Modelo matemático monitoreará la propagación de COVID-19

Crédito: CC0 Dominio público

Los investigadores de la Universidad de Rochester están utilizando su experiencia en modelos matemáticos para ayudar a responder una de las preguntas más importantes que rodean la pandemia y la cuarentena: ¿cuándo va a ¿final?

Gourab Ghoshal, profesor asociado de física, matemáticas e informática, y Andrew White, profesor asistente de ingeniería química, recibieron recientemente una subvención de la Fundación Nacional de Ciencias para crear un modelo matemático que monitoreará la propagación de COVID-19 . Tanto White como Ghoshal son investigadores computacionales y pueden realizar sus investigaciones de forma remota durante el cierre del campus. Combinando su experiencia en el modelado de epidemiología y simulación molecular, los investigadores esperan crear una herramienta única que ayude a los legisladores a tomar decisiones informadas sobre la reapertura del país.

«Necesitamos encender las luces para obtener más información para erradicar esta enfermedad», dice Ghoshal. «Esto es muy difícil porque tenemos que ampliar las pruebas, rastrear contactos, convencer a las personas para que realicen cambios de comportamiento. Sería útil tener una estimación de cuán transmisible es la enfermedad en tiempo real».

Medición de las tasas de infección: R0 frente a R efectivo

Como sabe cualquiera que haya visto la película Contagio de 2011, la estimación de la tasa de infección de un virus está representada por el término matemático «R0», que se pronuncia «R cero». Si R0 es igual a cinco, por ejemplo, cada persona infectada con un virus infectará a un promedio de cinco personas. Si R0. es mayor que uno, el virus se está propagando y el brote continuará, pero si R0 es menor que uno, la enfermedad está disminuyendo y eventualmente desaparecerá.

Mientras que R0 se usa para describir la intensidad de un brote de enfermedad, en realidad solo es relevante al comienzo de una pandemia. A medida que avanza la pandemia, otros factores, como el distanciamiento social o las cuarentenas, afectan la tasa de infección.

«En cada momento, desea monitorear la transmisibilidad efectiva de la enfermedad, independientemente de cuántas personas realmente lo tiene: ¿cuál es la probabilidad de que alguien salga y a quién infecta?» dice Ghoshal.

Para tener en cuenta situaciones y comportamientos fluctuantes en el transcurso de una pandemia, el modelo de Ghoshal y White producirá lo que se conoce como R efectivo, que es R0 en función del tiempo: el número de personas que puede ser infectado por un individuo en un momento dado. Al comienzo de una pandemia, por ejemplo, la R efectiva puede ser cinco, pero una vez que se establece una cuarentena y avanza, la R efectiva puede ser menos de uno.

«Eso es bueno porque significa que usted» estás en una situación en la que la pandemia podría disminuir, pero luego, en el momento en que comiences a relajar los bloqueos, existe una buena posibilidad de que pueda despegar nuevamente”, dice Ghoshal. «Nuestro modelo podría brindarle qué R es efectivo en tiempo real».

Los funcionarios locales podrán usar el modelo de Ghoshal y White para monitorear las tasas de infección día a día, y podrán determinar mejor si la apertura de negocios hace que aumenten las tasas de infección.

«El alcalde de una ciudad específica conocería la R vigente hoy y mañana y podría decir: «Ok, abriré todos las cafeterías’ y pueden ver cuál es la R efectiva, y pueden abrir más negocios si la R efectiva permanece baja o cerrar cosas si la R efectiva aumenta», dice Ghoshal.

El desafío de la velocidad y precisión

Los investigadores pueden calcular R0 y R efectivo ingresando datos en modelos matemáticos. Hay varias variables de datos que se utilizan para calcular con mayor precisión el R efectivo: (S)susceptible, (E)expuesto; (A)sintomático pero infeccioso; sintomático e (I)nfeccioso; (R)recuperado; y (D)fallecido.

El problema con muchos de los modelos actuales que utilizan este El marco SEAIRD es que son una compensación entre la precisión y la simplicidad: a medida que los modelos se vuelven cada vez más sofisticados, se vuelven más intensivos en datos, por lo que no se pueden implementar rápidamente. Los modelos simples, por otro lado, requieren menos entradas de datos y se pueden implementar más rápidamente, pero a menudo no son tan precisos.

Ghoshal y White esperan desarrollar un modelo que se encuentre en algún punto intermedio.

p>

«Nuestro modelo será fácilmente implementable y hará predicciones razonablemente precisas muy rápido, de manera escalable», dice Ghoshal.

Para hacer esto, los investigadores están tomando los modelos epidemiológicos en los que trabaja Ghoshal y los introducen en un marco llamado polarización de máxima entropía que White ha utilizado con éxito para simular la dinámica molecular.

Los investigadores ingresan en el modelo las dos variables que consideran más confiables: las tasas de mortalidad y las tasas de hospitalización, que son números que se obtienen fácilmente a partir de datos de fuente abierta a nivel estatal y del condado. Un marco de sesgo de entropía máxima permite que el modelo tenga en cuenta cualquier otra variable desconocida, como individuos que no muestran ningún síntoma, pero que aún pueden infectar a otros, por ejemplo, para que los investigadores no tengan que ingresar todos los factores.

«La entropía máxima básicamente significa que no vamos a encontrar todos los parámetros, así que vamos a poner este término de sesgo que da cuenta de las cosas que no sabemos», dice White. «Esta es una nueva dirección que la gente no ha explorado».

Ingresar solo estas dos variables y usar el sesgo de entropía máxima producirá la R efectiva para una región en cualquier momento. La naturaleza del modelo significa que también podría implementarse para futuros brotes de enfermedades.

«Es probable que ocurra otra pandemia a menos que cambiemos nuestras formas», dice Ghoshal. «En la fase inicial, cuando hay muy pocos datos disponibles, esperamos que esta herramienta en particular pueda comenzar a encender las luces, si no en todo el apartamento, al menos en una habitación, antes de que muera más gente».

Explore más

Siga las últimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por la Universidad de Rochester Cita: El modelo matemático monitoreará la propagación de COVID-19 (2020, 21 de mayo ) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-05-mathematical-covid-.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.