L'inclusione dell'incertezza biologica e dei dati più recenti sui casi può migliorare significativamente l'accuratezza della previsione dei modelli epidemiologici standard di trasmissione del virus, ha dimostrato una nuova ricerca condotta da KAUST e dal Kuwait College of Science and Technology (KCST).

I moderni modelli epidemici matematici sono stati testati come mai prima d'ora durante la pandemia di COVID-19. Questi modelli utilizzano la matematica per descrivere i vari processi biologici e di trasmissione coinvolti in un'epidemia. Però, quando tali fattori sono altamente incerti, come durante l'emergere di un nuovo virus come il COVID-19, le previsioni possono essere inaffidabili.

"Il modello suscettibile-esposto-infetto-guarito, SEIR, è un approccio matematico standard per prevedere la diffusione di un'epidemia in una popolazione, "dice Rabih Ghostine, precedentemente di KAUST e ora di KCST. "Questo modello si basa su diversi presupposti, come la mescolanza omogenea della popolazione e l'omissione della migrazione, nascite o decessi per cause diverse dall'epidemia. Anche i parametri del modello SEIR tradizionale non consentono la quantificazione dell'incertezza, essendo valori singoli che riflettono la migliore ipotesi del modellista."

"Volevamo sviluppare un modello matematico robusto che tenesse conto di tali incertezze e incorpori i dati epidemici al fine di migliorare l'accuratezza delle previsioni, " ha spiegato Ghostine.

fantasma, insieme a Ibrahim Hoteit di KAUST e altri ricercatori, sviluppato un modello SEIR esteso che compromette sette compartimenti:suscettibile, esposto, infettivo, in quarantena, recuperato, morti e vaccinati. Hanno quindi aggiunto definizioni di incertezza e un processo di assimilazione dei dati per guidare il progressivo miglioramento del modello.

"Il nostro approccio all'assimilazione dei dati sfrutta le nuove osservazioni in arrivo per calibrare il modello con informazioni recenti al fine di fornire previsioni sempre migliori, e anche per stimare le incertezze, " dice Ghostine. "Questo è un quadro popolare nelle comunità di ricerca atmosferica e oceanica ed è alla base di tutti i modelli operativi meteorologici e oceanici".

Il modello utilizza un approccio "ensemble", in cui viene generata una serie di previsioni attraverso diverse incertezze dei parametri. Questo insieme viene quindi integrato in avanti nel tempo per prevedere lo stato futuro. Viene eseguita una fase di correzione per aggiornare la previsione con i dati più recenti. La convalida utilizzando dati reali per l'Arabia Saudita ha mostrato che il modello fornisce previsioni affidabili fino a 14 giorni in anticipo.

"I modelli matematici possono svolgere un ruolo importante nella comprensione e previsione della trasmissione di COVID-19, nonché fornire informazioni cruciali ai responsabili delle politiche per attuare misure appropriate e strategie efficienti per controllare la diffusione della pandemia e mitigarne l'impatto, " dice Hoteit. "Il nostro metodo, che abbiamo sviluppato per simulare la diffusione del COVID-19 in Arabia Saudita, può essere applicato anche per prevedere la diffusione di qualsiasi pandemia in una popolazione".