Doktorların yanı sıra yeni taç virüsüne karşı savaşan matematikçiler de var. Salgının ilerlemesiyle, "Lancet" gibi önde gelen tıbbi akademik dergiler, önemli sayıda COVID-19 matematiksel model çalışmalarını kabul etmiş ve yayınlamıştır.Çeşitli ülkelerin hükümetleri de kendi araştırmacıları tarafından oluşturulan matematiksel modellere dayalı salgın önleme politikaları uygulamıştır. Formüle edin.
Queensland Teknoloji Üniversitesi Matematik Bilimleri Fakültesi'nde araştırmacı olan ve bulaşıcı hastalıkların matematiksel modelleri üzerine araştırma yapan Duan Qibin, Nanfang Daily ve Nanfang + 'dan muhabirler ile röportaj yaptı.Matematiksel modellerin yalnızca bulaşıcı hastalıkların temel özelliklerini (temel üreme sayısı R0, vb.) Ve salgının gelişimini tahmin edemeyeceğini söyledi. Zaman düğümleri (bükülme noktaları, zirveler ve açıklıklar gibi) ve ölçekleri, ilgili müdahalelerin risklerini ve etkilerini de değerlendirebilir, Duan Qibin, "Geçen yıl Aralık ayında yeni taç pnömonisinin ortaya çıkmasından bu yana, matematiksel modeller yeni taç pnömonisinin yayılmasının incelenmesi ve tahmin edilmesinde önemli bir rol oynadı." Dedi.
İki ana model var, Biri, tarihsel gözlem verilerine dayalı bir zaman serisi istatistiksel modeldir ve diğeri, bulaşma mekanizmalarına dayalı bir bulaşıcı hastalık dinamikleri modelidir.
Zaman serisi modeli
Zaman serisi modeli, tarihsel verilerin regresyon uydurması yoluyla vaka büyüme eğrisine en yakın istatistiksel modeli elde etmek ve daha sonra elde edilen modeli analiz etmek ve tahmin etmek ve epidemiyolojik anlamlı sonuçlar çıkarmaktır.
Bunlar arasında, üstel büyüme modeli (salgının erken aşamasına uymak için kullanılan "J" şeklindeki eğri) ve lojistik büyüme modeli ("S" şeklindeki eğri) (aşağıdaki şekle bakın) daha sık kullanılır.
Duan Qibin, bu tür modelin verilerin doğruluğuna çok bağlı olduğunu söyledi. Yeni koroner pnömoni için veriler çok sınırlı: "Örneğin, salgının erken aşamasındaki sınırlı test kaynakları nedeniyle, birçok hasta zamanında test edilemiyor ve teşhis edilemiyor ve önceki rapor verileri salgın durumunu hafife alacaktır. Ölçek. Orta vadeli test kaynaklarının kademeli olarak kullanılabilirliği, test kapsamının genişletilmesi ve doğrulanmış vakaların sayısındaki hızlı artışla, veriler gerçek salgına yaklaşmaya başladı. "
Elbette, bu tür veriler doğrudan modellenmişse, elde edilen sonuçlar biraz yanıltıcıdır. Bazı araştırmacılar, önceki resmi verileri revize ederek modelin doğruluğunu iyileştirir, ancak genel olarak zaman serisi istatistiksel modelinin etkisi ideal değildir. Zaman serisi istatistiksel modellerinin türetilmesinin çoğunun diferansiyel denklem dinamik modellerine dayandığını, ancak hastalığın varsayımsal doğal seyrinin asemptomatik kuluçka dönemini dikkate almadığını belirtmek gerekir.
Bulaşıcı hastalık dinamikleri modeli
Aksine, bulaşıcı hastalık dinamik modeli gerçek duruma daha yakın olabilir ve model uygulaması daha esnektir, bu nedenle tıp camiası tarafından daha çok tanınır. Duan Qibin dedi ki: Enfeksiyöz hastaların bulaşma mekanizmasını ve vaka çalışmalarından elde edilen bulaşıcı hastalıkların doğal seyrinin anahtar parametrelerini birleştirerek, makroskopik (popülasyon düzeyinde) bir ventriküler model (diferansiyel denklem) veya mikroskobik (kişisel düzeyde) dinamik ağ modeli oluşturulabilir.
Yeni koroner pnömoniyi örnek alan Duan Qibin, hastalığın doğal seyrinin S (duyarlı) - > E (pozlama) - > Ben (enfeksiyon) - > R (Kaldır) .
Makroskopik ventriküler model Doğal geçmişine göre, toplam nüfus, birbirini dışlayan dört SEIR grubuna ayrılır ve insanların bir kısmı, bir önceki gruptan bir sonraki gruba çıkarılıncaya kadar belirli bir oranda taşınır.
Mikroskobik bireysel dinamik ağ modeli Gerçek popülasyona daha yakın, her düğüm bir bireydir (yaş, hastalık durumu vb. Gibi özniteliklerle), her kenar etkili bir temastır (enfeksiyona neden olacak kadar) ve düğümün ve kenarın öznitelikleri dinamik olarak değişmektedir.
Dinamik modelde, fiili durumu ve müdahale önlemlerini açıklamak için bazı parametreler esnek bir şekilde tanıtılabilir. Model, farklı değişkenler üretebilir ve gerçek verilerle karşılaştırıp doğrulayabilir. Kalibre edilmiş model, salgının gerçek gelişimini bir dereceye kadar yansıtabilir.
Bu model temelinde, araştırmacılar çeşitli müdahaleleri değerlendirebilirler.
Duan Qibin, müdahale önlemlerinin bulaşıcı hastalıkların yayılmasına doğrudan etkisinin, etkili temas oranını azaltmak ve bulaşma döngüsünü kısaltmak olduğunu söyledi. Araştırma için, müdahale önlemlerinin salgının gelişimi üzerindeki etkisi, modeldeki belirli parametreleri değiştirerek veya ekleyerek veya silerek incelenebilir.
Bağlantı
Bulaşıcı hastalıkların bulaşıcı yeteneğini ölçmek için göstergeler:
R0 (Temel çoğaltma numarası)
Sözde R0, dış müdahale olmaksızın epidemiyolojide belirli bir bulaşıcı hastalık ile enfekte olmuş ortalama insan sayısını ifade eder ve herkesin bağışıklığı yoktur. R0 sayısı ne kadar büyükse, salgını kontrol etmek o kadar zordur. R0 fizyolojik bir parametre değildir, aynı zamanda incelenen insanların davranışları ve yerel çevre ile de ilgilidir.
Yeni koroner pnömoninin R0 değeri farklı kurumlar tarafından verilen verilerden farklıdır.Genellikle 2-3 civarında olduğu düşünülür yani enfekte olan her kişi virüsü 2-3 kişiye bulaştırır. Yukarıdaki rakam, "Nature" (Nature) dergisinin raporunda özetlenen farklı hastalıkların R0 sayısıdır.
[Muhabir] Lu Hong Wang Shikun
Koordinasyon Zhang Zhichao
Yazar Lv Hong; Wang Shikun
[Kaynak] Güney Bilim ve Teknoloji Görünürlüğü