Vid de första antydningarna om ett sjukdomsutbrott, epidemiologer, vårdgivare, beslutsfattare, och forskare vänder sig till sofistikerade prediktiva modeller för att avgöra hur en sjukdom sprider sig och vad som bör göras för att minimera smittan. Ett forskningssamarbete mellan New York University Tandon School of Engineering och Politecnico di Torino i Italien ökar den traditionella modelleringsprocessen, ger förutsägelser som är både enklare att beräkna och mer anpassade till en hyper-ansluten värld.

Alla prediktiva modeller korrelerar rörelsen av en sjukdom genom en befolkning över tid, men nuvarande simuleringar kan inte redogöra för en till synes självklar idé:att rörlighet och aktivitet varierar mellan människor, och att dessa variationer påverkar sannolikheten för att drabbas eller sprida en sjukdom.

Ett nytt paradigm förklarades i en artikel publicerad i Fysiska granskningsbrev av Maurizio Porfiri, professor i mekanisk och rymdteknik vid NYU Tandon, Alessandro Rizzo, en gästprofessor vid NYU Tandon och en docent i kontrollteknik på Politecnico, och Lorenzo Zino, en Politecnico doktorand i ren och tillämpad matematik.

Forskarna antar att vissa människor är mer aktiva, några mindre, och deras modell redogör för hur dessa skillnader kan påverka sjukdomsutbredning. Deras tillvägagångssätt tillåter nyanserad modellering av olika sjukdomar - från ett mycket smittsamt luftburet virus som influensa, som rör sig snabbt bland personer med hög rörlighet men begränsas av dem som avskärmar sig, mot ett virus som hiv, som har en lång latensperiod och långsammare överföringshastighet.

"Hur jag rör mig är hur jag får en sjukdom, "sa Porfiri." Vi ändrar den synvinkel från vilken vi startar utbrottssimuleringar eftersom vi inte kan förstå hur ett litet utbrott utvecklas till en epidemi utan att förstå hur olika människors aktivitetsnivåer hjälper till att sprida det. "

Flera traditionella modeller antar homogenitet inom samhället. "Det är som att sjuka människor är på en specifik plats, ansluta till ett visst antal personer, och det är inte realistiskt, "sa Rizzo." Vissa människor har fler kontakter än andra, och omfattningen av dessa anslutningar kan vara jämförbar med sjukdomsskalan. "

Porfiri och Rizzo förklarade att traditionella simuleringar använder en "diskret tid/kontinuerlig aktivitet" -metod, vilket vanligtvis kräver omfattande och långa simuleringar. Forskarna använder enklare system med kopplade differentialekvationer som möjliggör manipulering av faktorer som kan påverka sjukdomsspridning.

Detta är den första forskningen som kommer från ett treårigt, $ 375, 000 National Science Foundation -bidrag som tilldelas teamet för att studera den samtidiga utvecklingen av dynamiken i infektionssjukdomar och de nätverk genom vilka de sprids. Forskningen finansierades också delvis genom bidrag från U.S. Army Research Office (ARO) och Compagnia di San Paolo.

Teamet har utvecklat ett av få metoder för sjukdomsmodellering som använder heterogeniteter i aktivitetsnivåer som en faktor för att sprida sjukdom. I experiment för att testa deras modell, laget förutspådde framgångsrikt influensaförflyttning på ett universitetscampus och spridning av ett trendigt ämne på Twitter.

"Vi har oändliga möjligheter att se effekterna av interventioner, "sa Porfiri." Vi kan förstå hur vacciner, karantän, eller andra parametrar påverkar smittan. Vissa sjukdomar tar eld, medan andra omedelbart upphävs. Denna ram möjliggör analys av varför och hur det händer. "

I framtiden, forskarna förväntar sig att denna modell kommer att hjälpa ledningsinsatser under ett utbrott, inklusive implementering av vaccinationsstrategier, utvärdera riskerna och fördelarna med reseförbud, och mäta effektiviteten av sjukdomsförebyggande kampanjer.