Modellering af COVID-19-data skal udføres med ekstrem forsigtighed, siger videnskabsmænd

Da den smitsomme virus, der forårsagede COVID-19-sygdommen, begyndte sin ødelæggende spredning over hele kloden, et internationalt hold af videnskabsmænd var alarmeret over manglen på ensartede tilgange fra forskellige landes epidemiologer til at reagere på det.

Tyskland, for eksempel, indførte ikke en fuld lockdown, i modsætning til Frankrig og Storbritannien, og New Yorks beslutning i USA om at gå ind i en lockdown kom først efter, at pandemien havde nået et fremskredent stadium. Datamodellering til at forudsige antallet af sandsynlige infektioner varierede meget efter region, fra meget store til meget små tal, og afslørede en høj grad af usikkerhed.

Davide Faranda, en videnskabsmand ved det franske nationale center for videnskabelig forskning (CNRS), og kolleger i Storbritannien, Mexico, Danmark, og Japan besluttede at udforske oprindelsen af ​​disse usikkerheder. Dette arbejde er dybt personligt for Faranda, hvis bedstefar døde af COVID-19; Faranda har dedikeret arbejdet til ham.

I journalen Kaos , gruppen beskriver, hvorfor modellering og ekstrapolering af udviklingen af ​​COVID-19-udbrud i næsten realtid er en enorm videnskabelig udfordring, der kræver en dyb forståelse af de ikke-lineariteter, der ligger til grund for dynamikken i epidemier.

Forudsigelse af et komplekst systems adfærd, såsom udviklingen af ​​epidemier, kræver både en fysisk model for dens udvikling og et datasæt af infektioner for at initialisere modellen. For at skabe en model, holdet brugte data leveret af Johns Hopkins University's Center for Systems Science and Engineering, som er tilgængelig online på https://systems.jhu.edu/research/public-health/ncov/ eller https://github.com/CSSEGISandData/COVID-19.

"Vores fysiske model er baseret på at antage, at den samlede befolkning kan opdeles i fire grupper:dem, der er modtagelige for at fange virussen, dem, der har fået virussen, men ikke viser nogen symptomer, de, der er smittet, og endelig, dem, der kom sig eller døde af virussen, " sagde Faranda.

For at bestemme, hvordan folk flytter fra en gruppe til en anden, det er nødvendigt at kende infektionsraten, inkubationstid og restitutionstid. Faktiske infektionsdata kan bruges til at ekstrapolere epidemiens adfærd med statistiske modeller.

"På grund af usikkerheden i begge de parametre, der er involveret i modellerne - infektionsraten, inkubationsperiode og restitutionstid – og ufuldstændigheden af ​​infektionsdata i forskellige lande, ekstrapoleringer kan føre til en utrolig lang række usikre resultater, " sagde Faranda. "F.eks. bare at antage en undervurdering af de sidste data i infektionstal på 20 % kan føre til en ændring i det samlede infektionsestimat fra få tusinde til få millioner individer."

Gruppen har også vist, at denne usikkerhed skyldes manglende datakvalitet og også dynamikkens iboende karakter, fordi den er ultrafølsom over for parametrene - især i den indledende vækstfase. Dette betyder, at alle bør være meget forsigtige med at ekstrapolere nøglemængder for at beslutte, om de vil implementere lockdown-foranstaltninger, når en ny bølge af virussen begynder.

"Det samlede antal endelige infektioner såvel som varigheden af ​​epidemien er følsomme over for de data, du indsætter, " han sagde.

Teamets model håndterer usikkerhed på en naturlig måde, så de planlægger at vise, hvordan modellering af fasen efter indespærring kan være følsom over for de foranstaltninger, der træffes.

"Foreløbige resultater viser, at implementering af lockdown-foranstaltninger, når infektioner er i en fuld eksponentiel vækstfase, udgør alvorlige begrænsninger for deres succes, sagde Faranda.