Um modelo epidêmico estendido que leva em conta a incerteza e os dados mais recentes pode prever melhor a evolução das pandemias.
 |
| Modelo SEIR estendido com vacinação para prever a pandemia de COVID-19 |
A inclusão de incerteza biológica e os dados de caso mais recentes podem melhorar significativamente a precisão da previsão de modelos epidemiológicos padrão de transmissão de vírus, mostrou uma nova pesquisa liderada pela KAUST e pelo Kuwait College of Science and Technology (KCST).
Modelos de epidemias matemáticas modernas foram testados como nunca antes durante a pandemia de COVID-19.
Esses modelos usam matemática para descrever os vários processos biológicos e de transmissão envolvidos em uma epidemia. No entanto, quando esses fatores são altamente incertos, como durante o surgimento de um novo vírus como o COVID-19, as previsões podem não ser confiáveis.
“O modelo suscetível-exposto-infectado-recuperado, SEIR, é uma abordagem matemática padrão para prever a propagação de uma epidemia em uma população”, diz Rabih Ghostine, ex-KAUST e agora no KCST.
“Este modelo é baseado em vários pressupostos, como a mistura homogênea da população e a omissão de migrações, nascimentos ou óbitos por outras causas que não a epidemia. Os parâmetros no modelo SEIR tradicional também não permitem a quantificação da incerteza, sendo os valores únicos refletindo a melhor estimativa do modelador. ”
“Queríamos desenvolver um modelo matemático robusto que levasse em consideração essas incertezas e incorpore dados de epidemia para melhorar a precisão das previsões”, explicou Ghostine.
Ghostine, junto com Ibrahim Hoteit da KAUST e outros pesquisadores, desenvolveu um modelo SEIR estendido que compromete sete compartimentos: suscetível, exposto, infeccioso, colocado em quarentena, recuperado, mortes e vacinado. Em seguida, eles adicionaram definições de incerteza e um processo de assimilação de dados para impulsionar a melhoria progressiva do modelo.
“Nossa abordagem de assimilação de dados explora novas observações recebidas para calibrar o modelo com informações recentes a fim de fornecer continuamente previsões aprimoradas e também estimar incertezas”, diz Ghostine. “Esta é uma estrutura popular nas comunidades de pesquisa atmosférica e oceânica e está na base de todos os modelos operacionais de clima e oceano.”
O modelo usa uma abordagem de "conjunto", na qual um conjunto de previsões é gerado em diferentes incertezas de parâmetros. Esse conjunto é então integrado a tempo de prever o estado futuro. Uma etapa de correção é executada para atualizar a previsão com os dados mais recentes. A validação usando dados reais para a Arábia Saudita mostrou que o modelo fornece previsões confiáveis com até 14 dias de antecedência.
“Os modelos matemáticos podem desempenhar um papel importante na compreensão e previsão da transmissão do COVID-19, bem como fornecer informações cruciais aos formuladores de políticas para implementar medidas adequadas e estratégias eficientes para controlar a propagação da pandemia e mitigar seu impacto”, disse Hoteit. “Nosso método, que desenvolvemos para simular a propagação do COVID-19 na Arábia Saudita, também pode ser aplicado para prever a propagação de qualquer pandemia em uma população.”
Fonte:An Extended SEIR Model with Vaccination for Forecasting the COVID-19 Pandemic in Saudi Arabia Using an Ensemble Kalman Filter Link
