Matematisk model giver ny indsigt i spredning af epidemier

Matematiske modeller er blevet brugt i vid udstrækning til at vejlede regeringens beslutninger om COVID-19-pandemien, fra at forudsige resultater til endda at teste potentielle indgreb.

Imidlertid, kompleksiteten af ​​scenarier i den virkelige verden udgør stadig nye teoretiske udfordringer for matematisk modellering af epidemispredning.

For eksempel, beviser fra covid-19 super-spredningshændelser indikerer, at det er vanskeligt at definere karakteristika for disse hændelser, som kan variere betydeligt i deres varighed og antal involverede personer.

Eksisterende netværksmodeller for spredning af epidemier fokuserer ofte på kontakter mellem par af individer, mens samlokalisering af individer såsom på arbejdspladsen, restauranter, eller fitnesscenter omfatter typisk mere end to personer. De undlader også ofte at overveje de heterogene tidsmæssige varigheder af disse interaktioner på et bestemt sted.

I en ny undersøgelse, offentliggjort i dag i Fysisk gennemgangsbreve , forskere udviklede en ny tilgang til epidemisk modellering, der tager hensyn til interaktioner mellem to eller flere mennesker på samme sted og i forskellige mængder af tid.

Udfordrende antagelser

Modellen udviklet af det internationale forskerhold, herunder fysikere fra University of Vermont og Université Laval, og ledet af professor Ginestra Bianconi, en matematiker fra Queen Mary University of London, også taget i betragtning nye beviser, der tyder på, at en minimal infektionsdosis er nødvendig for at en infektion kan opstå.

Denne nye modelleringstilgang ændrer radikalt veletablerede antagelser inden for modellering af epidemiske netværk, såsom infektionsrater, der er lineære med antallet af inficerede individer. Resultaterne viser, at co-locations kombineret med heterogen varighed af eksponering kan føre til ikke-lineære infektionsrater, hvis en minimal infektionsdosis er nødvendig for, at en infektion sandsynligvis kan forekomme.

Professor Ginestra Bianconi, Professor i anvendt matematik ved Queen Mary, sagde:"Co-location kan involvere grupper af mennesker, mens netværksmodeller for epidemisk spredning typisk er baseret på kontaktnetværk, der beskriver parvise interaktioner, der kan have en meget anden topologi end co-location kontaktnetværk. Samlokalisering sker også i tide, for eksempel kan jeg gå til det samme fitnesscenter som en anden person, men vi mødes måske ikke altid, og vi træner måske i forskellig tid der."

"Vores tilgang omfatter heterogeniteterne af interaktioner på grund af samlokalisering, der forekommer mellem mere end to personer i forskellige mængder af tid og afslører, at infektionskerner kan være ikke-lineære i disse meget heterogene scenarier, hvilket betyder, at hvis der er dobbelt så mange inficerede individer, der besøger et givet sted, kan sandsynligheden for infektion også være mere end dobbelt så stor. Disse resultater kaster nyt lys over den meget heterogene karakter af super-spredningsbegivenheder i forbindelse med COVID-19."