Forskere udvikler metode til at hjælpe epidemiologer med at kortlægge spredningen af ​​COVID-19

Forskere fra Rochester Institute of Technology har udviklet en metode, som de mener vil hjælpe epidemiologer til mere effektivt at forudsige spredningen af ​​COVID-19-pandemien. Deres nye undersøgelse, udgivet i Physica D:Ikke-lineære fænomener , skitserer en løsning på SIR-epidemimodellen, som almindeligvis bruges til at forudsige, hvor mange mennesker der er modtagelige for, inficeret af, og genoprettet fra virale epidemier.

Metoden blev skabt af Nathaniel Barlow, lektor ved RIT's School of Mathematical Sciences, og Steven Weinstein, leder af RITs Institut for Kemiteknik. De siger, at ved at bruge denne løsning til modellen, Epidemiologer kan hurtigt forudsige mange forskellige scenarier for, hvordan COVID-19 kan spredes baseret på en række variabler. Fremskrivninger produceret af matematiske modeller hjælper offentlige embedsmænd med at træffe politiske beslutninger om, hvornår de skal indføre og ophæve restriktioner med det formål at udjævne kurven for infektionsrater.

De anvendte matematikere, der udviklede metoden, sagde, at de var spændte på at finde en måde at anvende deres færdigheder til at hjælpe med at bekæmpe pandemien.

"Jeg var hjemme og tænkte, at jeg på en eller anden måde gerne ville hjælpe med alt, der foregår, " sagde Barlow. "Vi så en populær artikel derude om SIR-modellen, så, at vores metode kunne fremskynde processen, og vi skrev hurtigt papiret. Vores mål var at få bedre værktøjer til de eksperter, der bekæmper denne sygdom."

Metoden var baseret på løsninger, de tidligere har udviklet på vidt forskellige problemstillinger inden for termodynamik, væskemekanik og forudsigelse af lysets baner omkring sorte huller. De har arbejdet indgående med bachelorstuderende om disse problemer i løbet af de sidste seks år og fundet ud af, at løsningen på SIR-epidemimodellen havde en meget lignende matematisk struktur. Selvom forfatterne ikke tidligere har arbejdet inden for epidemiologi, deres tidligere arbejde oversat problemfrit til dette nye felt.

"Mange gange, det er, hvad vi som anvendte matematikere gør - arbejder på grænserne af felter, hvor folk ikke typisk taler, " sagde Weinstein. "Vi tjener en vigtig funktion til at levere algoritmer til at understøtte videnskabelig undersøgelse og forudsigelse. Den teknik, vi har udviklet her, er generel for mange forskellige områder."

Forfatterne arbejder nu på at vise, hvordan deres metode kan anvendes på mere komplekse modeller som SEIR-epidemimodellen, som ligner SIR-modellen, men også forudsiger befolkningen udsat for en epidemi.