A inclusão de incerteza biológica e os dados de caso mais recentes podem melhorar significativamente a precisão da previsão de modelos epidemiológicos padrão de transmissão de vírus, uma nova pesquisa liderada pela KAUST e pelo Kuwait College of Science and Technology (KCST) mostrou.

Modelos de epidemias matemáticas modernas foram testados como nunca antes durante a pandemia de COVID-19. Esses modelos usam matemática para descrever os vários processos biológicos e de transmissão envolvidos em uma epidemia. Contudo, quando tais fatores são altamente incertos, como durante o surgimento de um novo vírus como COVID-19, as previsões podem não ser confiáveis.

"O modelo suscetível-exposto-infectado-recuperado, SEIR, é uma abordagem matemática padrão para prever a propagação de uma epidemia em uma população, "diz Rabih Ghostine, anteriormente da KAUST e agora na KCST. "Este modelo é baseado em várias suposições, como a mistura homogênea da população e a omissão da migração, nascimentos ou mortes por outras causas que não a epidemia. Os parâmetros do modelo SEIR tradicional também não permitem a quantificação da incerteza, sendo valores únicos refletindo a melhor estimativa do modelador. "

"Queríamos desenvolver um modelo matemático robusto que levasse em consideração essas incertezas e incorpore dados de epidemia para melhorar a precisão das previsões, "explicou Ghostine.

Ghostine, junto com Ibrahim Hoteit da KAUST e outros pesquisadores, desenvolveu um modelo SEIR estendido que compromete sete compartimentos:suscetível, expor, infeccioso, em quarentena, recuperado, mortes e vacinados. Em seguida, eles adicionaram definições de incerteza e um processo de assimilação de dados para impulsionar a melhoria progressiva do modelo.

"Nossa abordagem de assimilação de dados explora novas observações de entrada para calibrar o modelo com informações recentes, a fim de fornecer continuamente melhores previsões, e também para estimar incertezas, "diz Ghostine." Esta é uma estrutura popular nas comunidades de pesquisa atmosférica e oceânica e está na base de todos os modelos operacionais de clima e oceano. "

O modelo usa uma abordagem de "conjunto", em que um conjunto de previsões é gerado em diferentes incertezas de parâmetro. Esse conjunto é então integrado a tempo de prever o estado futuro. Uma etapa de correção é executada para atualizar a previsão com os dados mais recentes. A validação usando dados reais para a Arábia Saudita mostrou que o modelo fornece previsões confiáveis ​​com até 14 dias de antecedência.

"Os modelos matemáticos podem desempenhar um papel importante na compreensão e previsão da transmissão COVID-19, bem como fornecer informações cruciais para os formuladores de políticas para implementar medidas adequadas e estratégias eficientes para controlar a propagação da pandemia e mitigar seu impacto, "diz Hoteit." Nosso método, que desenvolvemos para simular a propagação do COVID-19 na Arábia Saudita, também pode ser aplicado para prever a propagação de qualquer pandemia em uma população. "