La inclusión de la incertidumbre biológica, los datos más recientes pueden mejorar la precisión de predicción de los modelos epidémicos.



La inclusión de la incertidumbre biológica y los datos de casos más recientes pueden mejorar significativamente la precisión de predicción de los modelos epidemiológicos estándar de transmisión de virus, según ha demostrado una nueva investigación dirigida por KAUST y el Kuwait College of Science and Technology (KCST).

Los modelos matemáticos epidémicos modernos se han probado como nunca antes durante la pandemia de COVID-19. Estos modelos usan matemáticas para describir los diversos procesos biológicos y de transmisión involucrados en una epidemia. Sin embargo, cuando tales factores son muy inciertos, como durante la aparición de un nuevo virus como COVID-19, las predicciones pueden ser poco fiables.

“El modelo susceptible-expuesto-infectado-recuperado, SEIR, es un enfoque matemático estándar para pronosticar la propagación de una epidemia en una población”, dice Rabih Ghostine, anteriormente de KAUST y ahora de KCST. “Este modelo se basa en varios supuestos, como la mezcla homogénea de la población y la omisión de migraciones, nacimientos o muertes por causas distintas a la epidemia. Los parámetros en el modelo SEIR tradicional tampoco permiten cuantificar la incertidumbre, siendo únicos valores que reflejan la mejor suposición del modelador “.

“Queríamos desarrollar un modelo matemático robusto que tenga en cuenta tales incertidumbres e incorpore datos epidémicos para mejorar la precisión del pronóstico”, explicó Ghostine.

Ghostine, junto con Ibrahim Hoteit de KAUST y otros investigadores, desarrollaron un modelo SEIR extendido que compromete siete compartimentos: susceptibles, expuestos, infecciosos, en cuarentena, recuperados, muertos y vacunados. Luego agregaron definiciones de incertidumbre y un proceso de asimilación de datos para impulsar la mejora progresiva del modelo.

“Nuestro enfoque de asimilación de datos aprovecha las nuevas observaciones entrantes para calibrar el modelo con información reciente con el fin de proporcionar predicciones mejoradas de forma continua y también para estimar las incertidumbres”, dice Ghostine. “Este es un marco popular en las comunidades de investigación atmosférica y oceánica y es la base de todos los modelos operativos meteorológicos y oceánicos”.

El modelo utiliza un enfoque de “conjunto”, en el que se genera un conjunto de predicciones a través de diferentes incertidumbres de los parámetros. Este conjunto luego se integra hacia adelante en el tiempo para pronosticar el estado futuro. Se realiza un paso de corrección para actualizar el pronóstico con los datos más recientes. La validación con datos reales para Arabia Saudita mostró que el modelo proporciona pronósticos confiables con hasta 14 días de anticipación.

“Los modelos matemáticos pueden desempeñar un papel importante en la comprensión y la predicción de la transmisión de COVID-19, así como proporcionar información crucial a los formuladores de políticas para implementar medidas apropiadas y estrategias eficientes para controlar la propagación de la pandemia y mitigar su impacto”, dice Hoteit. “Nuestro método, que desarrollamos para simular la propagación de COVID-19 en Arabia Saudita, también se puede aplicar para pronosticar la propagación de cualquier pandemia en una población”.

Fuente:

Referencia de la revista:

Ghostine, R., et al. (2021) Un modelo SEIR extendido con vacunación para pronosticar la pandemia de COVID-19 en Arabia Saudita utilizando un filtro de conjunto de Kalman. Matemáticas. doi.org/10.3390/math9060636.

.



Source link