus jeune ou un taux de chômage plus élevé ou des indices de pauvreté. Une plus jeune population pourrait faciliter plus par transmission arrogante, car il y aura moins personnes dans des maisons de repos et une population généralement plus résistante.

Car des grades plus élevés d'index de privation sont marqués avec la boîte de vitesses et la gravité accrues, une pauvreté et un taux de chômage plus élevés pourraient également être avantageux en prévoyant la propagation de la maladie. Le facteur le plus important était de loin des suppositions publiques de politique sanitaire. Les prévisions les plus fausses se sont produites quand la modélisation a prévu la modification opposée de restriction à la réalité, telle que le déblocage de la restriction quand le modèle montré a serré des restrictions. Même lorsque les scientifiques ont correctement estimé le sens des modifications, les modèles étaient seulement précis dans 49% de cas.

Conclusion

Les auteurs mettent en valeur les changements de politique rapides des gouvernements multiples en tant qu'une des difficultés de modéliser n'importe quelle maladie, en particulier dans la pandémie COVID-19. Particulièrement dans les premiers temps de la pandémie, ainsi que de se desserrer initial des restrictions, conseil de gouvernement a pu changer régulièrement, rendant des prévisions précises difficiles. Les chercheurs arguent du fait que ceci supporte le besoin de plus de révision de la modélisation et des projections pendant que les politiques gouvernementales changent, ainsi que d'indiquer les risques de la modélisation trop loin dans le contrat à terme. Aussi bien que ceci, les résultats montrent l'importance des politiques sanitaires publiques en comprenant la propagation de la maladie et en évitant cet écart.

Les modifications imprévisibles et parfois unintuitive expliquent en grande partie les échecs des modèles COVID-19 et fournissent à la motivation intense pour des chercheurs au travail des décisionnaires autant que possible et demandent l'avis des experts comportementaux pour déterminer la réaction à certaines restrictions.

avis *Important

le medRxiv publie les états scientifiques préliminaires qui pair-ne sont pas observés et ne devraient pas, en conséquence, être considérés comme concluants, guident la pratique clinique/comportement relatif à la santé, ou traité en tant qu'information déterminée

Journal reference:
Sam Hancock

Written by

Sam Hancock

Sam completed his MSci in Genetics at the University of Nottingham in 2019, fuelled initially by an interest in genetic ageing. As part of his degree, he also investigated the role of rnh genes in originless replication in archaea.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Hancock, Sam. (2021, October 05). Combien précise est la modélisation COVID-19 ?. News-Medical. Retrieved on January 21, 2022 from https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx.

  • MLA

    Hancock, Sam. "Combien précise est la modélisation COVID-19 ?". News-Medical. 21 January 2022. <https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx>.

  • Chicago

    Hancock, Sam. "Combien précise est la modélisation COVID-19 ?". News-Medical. https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx. (accessed January 21, 2022).

  • Harvard

    Hancock, Sam. 2021. Combien précise est la modélisation COVID-19 ?. News-Medical, viewed 21 January 2022, https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx.