[ad_1]

روشهایی که در حال حاضر در سراسر جهان برای پیش بینی توسعه COVID-19 و سایر موارد همه گیر استفاده می شود ، دقیقاً بهترین و بدترین سناریوها را گزارش نمی دهند. یک روش تازه توسعه یافته برای پیش بینی همه گیری ها ، منتشر شده در فیزیک طبیعت، این مسئله را حل کن.

“این در مورد درک بهترین و بدترین حالت است – و این واقعیت که بدترین حالت یکی از مهمترین مواردی است که باید هنگام پیمایش در همه گیرها به دنبال آن باشید – خواه در دانمارک ، اتحادیه اروپا ، ایالات متحده باشد. یا چه کسی اگر فقط یک ارزیابی متوسط ​​از توسعه یک اپیدمی به شما داده شود – بدون اینکه بدانید چقدر ممکن است این بیماری بد باشد ، پس عمل سیاسی دشوار است “، پروفسور سون لمان ، یکی از چهار نویسنده مقاله ثابت – آمار توصیفی زمان ، دست کم گرفتن افراط در مجموعه های تازه منتشر شده در منحنی اپیدمی فیزیک طبیعت.

محققان Jonas L. Juul ، Kaare Græsbøll ، Lasse Engbo Christianen و Sune Lehmann ، همه از DTU Compute ، در هنگام بحران کرونر به عنوان مشاور شورای ملی بهداشت در دانمارک عمل کردند. و تا حدودی بر اساس تجربه خود به عنوان مشاور ، آنها دریافتند كه روشهای موجود برای طراحی توسعه همه گیرها مانند COVID-19 در توصیف احتمالات نهایی توسعه مورد انتظار دشوار است.

همه گیری ها قابل پیش بینی نیستند

جوناس ال ، فوق دکترا توضیح می دهد: “همه گیری بیماری ها اساساً فرآیندهای تصادفی است. همین بیماری که در همان جمعیت وارد می شود می تواند تعداد زیادی از افراد را آلوده کند یا بدون گسترش قطعی به سرعت از بین برود. این تا حدی به همزمانی بستگی دارد.” ژوئیه

این غیرقابل پیش بینی بودن همه گیری است که تصمیم گیری صحیح را در هرجای جامعه هنگام حمله دشوار می کند. به چند تخت و تنفس احتیاج دارید؟ و تا چه حد می توانیم با اعمال محدودیت این تقاضا را کاهش دهیم؟

با این حال ، غیرقابل پیش بینی بودن عمومی تنها یکی از بسیاری از مشکلات در ارزیابی توسعه یک بیماری همه گیر است.

“نه تنها ماهیت غیر قابل پیش بینی شیوع بیماری پیش بینی روند آنها را دشوار می کند – بلکه عدم دانش ما در مورد ویژگی ها و شیوع بیماری در جامعه در همه زمان ها است. فقط چند مثال مشخص می آورم: معمولاً هیچ کس ایده ای ندارد سون لهمان گفت: “شیوع دقیقاً چه زمانی شروع شده است ، چند نفر مبتلا در یک منطقه خاص داریم یا در همه مناطق بیماری شیوع بیماری در حال حاضر چیست؟ تنها چیزی که به طور قطعی می دانیم این است که وقتی مقامات بهداشتی شیوع بیماری را پیدا می کنند ، مدتی است ادامه دارد.”

یک روش معمول برای مقابله با کمبود اطلاعات ، تقریباً در همه جای جهان ، این است که بسیاری از سناریوها را براساس تعداد مختلفی از عفونت های ناشناخته و زمان شروع مدلسازی کنید و سپس با مشاهده هر روز به صورت جداگانه و برآورد “میانگین “پیش بینی ها به عنوان محتمل ترین نتایج در روز. اگر بیشتر پارامترهای ورودی تعداد عفونت زیر 4000 را در کریسمس نشان دهند ، متعاقباً بیش از 4000 عفونت جدید بعید ارزیابی می شود.

روش “روزانه” ساخت این پیش بینی ها در سراسر جهان مورد استفاده قرار می گیرد و اگرچه ارتباط بین توسعه یک اپیدمی و تاریخ های خاص در برخی از زمینه ها مفید است ، اما به طور سیستماتیک داده های مربوط به میزان شیوع یا خفیف اپیدمی را حذف می کند.

اگر به عنوان مثال ، همه پیش بینی ها پیش بینی کنند که اپیدمی در یک روز به حداکثر 4000 مورد آلوده می رسد ، اما هیچ یک از منحنی ها آن را در همان روز نشان نمی دهند ، در یک روز معین این حالت افراطی خواهد بود و بنابراین در هیچ برآوردی لحاظ نمی شود.

بنابراین ، ما پیشنهاد می کنیم خلاصه ای را “بر اساس منحنی” تهیه کنیم: به جای اینکه تخمین بزنیم در هر روز چه سطح عفونی احتمال دارد یا بعید است ، باید هر بار یک شبیه سازی را در نظر بگیریم. آیا کل منحنی عفونت شبیه سازی شده محتمل است یا خیر؟ و بر اساس آن ، می توانید خلاصه ای از محتمل ترین منحنی ها را برای توسعه همه گیری تهیه کنید. “

سون لهمن در پایان گفت: “بررسی منحنی های كامل پیش بینی به جای روزهای فرد ، تخمین واقعی تری از میزان شیوع بیماری همه گیر به شما می دهد. اگر بخواهید از اضافه بار سیستم بیمارستان جلوگیری كنید ، بسیار مفید است.”

منبع تاریخچه:

مواد تهیه شده توسط دانشگاه فنی دانمارک. اصلی ، نوشته شده توسط Jesper Spangsmark Nielsen. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.

[ad_2]

منبع: unbox-news.ir