مدل سنتی برای شیوع بیماری ممکن است در COVID-19 کار نکند – ScienceDaily


یک مدل ریاضی که می تواند به پیش بینی عفونت و شیوع بیماری های عفونی مانند آنفولانزای فصلی کمک کند ، ممکن است بهترین روش برای پیش بینی ادامه شیوع ویروس کرونا نباشد ، به ویژه در هنگام انسداد که باعث تغییر ترکیب طبیعی جمعیت می شود ، محققان گزارش می دهند.

این مدل R-naught یا تعداد اولیه تولیدمثل نامیده می شود ، میانگین تعداد افراد مستعد ابتلا به یک فرد آلوده را پیش بینی می کند. این روش با استفاده از سه عامل اصلی – دوره عفونی بیماری ، چگونگی شیوع بیماری و تعداد افراد در تماس با فرد آلوده – محاسبه می شود.

از نظر تاریخی ، اگر R-صفر بیشتر از یک باشد ، عفونت ها می توانند رشد کنند و یک بیماری همه گیر یا همه گیر گسترده تر احتمال دارد. همه گیری COVID-19 اوایل R-zero بین دو تا سه بود.

در نامه ای که در کنترل عفونت و اپیدمیولوژی بیمارستان ، نویسنده مرتبط دکتر Arni SR Srinivasa Rao ، یک مدل ساز ریاضی در کالج پزشکی جورجیا در دانشگاه آگوستا ، استدلال می کند که اگرچه ردیابی هر مورد بیماری عفونی هرگز امکان پذیر نیست ، اما انسداد هایی که برای کاهش COVID ضروری شده اند -19 بیماری همه گیر پیش بینی شیوع بیماری را پیچیده می کند.

در عوض ، رائو و همكارانش با استفاده از مدلی به نام میانگین هندسی رویكرد نسبتاً پویایی را در طول زمان ارائه دادند. این مدل برای پیش بینی اعداد فردا از عدد امروز استفاده می کند. تعداد فعلی عفونت ها – به عنوان مثال در ماه آگوست امروز – به تعداد عفونت های پیش بینی شده برای فردا تقسیم می شود تا نرخ باروری دقیق و فعلی ایجاد شود.

اگرچه این روش هندسی نمی تواند روندهای طولانی مدت را پیش بینی کند ، اما می تواند اعداد احتمالی را در کوتاه مدت با دقت بیشتری پیش بینی کند.

رائو توضیح می دهد: “مدل R-n قابل تغییر نیست تا نرخ تماس را در نظر بگیرد ، که با ایجاد انسداد ممکن است روز به روز تغییر کند.” “در روزهای ابتدایی همه گیری ، ما به این روش های سنتی برای پیش بینی شیوع متکی بودیم ، اما محاصره ها نحوه ارتباط مردم با یکدیگر را تغییر می دهد.”

R-صفر یکنواخت نیز امکان پذیر نیست ، زیرا همه گیری COVID-19 در مناطق مختلف کشور و جهان به میزان قابل توجهی متفاوت است. در مکانهای مختلف ، برنامه های مختلفی از عفونت دارای سطح مختلفی هستند – نقاط داغ مانند نیویورک و کالیفرنیا دارای شبهای R بالاتری هستند. R-night همچنین موج سوم کنونی بیماری همه گیر COVID-19 را پیش بینی نمی کند.

رائو گفت: “عوامل مختلف دائماً در حال تغییر اعداد اساسی تولید مثل در سطح زمین هستند ، بنابراین ما به مدل بهتری نیاز داریم.” به گفته نویسندگان ، مدل های بهتر برای کاهش انتشار COVID-19 و برنامه ریزی های آینده تأثیراتی دارند.

نویسندگان می نویسند: “مدل های ریاضی باید به دقت مورد استفاده قرار گیرند و دقت آنها باید به دقت کنترل و اندازه گیری شود.” “هر اقدام جایگزین می تواند منجر به سوinter تعبیر و سو mis مدیریت بیماری با عواقب فاجعه بار شود.”

از نویسندگان همکار رائو می توان به دکتر استفان کرانز ، استاد ریاضیات و آمار دانشگاه واشنگتن و دکتر مایکل بونسال ، استاد گروه تحقیق در زمینه اکولوژی ریاضی در دانشگاه آکسفورد اشاره کرد.

منبع تاریخچه:

مواد تهیه شده توسط کالج پزشکی جورجیا ، دانشگاه آگوستا. اصلی ، نوشته شده توسط جنیفر هلیارد اسکات. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.


منبع: unbox-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>