RUDN University matematiker byggde en modell för spridning av covid-19 baserad på två regressionsmodeller. Matematikerna delade in länderna i tre grupper, beroende på spridningshastigheten och klimatförhållandena, och hittade en lämplig matematisk approximation för var och en av dem. Baserat på modellen, matematikerna förutspådde de efterföljande vågorna. Prognosen stämde i länder där massvaccination inte infördes. Resultaten publiceras i Matematik .

Epidemins spridningshastighet inom landet beror på, bland annat, om klimatförhållandena:temperatur, fuktighet, vindar. Till exempel, under den kalla årstiden, torr luft torkar ut nässlemmet som fungerar som en första försvarslinje mot viruset. Därför, en person blir infekterad snabbare. Hög temperatur, tvärtom, förhindrar viruset från att överleva. Baserat på dessa överväganden, Professor Maria Alessandra Ragusa vid RUDN University byggde tillsammans med sina kollegor från Egypten och Italien modeller av covid-19 spridningen separat för tre grupper av länder med olika klimatförhållanden. Det visade sig att modellen exakt förutsäger det fortsatta förloppet av epidemin, men bara tills effekten av vaccination börjar påverka.

"Den största utmaningen när man studerar epidemier är hur man förutsäger sjukdomsbeteendet, hur många människor kommer att bli smittade i framtiden, fastställa pandemitoppen, andra vågen av sjukdomens verkanstid, och det totala antalet dödsfall efter att pandemin upphört. Vi använde en ny toppmodern regressionsmodell för att modellera dagliga bekräftade fall och för att förutsäga de kommande coronavirusvågorna i olika länder, säger Ragusa.

Matematiker har identifierat tre grupper av länder. Den första kategorin omfattar länder där den första vågen av pandemin varade i cirka 180 dagar. Dessa är länderna med lägst spridningsgrad, med en årlig medeltemperatur på 15-38° (t.ex. Saudiarabien, Egypten). I den andra gruppen länder (t.ex. Storbritannien, Tyskland, Italien) med en årlig medeltemperatur på 2-31°C, den första vågen varade i 90 dagar. Länder i denna grupp kännetecknas av en genomsnittlig infektionsfrekvens och stoppperioder med låg virusspridningshastighet. Den tredje gruppen inkluderar länder med den högsta spridningshastigheten och inga uppehållsperioder, med en årlig medeltemperatur på 2-18 grader Celsius, till exempel, USA och Ryssland.

För modellering, forskare använde WHO-data om antalet fall från 1 mars till 15 november, 2020. RUDN-matematiker valde de mest lämpliga regressionsmodellerna – metoder för statistisk forskning av flera variablers inverkan på ett värde. Fourier-serien och summan av sinusvågorna var de mest exakta för modellering av COVID-19-fall. Detta innebär att kurvan för nya fall av sjukdomen representeras antingen som summan av Fourier-funktioner (de kan representeras som vågor av en viss frekvens och amplitud), eller som summan av vanliga sinusvågor.

Som ett resultat, Professor Ragusa erhöll de beräknade värdena för toppen av den andra eller tredje vågen i de studerade länderna. Olika modeller gav täta prognoser med en skillnad på flera dagar. De erhållna förutsägelserna jämfördes med tillgängliga data vid den tidpunkten. Det visade sig att modellen ger ganska exakta förutsägelser om landet inte inför bred vaccination. Till exempel, det beräknade värdet av toppen av nya fall i Egypten är 1481 personer den 11 januari, 2021; den verkliga toppen inträffade den 31 december med 1418 fall. I andra länder, modellen ger en korrekt förutsägelse fram till början av 2021. Därefter, vaccinationseffekten sker och de beräknade värdena skiljer sig från verkligheten. Till exempel, för Tyskland, de förutsagda och verkliga värdena är nära till omkring den 15 januari, 2021, och den 15 februari skiljer de sig med cirka 2,5 gånger.

"I vårt framtida arbete, vi kommer att utveckla de nuvarande prediktiva modellerna med tanke på hur vaccination påverkar virusspridningshastigheten, " avslutar Ragusa.