Quando il virus infettivo che causa la malattia COVID-19 ha iniziato la sua devastante diffusione in tutto il mondo, un team internazionale di scienziati era allarmato dalla mancanza di approcci uniformi da parte degli epidemiologi di vari paesi per farvi fronte.

Germania, Per esempio, non ha istituito un blocco completo, a differenza di Francia e Regno Unito, e la decisione negli Stati Uniti di New York di entrare in lockdown è arrivata solo dopo che la pandemia aveva raggiunto uno stadio avanzato. La modellazione dei dati per prevedere il numero di probabili infezioni varia ampiamente in base alla regione, da numeri molto grandi a molto piccoli, e ha rivelato un alto grado di incertezza.

Davide Faranda, uno scienziato presso il Centro nazionale francese per la ricerca scientifica (CNRS), e colleghi nel Regno Unito, Messico, Danimarca, e il Giappone ha deciso di esplorare le origini di queste incertezze. Questo lavoro è profondamente personale per Faranda, il cui nonno è morto di COVID-19; Faranda gli ha dedicato il lavoro.

Nel diario Caos , il gruppo descrive perché modellare ed estrapolare l'evoluzione delle epidemie di COVID-19 in tempo quasi reale è un'enorme sfida scientifica che richiede una profonda comprensione delle non linearità alla base delle dinamiche delle epidemie.

Prevedere il comportamento di un sistema complesso, come l'evoluzione delle epidemie, richiede sia un modello fisico per la sua evoluzione che un set di dati di infezioni per inizializzare il modello. Per creare un modello, il team ha utilizzato i dati forniti dal Center for Systems Science and Engineering della Johns Hopkins University, disponibile online su https://systems.jhu.edu/research/public-health/ncov/ o https://github.com/CSSEGISandData/COVID-19.

"Il nostro modello fisico si basa sul presupposto che la popolazione totale possa essere divisa in quattro gruppi:coloro che sono suscettibili di contrarre il virus, chi ha contratto il virus ma non mostra alcun sintomo, coloro che sono infetti e, finalmente, coloro che si sono ripresi o sono morti a causa del virus, " disse Faranda.

Per determinare come le persone si spostano da un gruppo all'altro, è necessario conoscere il tasso di infezione, tempo di incubazione e tempo di recupero. I dati sull'infezione reale possono essere utilizzati per estrapolare il comportamento dell'epidemia con modelli statistici.

"A causa delle incertezze in entrambi i parametri coinvolti nei modelli:tasso di infezione, periodo di incubazione e tempo di recupero e l'incompletezza dei dati sulle infezioni all'interno di diversi paesi, estrapolazioni potrebbero portare a una gamma incredibilmente ampia di risultati incerti, " disse Faranda. "Per esempio, solo ipotizzare una sottostima degli ultimi dati nei conteggi delle infezioni del 20% può portare a un cambiamento nelle stime delle infezioni totali da poche migliaia a pochi milioni di individui".

Il gruppo ha anche dimostrato che questa incertezza è dovuta a una mancanza di qualità dei dati e anche alla natura intrinseca delle dinamiche, perché è ultrasensibile ai parametri, soprattutto durante la fase di crescita iniziale. Ciò significa che tutti dovrebbero stare molto attenti a estrapolare quantità chiave per decidere se attuare misure di blocco quando inizia una nuova ondata di virus.

"Il conteggio totale delle infezioni finali e la durata dell'epidemia sono sensibili ai dati che inserisci, " Egli ha detto.

Il modello del team gestisce l'incertezza in modo naturale, quindi intendono mostrare come la modellazione della fase post-confinamento possa essere sensibile alle misure adottate.

"I risultati preliminari mostrano che l'attuazione di misure di blocco quando le infezioni sono in una fase di piena crescita esponenziale pone gravi limiti al loro successo, " disse Faranda.