Forudsige udviklingen af ​​en pandemi

Inkluderingen af ​​biologisk usikkerhed og de seneste casedata kan forbedre forudsigelsesnøjagtigheden væsentligt af standard epidemiologiske modeller for virustransmission, ny forskning ledet af KAUST og Kuwait College of Science and Technology (KCST) har vist.

Moderne matematiske epidemimodeller er blevet testet som aldrig før under COVID-19-pandemien. Disse modeller bruger matematik til at beskrive de forskellige biologiske og transmissionsprocesser, der er involveret i en epidemi. Imidlertid, når sådanne faktorer er meget usikre, såsom under fremkomsten af ​​en ny virus som COVID-19, forudsigelserne kan være upålidelige.

"Den modtagelige-eksponerede-inficerede-genoprettede model, SEIR, er en standard matematisk tilgang til at forudsige spredningen af ​​en epidemi i en befolkning, " siger Rabih Ghostine, tidligere KAUST og nu på KCST. "Denne model er baseret på flere antagelser, såsom homogen blanding af befolkningen og udeladelse af migration, fødsler eller dødsfald af andre årsager end epidemien. Parametrene i den traditionelle SEIR-model giver heller ikke mulighed for kvantificering af usikkerhed, at være enkeltværdier, der afspejler modelbyggerens bedste gæt."

"Vi ønskede at udvikle en robust matematisk model, der tager højde for sådanne usikkerheder og inkorporerer epidemiske data for at forbedre prognosenøjagtigheden, " forklarede Ghostine.

Ghostine, sammen med KAUSTs Ibrahim Hoteit og andre forskere, udviklet en udvidet SEIR-model, der kompromitterede syv rum:modtagelige, udsat, smitsom, i karantæne, genvundet, dødsfald og vaccineret. De tilføjede derefter usikkerhedsdefinitioner og en dataassimileringsproces for at drive progressiv forbedring af modellen.

"Vores dataassimileringstilgang udnytter nye indkommende observationer til at kalibrere modellen med nyere informationer for løbende at give forbedrede forudsigelser, og også at estimere usikkerheder, " siger Ghostine. "Dette er en populær ramme i atmosfæriske og havforskningssamfund og er grundlaget for al operationel vejr- og havmodellering."

Modellen bruger en "ensemble" tilgang, hvor et sæt forudsigelser genereres på tværs af forskellige parameterusikkerheder. Dette ensemble integreres derefter fremad i tiden for at forudsige den fremtidige tilstand. Der udføres et korrektionstrin for at opdatere prognosen med de seneste data. Validering ved hjælp af rigtige data for Saudi-Arabien viste, at modellen giver pålidelige prognoser i op til 14 dage i forvejen.

"Matematiske modeller kan spille en vigtig rolle i at forstå og forudsige COVID-19-transmission samt give afgørende information til politiske beslutningstagere for at implementere passende foranstaltninger og effektive strategier til at kontrollere pandemiens spredning og afbøde dens indvirkning, " siger Hoteit. "Vores metode, som vi udviklede for at simulere spredningen af ​​COVID-19 i Saudi-Arabien, kan også bruges til at forudsige spredningen af ​​enhver pandemi i en befolkning."