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.

Quanto accurata è modellare COVID-19?

La malattia 2019 (COVID-19) di Coronavirus che modella si è indicata per essere drasticamente importante a politica sanitaria di salute pubblica. Con milioni di morti e le centinaia di milioni di casi mondiali, conoscendo la diffusione ed il rischio probabili dei governi aiutati malattia applichi i lockdowns, il sociale che distanziano le misure ed altre restrizioni per minimizzare la diffusione della malattia e per guadagnare tempo per sviluppo del vaccino.

Studio: Predizione dellStudio: Predizione dell'imprevedibile: come previsioni dinamiche del modello di sfida di polizze COVID-19 e di restrizioni. Credito di immagine: Bihlmayer Fotografie/Shutterstock

Durante una salubrità e la crisi economica globali, saldare la capacità potenziale per l'apertura dell'economia contro il rischio di trasmissione ulteriore era essenziale. I modelli possono anche aiutare le aree selezionate per le prove vaccino determinando la probabilità geografica di alte tariffe di incidenza. Un a modello basato a agente particolare è stato usato per identificare le tariffe potenziali per la diffusione di COVID-19 fra giugno e agosto 2020. I ricercatori dall'istituto della pimpinella a Melbourne stanno usando questo per studiare come la modellistica accurata COVID-19 è stata.

Una versione della pubblicazione preliminare dello studio è disponibile sul " server " del medRxiv* mentre l'articolo subisce la revisione tra pari.

Lo studio

Il modello iniziale predice le tariffe di diagnosi e di incidenza per COVID-19 mondiale, esaminanti 72 posizioni in Australia, il Belgio, il Brasile, la Francia, l'Italia, il Messico, i Paesi Bassi, il Sudafrica, la Spagna e gli Stati Uniti. Ha predetto le casse per una finestra di sei settimane durante due o tre i mesi settembre e ottobre 2020, a partire dalla data delle previsioni. Questa finestra di sei settimane era il tempo in cui il vaccino di Janssen avrebbe cominciato i test clinici.

Il modello usato era ad un modello basato a agente che simula le entità decisionali chiamate agenti che basano le loro decisioni su una serie di norme. In questo caso, 100.000 agenti sono stati usati che rappresentano le persone che interagirebbero a vicenda. Il modello è stato calibrato per ciascuna delle 72 posizioni facendo uso di parecchie variabili: dimensione della popolazione, struttura della popolazione in relazione all'età, distribuzione per ampiezza della famiglia, dati del contatto con occupazione, famiglia e contatti comunità/del banco e preventivi globali di parametro di malattia.

Gli interventi quali la prova, il tracciato del contatto, la quarantena e l'altra restrizione quali distanziare del sociale o uso della maschera hanno potuto essere applicati per alterare il modello. Cinque modelli inizialmente sono stati creati - non mostrando cambiamento nelle restrizioni, l'alleviamento di 10% delle restrizioni (e dell'aumento di 10% nella trasmissione determinata), l'alleviamento di 20% delle restrizioni e dell'aumento nella trasmissione e un modello senza le infezioni incluse dall'esterno come pure un modello con la prova costante. I dati sono stati riuniti dalle simulazioni una volta che i modelli fossero regolato per accuratezza con la realtà corrente in ogni area.

I ricercatori hanno esaminato ogni quanto tempo i dati hanno fatto parte dei limiti superiori e più inferiori inizialmente specificati e che le circostanze erano statisticamente significative in successo o omissione dei modelli valutare l'accuratezza del loro modello iniziale. Purtroppo, 45/72 delle proiezioni è caduto fuori dai limiti e non era accurato.

Generalmente, i modelli che erano i più vicini alla realtà avevano predetto correttamente le tariffe future di prova o di criterio di integrità o i periodi più lunghi della proiezione. Altri fattori non non in questione nella previsione che è risultato essere utile per accuratezza erano una popolazione più giovanile o un'più alta disoccupazione o gli indici di povertà. Una più giovane popolazione potrebbe aiutare più nella trasmissione di supposizione, poichè ci sarà meno persone nelle case di cura e una popolazione generalmente più resistente.

Poichè le più alte classificazioni di indice analitico della privazione sono correlate con la trasmissione e la severità aumentate, il più alte povertà e disoccupazione potrebbero anche essere utili nella predizione della diffusione della malattia. La maggior parte del fattore importante di gran lunga era presupposti di politica sanitaria di salute pubblica. Le previsioni più erronee si sono presentate quando la modellistica ha predetto il cambiamento opposto della restrizione alla realtà, come allentamento della restrizione quando il modello indicato ha stretto le restrizioni. Anche quando gli scienziati hanno indovinato correttamente la direzione dei cambiamenti, i modelli erano soltanto accurati in 49% dei casi.

Conclusione

Gli autori evidenziano i cambi politici rapidi dai governi multipli come una delle difficoltà di modellistica della tutta la malattia, specialmente nella pandemia COVID-19. Specialmente negli inizi della pandemia come pure nell'allentamento iniziale delle restrizioni, consiglio di governo ha potuto cambiare regolarmente, rendendo le previsioni accurate difficili. I ricercatori sostengono che questo supporta l'esigenza della più revisione di modellistica e di proiezioni mentre cambiamento di polizze di governo come pure di rivelare i rischi di modellistica troppo lontano nel futuro. Così come questo, i risultati mostrano l'importanza delle politiche sanitarie di salute pubblica sia nella comprensione della diffusione della malattia che nell'impedire quella diffusione.

I cambiamenti imprevedibili ed a volte unintuitive in gran parte spiegano gli errori dei modelli COVID-19 e forniscono la forte motivazione per i ricercatori a lavoro i responsabili della politica il più possibile e chiedono il parere degli esperti comportamentistici per determinare la reazione a determinate restrizioni.

avviso *Important

il medRxiv pubblica i rapporti scientifici preliminari che pari-non sono esaminati e, pertanto, non dovrebbero essere considerati conclusivi, guida la pratica clinica/comportamento correlato con la salute, o trattato come informazioni stabilite

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). Quanto accurata è modellare COVID-19?. News-Medical. Retrieved on January 17, 2022 from https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx.

  • MLA

    Hancock, Sam. "Quanto accurata è modellare COVID-19?". News-Medical. 17 January 2022. <https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx>.

  • Chicago

    Hancock, Sam. "Quanto accurata è modellare COVID-19?". News-Medical. https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx. (accessed January 17, 2022).

  • Harvard

    Hancock, Sam. 2021. Quanto accurata è modellare COVID-19?. News-Medical, viewed 17 January 2022, https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx.