İzolasyon etkili mi? Pekin Üniversitesi'nin yeni taç salgını için veri görselleştirme analizi ve simülasyon tahmini
Son zamanlarda, Pekin Üniversitesi Frontier Bilgi İşlem Araştırma Merkezi'nden Profesör Chen Baoquan ve ekibi, yeni tip pnömoni salgınının verileri üzerinde görsel analiz ve simülasyon tahminleri gerçekleştirdi, bize salgın yayılma eğiliminin derinlemesine bir analizini sağladı ve salgın hastalığın eğilimini tahmin ederek salgın önleme ve kontrol ve halkın davranışı için kararlar aldı. referans için.
Dağlar ve nehirler güvende olsun ve bahar çiçekleri açtığında dünya güvende olsun!
Öğretim Görevlisi: Profesör Baoquan Chen, Frontier Computing Research Center, Pekin Üniversitesi
Simülasyon: Ni Xingyu, Ruan Liangwang, Yao Heyuan, Wang Mendi
Veri görselleştirme: Shi Mingyi, Jiang Hongda, Song Zhenhua, Zhou Qiang, Ge Tong
Bu makale, PKU VisualComputingAndLearning (ID: PKU_VCL_lab) tarafından yetkilendirilerek yeniden basılmıştır.
önsöz
Wuhan'da 2019'da patlak veren yeni koronavirüs pnömonisi (NCP) hızla yayıldı ve Dünya Sağlık Örgütü (WHO) tarafından "uluslararası önemi haiz halk sağlığı acil durumu" olarak tanımlandı. Wuhan'ın 24 Ocak'ta kapandığını duyurmasından bu yana, salgının kontrolü için, çeşitli iller ve şehirler, nüfus hareketlerini kontrol etmek için büyük halk sağlığı acil durumlarına arka arkaya birinci düzey yanıtlar başlattı; Aynı zamanda, çeşitli illerden ve şehirlerden sağlık ekipleri Wuhan ve Wuhan'ın önlenmesi ve kontrolüne yardım etmek için koştu. Tedbirler de hızla güçlendirildi; ancak, özellikle Hubei Eyaletindeki ulusal salgın durum hala endişe verici. Halk salgının gelişme eğiliminden çok endişe duyuyor ve bir "dönüm noktası" nın ortaya çıkmasını dört gözle bekliyor; salgın önleme ve kontrol departmanı, deneyim ve dersleri sürekli olarak özetlemeyi ve mevcut önlemlerin etkinliğini değerlendirmeyi umuyor. Salgının gelişimi, Çin'in siyasetini, ekonomisini ve insanların geçim kaynaklarını ilgilendiren önemli bir olay haline geldi.
Virüs Wuhan'dan nasıl yayıldı? Farklı il ve şehirlerde salgınların gelişimindeki farklılıklar nelerdir? Hastalığın yayılmasını yavaşlatmada kilitlenme ve toplum izolasyonu gibi bir dizi önlem ne kadar etkili oldu; daha da önemlisi, dönüm noktası ne zaman ortaya çıktı?
Raporumuz önce mevcut verilerin görselleştirilmesinden salgının yayılmasının özelliklerini ortaya koyuyor ve ardından salgın önleme ve kontrol önlemlerini değerlendirmek, öneriler ve erken uyarılar yapmak ve salgın hastalığın eğilimini tahmin etmek, salgın önleme ve kontrol ve halkın davranışları hakkında kararlar vermek için bulaşıcı hastalık dinamikleri modeli oluşturuyor. Referans.
Salgın yayılmanın görsel özeti
Isı haritaları aracılığıyla, Şekil 1.1'deki NCP salgınının yayılmasını yeniden oluşturmak için ulusal, il ve belediye sağlık komisyonları tarafından yayınlanan il düzeyindeki şehirlerin günlük teşhis verilerini kullandık. Bulması kolay, Salgının yayılması ağırlıklı olarak Wuhan merkezli oldu ve nüfus hareketleri yoluyla merkez şehirlere yayıldı.Pinek, Şanghay, Guangzhou ve diğer yerler ikincil bulaşma merkezleri haline geldi.
Şekil 1.1. Çeşitli il ve şehirlerde salgının yayıldığı ısı haritası (21 Ocak - 9 Şubat)
Tüm ülke, Hubei ve Hubei dışındaki iller ve şehirlerdeki yeni enfeksiyonların sayısını görselleştirdik.Hubei dışındaki illerde, yeni enfeksiyonların sayısının 31 Ocak'tan önce artmaya devam ettiğini ve ardından 4 Şubat'tan itibaren büyüme hızının yavaşladığını bulmak kolaydır. Düşme eğilimi. ve Hubei Eyaletindeki yeni insan sayısında hala belirgin bir düşüş eğilimi yok Tespit darboğazı ile birleştiğinde, rapor edilen veriler gerçek durumdan daha gürültülü olabilir ve salgın önleme ve kontrol durumu hala ciddidir. Hubei dışındaki il ve şehirlerde bile durum farklı ve bazı il ve şehirlerdeki durum küçümsenmemeli, analiz daha sonra yapılacak.
Şekil 1.2. Hubei'de ve Hubei dışındaki diğer il ve şehirlerde yeni teşhis konan kişilerin sayısındaki değişiklikler (24 Ocak - 9 Şubat)
Salgın yayılmanın özelliklerinin analizi
Nüfus hareketliliği ve salgının farklı aşamaları
Nüfus hareketliliği, salgının gelişiminin ilk aşamasındaki ithal enfeksiyonun ana faktörüdür.Etkisini ayrıntılı olarak açıklamak için Baidu Migration tarafından sağlanan nüfus hareketliliği verilerini Bahar Şenliği sırasında (Hong Kong, Makao ve Tayvan hariç) Wuhan'dan ülke genelindeki tüm illere ve şehirlere akan nüfus boyutunu görselleştirmek için kullanıyoruz. Data) ve ülkedeki virüse bulaşan kişi sayısının dağılımını ve ikisi arasındaki bağlantıyı görsel olarak gözlemleyin.
Salgın Wuhan, Hubei'deki Güney Çin Deniz Ürünleri Pazarı'ndan yayılmaya başladı ve yavaş yavaş tüm ülkeye yayıldı. Çin anakarasındaki eyaletlerin renkleri, o eyaletteki doğrulanmış vaka sayısını ve Wuhan'dan ithal edilen insanların akışını yansıtıyor.
Şekil 2.1. (Sol) Wuhan'dan ithal edilen kişilerin çeşitli il ve şehirlere akışı, (Orta) 31 Ocak'ta çeşitli il ve şehirlerde teyit edilen toplam enfeksiyon sayısı, (Sağda) 9 Şubat'ta çeşitli il ve şehirlerde teyit edilen toplam enfeksiyon sayısı
Şekil 2.1 (sol) ve Şekil 2.1 (orta) karşılaştırarak, şunu görebiliriz: Salgının başlangıcında, çeşitli illerde ve şehirlerde enfekte olan toplam insan sayısı, Bahar Şenliği sırasında Wuhan'dan ithal edilen insan akışıyla güçlü bir şekilde ilişkiliydi; Wuhan'ın 24 Ocak'ta kapatıldığını belirtmek gerekir. Ortalama 7 günlük kuluçka süresi göz önüne alındığında, 31 Ocak'ta Hubei'deki diğer il ve şehirlerde teyit edilen nüfusun temelde ithal enfeksiyonlara sahip olması gerekir. Ancak zamanla, doğrulanmış tanı sayısının dağılım haritası bir dereceye kadar değişmiştir (2.1 (sağda)). Wuhan'ın kapatılmasından sonra, ikinci enfeksiyonun neden olduğu virüsün yayılmasının giderek daha baskın hale geldiğini, bunun da çeşitli il ve şehirlerin nüfus yoğunluğu ve kontrol önlemleri ile yakından ilişkili olduğu sonucuna vardık.
İller ve şehirler arası iletim farklılıkları
Salgının iller ve şehirler arası yayılımını daha detaylı analiz etmek için öncelikle yerel bölgede teşhis konulan kişi sayısını 9 Şubat itibariyle Hubei dışındaki il ve şehirler için Wuhan'dan ithal edilenlerin ölçeğiyle karşılaştırdık. Şekil 2.2'ye bakınız:
Şekil 2.2. Wuhan nüfus girişi ölçeği (göreli değer) ve Hubei dışındaki il ve şehirlerde teyit edilen enfeksiyonların sayısı
Şekil 2.2'den görülebileceği gibi, Wuhan'daki ithal insanların ölçeği ile her ilde teşhis konulan kişi sayısı arasında pozitif bir korelasyon var. Şekil 2.1'de (ortada) görüldüğü gibi, nüfus hareketinin salgının erken dönemde yayılmasının ana nedenlerinden biri olduğu doğrulanmıştır. Bununla birlikte, salgının nispeten özel olduğu birkaç ili temsil eden bazı aykırı değerler ortaya çıktı.
Bu farklılıkları daha iyi gözlemleyebilmek için, doğrulanmış vaka sayılarına ilişkin verileri normalleştirdik ve Şekil 2.3'te gösterildiği gibi, iki eğri elde etmek için her il ve şehirdeki toplam teyit edilmiş vaka sayısını Wuhan'daki ithal edilen kişi sayısına ve il ve şehrin toplam nüfusuna böldük:
Şekil 2.3. 9 Şubat itibarıyla her ilde ve şehirde teşhis konulan kişi sayısı Wuhan'a ithal edilen kişi sayısı ile il ve şehrin toplam nüfusuna bölünmüştür.
Zhejiang Eyaleti, Pekin, Şangay ve Guangdong Eyaleti gibi yüksek tek kişilik enfeksiyon oranına sahip iller ve şehirler için (Şekil 2.3 mavi eğri), teyit edilen vaka sayısı en büyük olmasa da, insidans oranı nispeten yüksektir. Nedeni, bu iller ve şehirler Hepsi yüksek iş turizmi yoğunluğuna, yoğun insan akışına ve yüksek hareketliliğe sahip şehirlerdir, bu nedenle bulaşıcılık diğer bölgelere göre daha yüksektir. Bazı eyaletler ikincil iletim sayısını açıkladılar. Heilongjiang Eyaleti, ikincil iletimlerin en yüksek oranına sahipti.Raporlara göre, 6 Şubat itibariyle Heilongjiang'da 48 epidemik iletim kümesi vardı ve bu da toplam 193 vakayla sonuçlandı.
Salgının yayılmasının ikinci aşamasında ikincil bulaşma hakimdir, Cinsel bulaşma oranının yüksek olduğu bölgeler için, salgının patlayıcı büyümesini önlemek için daha katı izolasyon önlemleri almak etkili bir yöntemdir. Bununla birlikte, sonraki epidemik yayılmanın spesifik eğilimi nedir ve hangi faktörler daha kritiktir? Ardından, dijital simülasyon ve analiz için bulaşıcı hastalık yayılma modelini kullanacağız.
Salgın yayılma simülasyonu
Temel SEIR modeli
31 Ocak'ta, uluslararası üne sahip tıp dergisi "The Lancet", Çin, Hong Kong'dan bilim adamlarının çalışmalarını yayınladı. Bu makalede yazar, simüle etmek için bulaşıcı hastalık dinamiklerinde klasik SEIR modelini kullanmaktadır. Model, popülasyonu duyarlı popülasyon (Hassas), enfekte olmuş ancak kuluçka döneminde asemptomatik popülasyon (Maruz kalmış), semptomlar gösteren ancak izole edilmemiş hastalık popülasyonu (Bulaşıcı) ve geri kazanılan popülasyon (Kurtarılmış) olarak ikiye ayırır. (Model ayrıca R'deki ölümlerin sayısını da içerir). Ve belli bir olasılıkla transfer olduklarını varsayalım. Durum geçiş diyagramı aşağıdaki gibidir:
Şekil 3.1. SEIR bulaşıcı hastalık dinamik modeli
Modelde yer alan ana parametreler şunlardır: tekrarlanabilir sayı R0, ortalama gecikme süresi DE ve ortalama kabul süresi DI. Bunlar arasında, son iki parametre doğrudan resmi sürümden elde edilebilir ve günde bir enfekte kişi tarafından enfekte olan ortalama insan sayısı olan R0'ı tahmin etmek zordur. Makale, 31 Aralık 2019'dan 28 Ocak 2020'ye kadar virüs bulaşmış kişi sayısı verilerini kullanır ve yurtdışındaki enfekte kişi sayısına (Hong Kong hariç) ve Wuhan'dan kalkan uluslararası uçuşların sayısına göre R02,68'dir ve hesaplamak için yukarıdaki model kullanılır. 25 Ocak itibarıyla Wuhan'da enfekte olan kişi sayısı 75.815 civarındaydı.Salgının dönüm noktasının Mayıs ayında geleceği öngörülürken, kilitleme önlemlerinin kullanımının salgının hafifletilmesinin hızlanmasında önemli bir etkiye sahip olmayacağına karar verildi. Gözlemimiz, bu çalışma için model ve parametrelerin seçiminin mantıksız olduğudur, esas olarak:
Yurtdışında doğrulanmış tanı verilerinin örneklem büyüklüğü küçüktür ve uçakları kullanan insanlar toplam nüfusa eşit olarak dağılmamıştır Bu varsayıma dayalı olarak, Poisson süreci R0 sapmalarını tahmin etmek için kullanılır;
Devletin önleme ve kontrol önlemlerinin uygulanması ve yükseltilmesi düşünüldüğünde, R0'ın değeri sabit bir değer olarak ayarlanmamalıdır. Makale, bir maske takmanın R0'ı yarıya indirebileceğini varsaysa da ve bazı tartışmalar olsa da, böyle bir ortam hala nispeten zordur.
Çok katı bir önleme ve kontrol aracı olarak, kilitleme kapsamlı bir şekilde uygulanmıştır ve parametre ayarlarına etkili bir şekilde yansıtılmalıdır.
Topluluk karantina önlemleri, daha sonraki bir salgın kontrol yöntemi olarak da düşünülmelidir.
Son nokta (topluluk izolasyonu) mevcut SEIR modelinde simüle edilemez Bu nedenle, C-SEIR modelini sunuyoruz.
C-SEIR modeli ve simülasyon analizi
SEIR modeli ile karşılaştırıldığında, C-SEIR modeli aşağıdaki iki iyileştirmeye sahiptir:
Hükümetin izolasyon önlemlerini göz önünde bulundurun ve popülasyonu izole edilmiş hastalar ve izole edilmemiş hastalar olarak ikiye ayırın İzole hastaların yayılma kabiliyeti yoktur;
Devlet önlemlerinin güçlendirilmesi ve halkın korunmasına yönelik farkındalığın artması göz önüne alındığında, virüsün temel tekrarlanabilirlik katsayısının (R0) sabit bir değerden ziyade zamanla değişmesi gerektiğinden, virüsün enfeksiyon oranı eğrisi, R0'ı gerçek verilerle değiştirecek şekilde ayarlanmıştır.
İlk noktaya yanıt olarak, C-SEIR, dört SEIR grubuna dayalı olarak iki yeni insan grubu ekledi: izole edildiğinden şüphelenilen kişiler (P) ve teşhis edilmiş ve izole edilmiş kişiler (Q). P kategorisindeki kişilerin, yeni koronavirüs hastalarının yanı sıra benzer semptomları olan ancak yeni pnömoni ile enfekte olmayan kişileri de içerdiğini unutmayın.Nüfusun bu kısmının virüsü dışarıya geçirme kabiliyetine sahip olmadığı varsayılabilir, yani virüsün bulaşıcı yeteneği yalnızca benimkiyle karşılaştırılabilir ve E ilişkilidir. Aynı zamanda, Hubei Eyaleti dışındaki iller ve şehirler göz önüne alındığında, Wuhan'dan gelen nüfus girdisini de dikkate almak gerekir.
Şekil 3.2. C-SEIR bulaşıcı hastalık dinamik modeli
İkinci nokta için, önce virüsün enfeksiyon oranı fonksiyonunu (t), yeni enfekte olan kişilerin sayısı E'nin tedavi edilmeyen hasta sayısına bölünmesiyle tanımlayın I. Yeni koronavirüsün de kuluçka döneminde belirli bir bulaşıcı kabiliyete sahip olabileceğini göz önünde bulundurarak, Formül olarak yazılabilir:
Bunlar arasında k 0.1'dir, bu da inkübasyon süresi boyunca enfeksiyonun semptomların 0.1 katı olduğu anlamına gelir. (t) 'nin spesifik biçimini belirlemek için, tahmini (t) değerini hesaplamak için ilk olarak günlük doğrulanmış tanı sayısını ve Sağlık Komisyonu tarafından yayınlanan tahmini kuluçka dönemini kullanırız ve ardından işlevi seçeriz. Verileri sığdırın.
(t) 'yi tahmin etmek için enfeksiyon sayısı E ve her gün hesaplanmam gereken vaka sayısı. Yalnızca yeni teşhis konulan kişilerin sayısına ilişkin veriler elde edilebildiğinden, bu temelde E ve I'yi tahmin etmek gerekir. Makalede yer alan yönteme göre virüsün geçiş ve kabul süresinin sırasıyla 9 gün ve 3 gün SARS'a benzer olduğunu varsayıyoruz, yani kabaca t gün enfekte kişilerin t + 6. günde hastalanacağı varsayılabilir. T + 9. gün hastaneye kaldırıldı. Bundan, t ~ t + 9 sırasında kabul edilen toplam kişi sayısının t günündeki toplam enfeksiyon sayısına eşit olduğu ve t ~ t + 3 sırasında kabul edilen toplam kişi sayısının t günündeki toplam vaka sayısına eşit olduğu ve (t ) ve sonra (t) tahmin edin.
Çoğu bulaşıcı hastalığın yayılması sırasında, bulaşma hızı (t) zamanla katlanarak azalacaktır. Günlük tahmini (t) dağılım değerine uyması için üstel bir fonksiyon kullanıyoruz. Pekin'i örnek alırsak, uygun sonuçlar aşağıdaki gibidir:
Şekil 3.3. Pekin'deki enfeksiyon oranı değişikliğinin uyum eğrisi
Üstel bozulma varsayımının temelde fiili durumla uyumlu olduğu ve enfeksiyon oranındaki değişiklikleri daha iyi tanımlayabileceği görülebilir. Ülkenin tüm bölgelerinin eğrilerini bir grafik üzerine çiziyoruz.7 Şubat saat 24: 00'e kadar, 200'den fazla kümülatif enfeksiyonu olan illerin uyum sonuçları şekilde gösteriliyor:
Şekil 3.4. Nispeten şiddetli il ve şehirlerin enfeksiyon oranı eğrisi
Şekilden de görülebileceği gibi, Tüm illerdeki virüs bulaşma oranı, salgın kontrol önlemlerinin etkinliğini yansıtacak şekilde çok hızlı düşmüştür. Bunlar arasında, Heilongjiang ve Hubei illerinin eğrileri aykırıdır Heilongjiang'ın enfeksiyon oranı yüksek bir yakınsama değerine sahipken, Hubei'nin enfeksiyon oranı daha düşük bir düşüş oranına sahiptir. Heilongjiang'daki durum önceki analize atıfta bulunabilir; Hubei salgının kaynağıdır ve enfeksiyon oranındaki düşüş oranı, bölgedeki tıbbi kaynakların kısıtlamalarını ve salgın kontrolünün zorlu görevini yansıtır.
C-SEIR modelindeki diğer parametreler, inkübasyon süresinin uzunluğu, hastalığın seyri, ölüm oranı ve iyileşme oranı gibi virüsün özelliklerine bağlıdır.Ayrıca, karantinaya alınan kişi sayısı ve başlangıçtan teşhise kadar geçen süre gibi hükümet önlemlerinin uygulanmasına da bağlıdır. Şekil 3.5'te gösterildiği gibi model parametrelerini belirlemek, Hubei Eyaletindeki teyit edilen vaka sayısındaki değişikliklerin verilerini uydurmak ve gelecekteki gelişimini tahmin etmek için kağıda benzer bir yöntem kullanıyoruz.
Şekil 3.5. C-SEIR model tahmin eğrisi (Hubei Eyaletinden gelen doğrulanmış verilere göre yerleştirilmiştir)
Burada iki farklı tahmin eğrisi (mavi / yeşil) yaptık, burada düz çizgi gün içindeki tanı sayısı ve noktalı çizgi kümülatif tanı sayısıdır. Şekilden, erken aşamadaki iki parametre seçiminin gerçek tanı sayısının (bej noktalar) yaklaşık eğrisi ile tutarlı olmasına ve bükülme noktası süresinin öngörülmesinin çok yakın olmasına rağmen, kümülatif enfeksiyon sayısının nihai öngörüsünün çok farklı olduğu görülebilir. Bu, hastalığın erken evresinde salgının yönünü tahmin etmeye çalışmanın genellikle çok yanlış olduğu ve modelin öngörüsü nedeniyle aşırı iyimser veya panik olamayacağı gerçeğini yansıtır.
Çeşitli bölgelerdeki salgın durumunda yeni teşhis edilen vaka sayısının yavaş yavaş bir bükülme noktası gösterdiğini göz önünde bulundurarak, Pekin'i de yeni teşhis edilen vakaların sayısına uyacak bir örnek olarak kullandık.Şekil 3.6'da gösterildiği gibi iyimser (yeşil) ve muhafazakar (mavi çizgiler) benimsenmiştir. Tahmin etmek için iki parametre seti kullanılır. Her şeyden önce, yeni tanı konan hastaların sayısı büyük ölçüde dalgalanmaktadır, çünkü raporlamadaki gecikmenin yeni doğrulanmış vakaların kümelenmesine yol açabileceği düşünüldüğünde, ortalama olarak yeni teyit edilen vakaların gerçekten düşüş eğilimi gösterdiği görülebilir. Yeni vakaların bükülme noktasının salgının hemen ortadan kalkacağı anlamına gelmediğini belirtmekte fayda var, Kümülatif doğrulanmış teşhis sayısı artmaya devam edecek.Salgının gerçek rahatlaması yeni teşhis edilen Long Tail tarafından belirleniyor. Üretim faaliyetlerinin kademeli olarak toparlanmasıyla birlikte, genel halk yine de bir koruma duygusu sürdürmeli ve bunu hafife almamalıdır.
Şekil 3.6. C-SEIR model tahmin eğrisi (Pekin'de yeni onaylanan tanılara göre yerleştirilmiştir)
gibi, modeldeki diğer parametreler de sürekli olarak değişebilir ve beklenmedik olaylara aşırı derecede duyarlıdır. Yukarıdaki faktörler ışığında, bu modeli salgının zirvesinin belirli bir tarihini tahmin etmek için kullanmak sadece referans değerine sahiptir. Bununla birlikte, belirli parametrelerin yarı-kantitatif analizi, gelecekteki hükümet önleme ve kontrolü ve bireysel davranış için referanslar sağlayabilir.
İlk olarak, devam eden karantina önlemlerinin salgındaki değişimler üzerindeki etkisini inceliyoruz. Şekil 3.7, teyit edilen vaka sayısı zirveye ulaştığında yakın temaslıların karantinasının derhal iptal edilip edilmeyeceğinin farklı etkilerini karşılaştırmaktadır. Karantina derhal iptal edilirse salgının hızının büyük ölçüde azalacağı hatta ikinci bir zirvenin bile gerçekleşeceği şekilden görülebilmektedir. Bu nedenle, yüksek basınç önleme ve kontrolünü sürdürmek, bir sonraki salgın önleme ve kontrolünün en önemli önceliğidir.
Şekil 3.7. C-SEIR model tahmin karşılaştırması: salgın dönüm noktasına ulaştığında karantinanın iptal edilip edilmeyeceği
İkincisi, her gün karantinaya alınan yeni enfekte kişilerin oranı da büyük önem taşıyor. Bu değeri Şekil 3.8'de gösterildiği gibi dinamik olarak ayarlıyoruz. Bu rakamdan, salgının en yoğun zamanına etkisi önemli olmasa da, karantina oranındaki azalmanın kümülatif hastalık sayısını ikiye katlayacağını görebiliriz. bu nedenle Salgını daha hızlı kontrol etmek için, olumlu bir tepki vermemiz ve çeşitli etkili izolasyon önlemleriyle işbirliği yapmamız gerekiyor.
Şekil 3.8. C-SEIR model tahminlerinin karşılaştırması: hastalardaki karantinaya alınan kişilerin farklı oranları
Son olarak Wuhan'daki salgın kontrol önlemlerinin etkinliğini gözden geçirmeye çalıştık. Bu modeli Wuhanın kilitlenme önlemlerinin zaman noktasının salgındaki değişiklikler üzerindeki etkisini analiz etmek için kullandık, bkz. Şekil 3.9. Tecrit ve diğer tedbirler söz konusu olduğunda, bunu görmek zor değil. Kilitlenmenin ilerlemesi veya ertelenmesi, salgının dönüm noktası üzerinde büyük bir etkiye sahip olmayacak, ancak teyit edilen enfeksiyonların sayısında önemli bir değişikliğe neden olacaktır. Gerçek hayatta kısıtlı tıbbi kaynaklar düşünüldüğünde kentin bir an önce kapatılması için önlemlerin alınması gerekmektedir.
