Inkluderandet av biologisk osäkerhet och de senaste falldata kan avsevärt förbättra prediktionsnoggrannheten för vanliga epidemiologiska modeller för virusöverföring, ny forskning ledd av KAUST och Kuwait College of Science and Technology (KCST) har visat.

Moderna matematiska epidemimodeller har testats som aldrig förr under covid-19-pandemin. Dessa modeller använder matematik för att beskriva de olika biologiska och överföringsprocesser som är involverade i en epidemi. Dock, när sådana faktorer är mycket osäkra, till exempel under uppkomsten av ett nytt virus som COVID-19, förutsägelserna kan vara opålitliga.

"Den mottagliga-exponerade-infekterade-återställda modellen, SEIR, är en standardmässig matematisk metod för att förutsäga spridningen av en epidemi i en befolkning, " säger Rabih Ghostine, tidigare KAUST och nu på KCST. "Denna modell är baserad på flera antaganden, såsom homogen blandning av befolkningen och utelämnande av migration, födslar eller dödsfall av andra orsaker än epidemin. Parametrarna i den traditionella SEIR-modellen tillåter inte heller kvantifiering av osäkerhet, att vara enskilda värden som återspeglar modellerarens bästa gissning."

"Vi ville utveckla en robust matematisk modell som tar hänsyn till sådana osäkerheter och som innehåller epidemidata för att förbättra prognosnoggrannheten, " förklarade Ghostine.

Spöke, tillsammans med KAUSTs Ibrahim Hoteit och andra forskare, utvecklat en utökad SEIR-modell som äventyrar sju fack:mottaglig, utsatt, infektiös, i karantän, återhämtade sig, dödsfall och vaccinerade. De lade sedan till osäkerhetsdefinitioner och en dataassimileringsprocess för att driva progressiva förbättringar av modellen.

"Vår dataassimileringsmetod utnyttjar nya inkommande observationer för att kalibrera modellen med aktuell information för att kontinuerligt ge förbättrade förutsägelser, och även för att uppskatta osäkerheter, " säger Ghostine. "Detta är ett populärt ramverk i atmosfäriska och havsforskningssamhällen och ligger till grund för all operativ väder- och havsmodellering."

Modellen använder en "ensemble"-metod, där en uppsättning förutsägelser genereras över olika parameterosäkerheter. Denna ensemble integreras sedan framåt i tiden för att förutsäga det framtida tillståndet. Ett korrigeringssteg utförs för att uppdatera prognosen med de senaste uppgifterna. Validering med riktiga data för Saudiarabien visade att modellen ger tillförlitliga prognoser upp till 14 dagar i förväg.

"Matematiska modeller kan spela en viktig roll för att förstå och förutsäga överföring av covid-19 samt ge viktig information till beslutsfattare för att implementera lämpliga åtgärder och effektiva strategier för att kontrollera pandemins spridning och mildra dess effekter, " säger Hoteit. "Vår metod, som vi utvecklade för att simulera spridningen av covid-19 i Saudiarabien, kan också användas för att förutse spridningen av en pandemi i en befolkning."