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.

Como exacta é modelar COVID-19?

A doença 2019 de Coronavirus (COVID-19) que modela mostrou-se para ser dràstica importante para a política sanitária pública. Com milhões de mortes e centenas de milhões de casos mundiais, conhecendo a propagação e o risco prováveis dos governos ajudados doença aplique lockdowns, social que afastam medidas, e outras limitações minimizar a propagação da doença e comprar a hora para a revelação vacinal.

Estudo: Prevendo o imprevisível: como previsões dinâmicas do modelo do desafio das políticas COVID-19 e das limitações. Crédito de imagem: Bihlmayer Fotografie/ShutterstockEstudo: Prevendo o imprevisível: como previsões dinâmicas do modelo do desafio das políticas COVID-19 e das limitações. Crédito de imagem: Bihlmayer Fotografie/Shutterstock

Durante uma saúde e uma crise económica globais, equilibrar a capacidade potencial para abrir a economia contra o risco de uma transmissão mais adicional era essencial. Os modelos podem igualmente ajudar áreas seletas para experimentações vacinais determinando a probabilidade geográfica de taxas de incidência altas. Um modelo agente-baseado particular foi usado para identificar as taxas potenciais para a propagação de COVID-19 entre junho e agosto de 2020. Os pesquisadores do instituto de Burnet em Melbourne têm usado este para investigar como a modelagem COVID-19 exacta foi.

Uma versão da pré-impressão do estudo está disponível no server do medRxiv* quando o artigo se submeter à revisão paritária.

O estudo

O modelo inicial prevê as taxas da incidência e do diagnóstico para COVID-19 mundial, examinando 72 lugar em Austrália, Bélgica, Brasil, França, Itália, México, os Países Baixos, África do Sul, Espanha, e os Estados Unidos. Previu caixas para um indicador de seis semanas durante os dois ou três os meses dos setembro e outubro de 2020, da tâmara das previsões. Este indicador de seis semanas era o tempo em que a vacina de Janssen começaria ensaios clínicos.

O modelo usado era um modelo agente-baseado que simulasse as entidades da tomada de decisão chamadas os agentes que baseiam suas decisões em uma série de regras. Neste caso, 100.000 agentes foram usados que representam os indivíduos que interagiriam um com o otro. O modelo foi calibrado para cada um dos 72 lugar usando diversas variáveis: tamanho da população, estrutura de idade, distribuição de tamanho do agregado familiar, dados do contacto com o emprego, agregado familiar e contactos da escola/comunidade, e avaliações globais do parâmetro da doença.

As intervenções tais como o teste, o traçado do contacto, a quarentena e a outra limitação tal como afastar-se do social ou uso da máscara podiam ser executadas para alterar o modelo. Cinco modelos foram criados inicialmente - não mostrando nenhuma mudança nas limitações, facilitação de 10% das limitações (e do aumento de 10% na transmissão individual), facilitação de 20% das limitações e do aumento na transmissão, e um modelo sem as infecções importadas da parte externa assim como um modelo com teste constante. Os dados foram recolhidos das simulações uma vez que os modelos foram ajustados para a precisão com a realidade actual em cada área.

Os pesquisadores examinados como frequentemente os dados caíram dentro dos limites superiores e mais baixos especificados inicialmente e que circunstâncias eram estatìstica significativos no sucesso ou na falha dos modelos avaliar a precisão de seu modelo inicial. Infelizmente, 45/72 das projecções caíram fora dos limites e não foram exacto.

Geralmente, os modelos que eram os mais próximos à realidade tinham previsto correctamente as taxas futuras da política sanitária ou do teste ou uns períodos mais longos da projecção. Outros factores não envolvidos na previsão que provou ser benéfica para a precisão eram uma população mais jovem ou um desemprego mais alto ou uns índices de pobreza. Uma população mais nova poderia ajudar a mais em transmissão presumida, porque haverá menos indivíduos nos lares de idosos e uma população geralmente mais resistente.

Porque umas avaliações mais altas do deslocamento predeterminado da privação são correlacionadas com a transmissão e a severidade aumentadas, uma pobreza e um desemprego mais altos poderiam igualmente ser benéficos em prever a propagação da doença. A maioria de factor importante era por muito suposições públicas da política sanitária. As previsões as mais errôneas ocorreram quando a modelagem previu a mudança oposta da limitação à realidade, tal como o afrouxamento da limitação quando o modelo mostrado apertou limitações. Mesmo quando os cientistas supor correctamente o sentido das mudanças, os modelos eram somente exactos em 49% dos casos.

Conclusão

Os autores destacam alterações de política rápidas dos governos múltiplos como uma das dificuldades de modelar toda a doença, particularmente na pandemia COVID-19. Particularmente nos primeiros dias da pandemia, assim como do afrouxamento inicial das limitações, conselho do governo podia mudar regularmente, fazendo previsões exactas difíceis. Os pesquisadores argumentem que este apoia a necessidade para mais revisão da modelagem e das projecções enquanto mudança de políticas do governo, assim como de revelar os riscos de modelagem demasiado distante no futuro. E também isto, os resultados mostram a importância de políticas sanitárias públicas em compreender a propagação da doença e em impedir essa propagação.

As mudanças imprevisíveis e às vezes unintuitive explicam pela maior parte as falhas dos modelos COVID-19 e fornecem a motivação forte para pesquisadores ao trabalho os responsáveis políticos tanto quanto possível e procuram o conselho de peritos comportáveis determinar a reacção a determinadas limitações.

observação *Important

o medRxiv publica os relatórios científicos preliminares que par-não são revistos e, não devem conseqüentemente ser considerados como conclusivos, guia a prática clínica/comportamento saúde-relacionado, ou tratado como a informação estabelecida

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). Como exacta é modelar COVID-19?. News-Medical. Retrieved on January 16, 2022 from https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx.

  • MLA

    Hancock, Sam. "Como exacta é modelar COVID-19?". News-Medical. 16 January 2022. <https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx>.

  • Chicago

    Hancock, Sam. "Como exacta é modelar COVID-19?". News-Medical. https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx. (accessed January 16, 2022).

  • Harvard

    Hancock, Sam. 2021. Como exacta é modelar COVID-19?. News-Medical, viewed 16 January 2022, https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx.