Das neue Modell hat sich als erfolgreich erwiesen, um die COVID-19-Infektionsraten zwei bis drei Wochen im Voraus vorherzusagen – –

Eine neue Studie von Forschern der Texas A & M University wurde in veröffentlicht PLUS EINS beschreibt ein neues Modell für die Erstellung kurzfristiger Projektionen von täglichen COVID-19-Fällen, das genau, zuverlässig und von Beamten des öffentlichen Gesundheitswesens und anderen Organisationen leicht zu verwenden ist.

Unter der Leitung von Hongwei Zhao, Professor für Biostatistik an der Texas A & M School of Public Health, verwendeten die Forscher eine auf dem SEIR-Rahmen (anfällige, exponierte, infizierte und wiederhergestellte Zustände) basierende Methode, um die COVID-19-Inzidenz in den kommenden zwei bis drei Wochen zu prognostizieren nur bei beobachteten Inzidenzfällen. Dieses Modell geht von einer konstanten oder kleinen Änderung der Übertragungsrate des Virus aus, die COVID-19 über einen kurzen Zeitraum verursacht.

Das Modell verwendet öffentlich verfügbare Daten zu neu gemeldeten Fällen von COVID-19 in Texas aus dem COVID-19-Datenrepository des Center for Systems Science and Engineering der Johns Hopkins University. Forscher von Texas A & M verwendeten diese Daten zur Inzidenz von Krankheiten in Texas und einer Auswahl von Landkreisen, zu denen der Texas A & M-Campus gehörte, um die COVID-19-Übertragungsrate zu schätzen.

“Die Ergebnisse zeigen, dass dieses Modell verwendet werden kann, um COVID-19-Fälle zwei bis drei Wochen im Voraus vernünftig vorherzusagen, wobei nur die aktuellen Inzidenzzahlen verwendet werden”, sagte Zhao. “Die Einfachheit dieses Modells ist eine seiner größten Stärken, da es von Organisationen mit wenigen Ressourcen leicht implementiert werden kann. Prognosen aus diesem Modell können Organisationen des Gesundheitswesens dabei helfen, sich auf Überspannungen vorzubereiten, und Beamten des öffentlichen Gesundheitswesens dabei helfen, zu bestimmen, ob Maskenmandate oder andere Richtlinien gelten erforderlich.”

Sie prognostizierten zukünftige Infektionen unter drei möglichen Szenarien: eine anhaltende, konstante Übertragungsrate; eine, bei der die Übertragungsrate fünf Prozent höher ist als die aktuellen Werte, was auf eine Abnahme der Praktiken zur Verhinderung der Übertragung oder eine Zunahme der Bedingungen zur Förderung der Übertragung zurückzuführen ist; und eine, bei der die Übertragung um fünf Prozent niedriger ist.

Lesen Sie auch  Mitarbeiter von Sutter Health stimmen für eine Gewerkschaftsgründung

Die Schätzung der derzeit effektiven Übertragungsrate kann schwierig sein, da die täglichen Schwankungen sowohl bei Infektionen als auch bei der Berichterstattung diese Schätzung dramatisch beeinflussen können. Daher glätteten die Forscher die täglichen Berichtsschwankungen anhand eines dreitägigen gewichteten Durchschnitts und führten eine zusätzliche Glättung durch, um Datenanomalien wie Landkreise zu berücksichtigen, in denen mehrere Monate von Fällen gleichzeitig gemeldet wurden.

Die Forscher verglichen ihre Prognosen mit der gemeldeten Inzidenz in Texas über vier Zeiträume im Jahr 2020: 15. April, 15. Juni, 15. August und 15. Oktober. Die Anzahl der täglich gemeldeten neuen COVID-19-Fälle war Mitte April relativ gering, als es viele Unternehmen waren wurde heruntergefahren und begann Anfang Mai zuzunehmen, nachdem in Texas schrittweise Wiedereröffnungen begonnen hatten. Die Zahlen stiegen nach dem Memorial Day stark an und tendierten dann nach unten, nachdem im Sommer ein landesweites Maskenmandat erlassen worden war. Die Infektionen nahmen nach dem Tag der Arbeit wieder zu, schienen dann aber bis Mitte Oktober ein Plateau zu erreichen, als erneut beobachtet wurde, dass die Übertragungsrate dramatisch anstieg.

Die landesweite Anwendung des Modells zeigte, dass es eine recht gute Leistung erbrachte, wobei nur die Prognose für den zweiten Zeitraum von der tatsächlich aufgezeichneten Inzidenz abwich, möglicherweise aufgrund der sich dramatisch ändernden Zahlen zu dem Zeitpunkt, als eine große Welle von COVID-19 um die Feiertage des Memorial Day auftrat . Das Modell schnitt auf Kreisebene ähnlich gut ab, obwohl die geringere Bevölkerung und Veränderungen in der Bevölkerung, wie z. B. Schüler, die während des Schuljahres in das Gebiet ein- und ausziehen, die Berichterstattung über neue Fälle beeinflussten.

Das Modell ist jedoch durch die verwendeten Daten begrenzt. Lokale Test- und Berichtsrichtlinien und -ressourcen können die Datengenauigkeit beeinträchtigen, und Annahmen über die Übertragungsrate auf der Grundlage der aktuellen Inzidenz sind in Zukunft weniger wahrscheinlich. Und wenn sich mehr Menschen mit COVID-19 infizieren und sich erholen oder geimpft werden, ändert sich die anfällige Bevölkerung, was möglicherweise die Übertragung beeinträchtigt.

Lesen Sie auch  Bundesrichter blockiert Indiana-Gesetz zur Aufhebung von Abtreibungen

Trotz dieser Einschränkungen sagten die Forscher, dass das Modell ein wertvolles Instrument für Gesundheitseinrichtungen und Beamte des öffentlichen Gesundheitswesens sein kann, insbesondere in Kombination mit anderen Informationsquellen. Die COVID-19-Pandemie ist noch nicht vorbei. Daher ist es wichtig, über ein Tool zu verfügen, mit dem festgestellt werden kann, wann und wo ein weiterer Anstieg auftreten kann. In ähnlicher Weise hoffen die Forscher, diese neuen Werkzeuge für zukünftige Bedürfnisse nach Infektionskrankheiten nutzen zu können.

Darüber hinaus wurde das Modell verwendet, um ein Dashboard zu erstellen, das Echtzeitdaten zur landesweiten Verbreitung von COVID-19 bereitstellt. Es wurde lokal von Universitätsverwaltern und Beamten des öffentlichen Gesundheitswesens verwendet.

Weitere an dieser Studie beteiligte Forscher der School of Public Health waren Marcia Ory, Tiffany Radcliff, Murray Côté, Rebecca Fischer und Alyssa McNulty sowie die Forscher des Statistikministeriums Huiyan Sangand und Naveed Merchant.

Quelle der Geschichte:

Materialien zur Verfügung gestellt von Texas A & M University. Original geschrieben von Rae Lynn Mitchell. Hinweis: Der Inhalt kann nach Stil und Länge bearbeitet werden.

.

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.