Şekil 3.9. C-SEIR model tahminlerinin karşılaştırması: şehrin farklı zaman noktalarında kapatılmasının uygulanmasının etkisi
Bugün yayınlanan "Bilim" raporu, Lancet gazetesinden alıntı yaptı ve Wuhan'ın kapatılmasının etkinliğini sorguladı.Çünkü Wuhan'ın kapatılmasının diğer şehirlerin yayılmasını yalnızca 2,9 gün geciktirdiği belirtildi. Bunun doğru mantık olmadığını düşünüyoruz. Her şeyden önce, modelimizden kilitlemenin en yoğun zamanı değil, enfekte olan toplam kişi sayısını değiştireceğini tahmin ediyoruz. Şehrin kapatılmaması, ülke ve dünya genelinde daha fazla enfekte insanın ihracatına neden olacak ve virüsün daha hızlı ve daha güçlü yayılmasını artıracaktır.
sonuç olarak
Şu anda yayınlanan verilere dayanarak ve bulaşıcı hastalık dinamikleri modelinin yardımıyla aşağıdaki sonuçlara ulaştık:
Wuhanın kilitleme önlemleri, virüs enfeksiyonlarının sayısını azaltmak için büyük önem taşıyor;
Hükümet, ilgili anti-salgın önlemleri benimsediğinden, ülke genelindeki tüm illerde ve şehirlerde virüs enfeksiyon oranı iyi kontrol edildi;
Enfekte olduğundan şüphelenilen kişilerin tecrit edilmesi ve gözlemlenmesi, salgın önleme ve kontrolünün önemli bir yoludur;
Bazı bölgelerde salgında bir dönüm noktası varmış gibi görünse de salgınla mücadele düşüncesi ve yöntemleri gevşetilmemeli, ikinci zirvelerden kaçınılmalıdır.
Modelimiz izolasyonun önemini doğrular, ancak nasıl etkili bir şekilde izole edileceği daha fazla tartışılması gereken bir sorundur. Kesin konuşmak gerekirse, izolasyon yalnızca enfekte olduğundan şüphelenilen kişiler içindir. Bu nedenle, tespit ekipmanı yeterince hassas ve uygunsa ve insanların kendini tespit etme ve izolasyon konusundaki farkındalığı yeterince güçlüyse, teorik olarak konuşursak, sosyal hizmet ve yaşam düzeni salgının değişimini etkilemeden temelde normale dönebilir. Kamu yönetimi açısından, Halk sağlığı seviyesi nasıl daha da iyileştirilir ve altyapı inşaatı nasıl güçlendirilir; Toplu taşımanın ve önemli halka açık yerlerin etkili bir şekilde nasıl yönlendirileceği ilgili devlet daireleri tarafından önceden planlanmaya değer.
Salgın hastalıktan farklıdır, sadece insanların fiziksel sağlığıyla değil, aynı zamanda siyaset, ekonomi, kültür, eğitim ve insanların ruh sağlığı ve yaşam kalitesiyle de ilgilidir. Salgın önleme ve kontrol yöntemleri ile toplumun çeşitli unsurları arasındaki dengeli ilişki, değerlendirmek için daha karmaşık bir hesaplama modeli gerektirebilir; Etkili salgın kontrolü ile tüm toplumun çıkarları arasında nasıl bir denge kurulacağı daha büyük bir konudur.
Sınırlı alan nedeniyle, daha fazla veri ve görselleştirme devam edecek
Https://github.com/NCP-VIS adresinde güncelleyin, takip etmeye hoş geldiniz.
Alıntı:
2019 yeni koronavirüs (2019-nCoV) salgını durumunun zaman serisi veri ambarı https://github.com/BlankerL/DXY-2019-nCoV verileri
Baidu Haritası Smart Eye-Baidu Geçişi
Joseph T Wu, Kathy Leung, Gabriel M Leung. 2019-nCoV salgınının Çin'in Wuhan kentinden kaynaklanan potansiyel yerel ve uluslararası yayılımını şimdi tahmin ediyor ve tahmin ediyor: bir modelleme çalışması. Lancet (önce çevrimiçi), 31 Ocak 2020.
Zhang J, Lou J, Ma Z, ve diğerleri.Çin'deki SARS iletim modellerinin ve salgın kontrol önlemlerinin analizi için bölmeli bir model.
Jon Cohen, Bilim adamları, hala tahmin edilmesi zor olan bir koronavirüsün sonraki hareketlerini modellemek için yarışıyorlar.
