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.

¿Cómo exacto es el modelado COVID-19?

La enfermedad 2019 (COVID-19) de Coronavirus que modelaba se ha mostrado para ser drástico importante para la política sanitaria pública. Con millones de muertes y de cientos de millones de casos mundiales, conociendo la extensión y el riesgo probables de los gobiernos ayudados enfermedad aplique los lockdowns, el social que se distancia dimensiones, y otras restricciones de disminuir la extensión de la enfermedad y de comprar hora para el revelado vaccíneo.

Estudio: Predecir el imprevisible: cómo pronósticos del tiempo dinámicos del modelo del reto de los planes de acción COVID-19 y de las restricciones. Haber de imagen: Bihlmayer Fotografie/ShutterstockEstudio: Predecir el imprevisible: cómo pronósticos del tiempo dinámicos del modelo del reto de los planes de acción COVID-19 y de las restricciones. Haber de imagen: Bihlmayer Fotografie/Shutterstock

Durante una salud global y una crisis económica, el equilibrio de la capacidad potencial para abrir la economía en contra arriesgar de la transmisión adicional era esencial. Los modelos pueden también ayudar a las áreas selectas para las juicios vaccíneas determinando la probabilidad geográfica de los altos regímenes de incidencia. Un modelo agente-basado determinado fue utilizado para determinar los regímenes potenciales para la extensión de COVID-19 entre junio y agosto de 2020. Los investigadores del instituto de Burnet en Melbourne han estado utilizando esto para investigar cómo ha sido el modelado exacto COVID-19.

Una versión de la prueba preliminar del estudio está disponible en el servidor del medRxiv* mientras que el artículo experimenta la revisión paritaria.

El estudio

El modelo inicial predice los regímenes de la incidencia y de la diagnosis para COVID-19 mundial, examinando 72 situaciones en Australia, Bélgica, el Brasil, Francia, Italia, México, los Países Bajos, Suráfrica, España, y los Estados Unidos. Predijo las cajas para una ventana de seis semanas durante dos o tres los meses septiembre y octubre de 2020, a partir de la fecha de predicciones. Esta ventana de seis semanas era el tiempo en el cual la vacuna de Janssen comenzaría juicios clínicas.

El modelo usado era un modelo agente-basado que simula las entidades de la toma de decisión llamadas los agentes que basan sus decisiones en una serie de reglas. En este caso, 100.000 agentes fueron utilizados que representaban a los individuos que obrarían recíprocamente con uno a. El modelo fue calibrado para cada uno de las 72 situaciones usando varias variables: talla de la población, estructura de edad, distribución dimensional del hogar, datos del contacto con el empleo, hogar y contactos de la escuela/de la comunidad, y presupuestos globales del parámetro de la enfermedad.

Las intervenciones tales como prueba, trazado del contacto, cuarentena y otra restricción tal como distancia del social o uso de la máscara se podían ejecutar para alterar el modelo. Cinco modelos fueron creados inicialmente - no mostrando ningún cambio en restricciones, la facilitación del 10% de restricciones (y de aumento del 10% en la transmisión individual), la facilitación del 20% de restricciones y de aumento en la transmisión, y un modelo sin las infecciones importadas de exterior así como un modelo con la prueba constante. Los datos fueron recopilados de las simulaciones una vez que los modelos fueron ajustados según exactitud con la realidad actual en cada área.

Los investigadores examinaron cuantas veces los datos bajaron dentro de los saltos superiores y más inferiores especificados inicialmente y que eran estadístico importantes las condiciones en el éxito o la falla de los modelos de fijar la exactitud de su modelo inicial. Lamentablemente, 45/72 de las proyecciones bajó de los saltos y no era exacto.

Generalmente, los modelos que estaban los más cercanos a la realidad habían predicho correctamente los regímenes futuros de la política sanitaria o de la prueba o períodos más largos de la proyección. Otros factores no implicados en la predicción que demostró ser beneficiosa para la exactitud eran una población más joven o un desempleo más alto o índices de pobreza. Una población más joven podría ayudar más en la transmisión asumida, pues habrá menos individuos en clínicas de reposo y una población generalmente más resistente.

Pues aforos más altos del índice de la privación se correlacionan con la transmisión y la severidad crecientes, una pobreza y un desempleo más altos podrían también ser beneficiosos en predecir la extensión de la enfermedad. El factor más importante con mucho era suposiciones públicas de la política sanitaria. Las predicciones más erróneas ocurrieron cuando el modelado predijo el cambio opuesto de la restricción a la realidad, tal como aflojar la restricción cuando el modelo mostrado apretó restricciones. Incluso cuando los científicos conjeturaban correctamente la dirección de los cambios, los modelos eran solamente exactos en el 49% de casos.

Conclusión

Los autores destacan cambios policiales rápidos de gobiernos múltiples como una de las dificultades de modelar cualquier enfermedad, determinado en el pandémico COVID-19. Determinado en los primeros días del pandémico, así como de aflojar inicial de restricciones, consejo del gobierno podía cambiar regularmente, haciendo predicciones exactas difíciles. Los investigadores sostienen que esto soporta la necesidad de más revisión del modelado y de proyecciones mientras que cambio policial del gobierno, así como de revelar los riesgos de modelado demasiado lejos en el futuro. Así como esto, los resultados muestran la importancia de las políticas sanitarias públicas en la comprensión de la extensión de la enfermedad y la prevención de esa extensión.

Los cambios imprevisibles y a veces unintuitive explican en gran parte las fallas de los modelos COVID-19 y proveen del estímulo fuerte para los investigadores al trabajo los responsables políticos tanto cuanto sea posible e intentan el consejo de expertos del comportamiento para determinar la reacción a ciertas restricciones.

advertencia *Important

el medRxiv publica los partes científicos preliminares que par-no se revisan y, por lo tanto, no se deben mirar como concluyentes, conduce práctica clínica/comportamiento relativo a la salud, o tratado como información establecida

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). ¿Cómo exacto es el modelado 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. "¿Cómo exacto es el modelado COVID-19?". News-Medical. 17 January 2022. <https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx>.

  • Chicago

    Hancock, Sam. "¿Cómo exacto es el modelado 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. ¿Cómo exacto es el modelado COVID-19?. News-Medical, viewed 17 January 2022, https://www.news-medical.net/news/20211005/How-accurate-is-COVID-19-modelling.aspx.