Здравствуйте, дорогие мои читатели!
26 апреля 3000 года полное солнечное затмение можно будет увидеть, и проследить его путь над Южной Америкой, Атлантическим океаном и Северной Африкой - предсказание, которое никто не оспаривает.
В то время как астрономы уже давно поражают человечество удивительно точными прогнозами, учёные, пытающиеся описать будущее распространение патогенов, сталкиваются с гораздо большей неопределённостью.
Поэтому вопросы прогнозирования развития этой и будущих пандемий, поведения и действий людей и властей, вышел на первое место в изучении.
Исследователям не хватает достоверных данных о том, как распространяются инфекции, и небольшие различия в их патогенности, например, могут экспоненциально усиливать распространение вируса, что затрудняет прогнозирование тяжести эпидемий и пандемий.
Новое исследование Найджела Гольденфельда и Сергея Маслова из Иллинойского университета в Урбана-Шампейне и их коллег, возможно, сделает прогнозирование проще и достовернее.
Взяв в качестве примера штат, Иллинойс, команда разработала модель, которая оценивает краткосрочное воздействие нефармацевтических вмешательств на распространение вируса, вызывающего COVID-19. Учёные исследовали и количественно оценили ограничения модели, уточняя то, что она не может предсказать. Их работа является образцовой иллюстрацией использования моделей для информирования граждан, врачей и политиков.
Большое значение, имеет ответ на вопрос когда начнёт спадать пандемия КОВИД-19. Сглаживается ли кривая? Может ли система здравоохранения выдержать текущий и будущий всплеск заболеваемости? Будет ли ещё одна волна инфекции, и если да, то когда?
Необходимость ответить на эти вопросы вызвала беспрецедентный отклик со стороны научного сообщества. Никогда прежде не было такой массовой попытки предсказать будущее.
Подавляющее большинство моделей, используемых для прогнозирования распространения COVID-19, представляют собой так называемые компартментарные модели, которые группируют особей популяции в компартменты, наиболее часто используемые отсекиявляются восприимчивыми (s), инфицированными (I) и удалёнными (R), - группа, которая учитывает людей, которые либо умерли, либо выздоровели. Другие отделения могут включать бессимптомные, ограниченные (неинфицированные лица с ограниченной подвижностью), помещённые в карантин, госпитализированные и вакцинированные. Более сложные модели COVID-19 включают дополнительные правила поверх динамики SIR, которые могут учитывать географически зависимые определения отсеков и мобильность индивидов, такие как вероятность того, что индивиды будут перемещаться из одного места в другое.
Убедительной причиной широкого использования моделей SIR для изучения пути КОВИДА-19 является то, что эти модели оказались поразительно эффективными при воспроизведении прошлого. Однако воспроизведение того, что уже произошло, не означает, что модель может точно предсказать будущее — значения параметров, полученные для приведения модели в соответствие с прошлыми данными, не обязательно должны соответствовать будущим данным.
Гольденфельд, Маслов и их коллеги зная о сильных и слабых сторонах моделей SIR, начали строить свою собственную модель, адаптированную для прогнозирования распространения COVID-19 в Иллинойсе. Их модель представляет собой так называемый возрастной вариант инфекции, который “запоминает”, когда индивид прибывает в отсек, а затем использует это время для вычисления вероятности того, что он переместится в следующий отсек после некоторой временной задержки. Эта функция отсутствует в большинстве моделей SIR.
Для получения двадцати двух параметров модели, команда использовала численные методы "Марковской цепи Монте-Карло". Для настройки модели команда ввела данные, которые включали ежедневное число смертей, вызванных COVID, и ежедневное число коек интенсивной терапии, занятых covid-позитивными пациентами.
Используя свою модель, группа сделала прогнозы о том, как изменится распространение COVID-19 при осуществлении различных вмешательств, включая порядок пребывания дома, который ограничивал людей в их домах, если они не выполняли какую-либо важную деятельность.
Они предсказали, что экспоненциальный рост числа инфекций произойдёт, если этот порядок не будет быстро реализован, хотя, когда они впервые начали работать над моделью, в Иллинойсе было только девятнадцать таких случаев. Их предположение указывало на необходимость введения такого алгоритма действий, что и было введено в действие губернатором Иллинойса, после ознакомления с их результатами.
Команда также предсказала, как могут измениться цифры заражения для различных сценариев "остаться дома". Эти предсказания, как это ни печально, имели меньший успех. Необходимым условием правильности модели предсказаний является неизменность правил, для совпадения с правилами, включёнными в модель, при чётком следовании этим правилам самих людей. Как сообщалось в New York Times, предсказания, сделанные Гольденфельдом, Масловым и коллегами, рухнули, когда студенты университета, у которых был положительный результат теста на COVID-19, отправились на вечеринки и занятия, а не на карантин в своих общежитиях, как им было предписано.
Однако эта очевидная неудача столь же важна, как и успехи модели: теории бесполезны, если неизвестны пределы их применимости. Большинство людей понимают, что динамику Солнечной системы можно предсказать на тысячу лет вперёд, но предсказания погоды надёжны только на неделю вперёд. Вопрос о сроках применимости для модели развития пандемии остаётся открытым.
Чтобы ответить на этот вопрос, требуется улучшенная инфраструктура вирусного моделирования, такая как глобальная система сбора данных, для отслеживания вирусных инфекций и моделей, работающих в режиме реального времени. Эта инфраструктура может привести к улучшению глобальных прогнозов распространения болезней, модели которых, вероятно, будут включать элементы, заимствованные у Гольденфельда, Маслова и их коллег. Эти модели должны будут учитывать способность населения адаптировать своё поведение в ответ на кризис и специфические биологические характеристики патогена, что будет влиять на меры вмешательства.
Это новое исследование - правильное движение в моделировании возникновения и развития пандемий в будущем, что поможет человечеству в борьбе с ними.
Дорогие читатели!
Комментируйте!
Ставьте лайк, если тема заинтересовала и понравилась!
Делитесь с друзьями и, подписывайтесь, дабы не потерять канал!
Источник: «Modeling COVID-19 Dynamics in Illinois under Nonpharmaceutical Interventions».