Coronoa Virüsü Yayılma Riskinin Modellenmesi

Model Uygulaması

Bu çalışma, 26 Ocak’ta yayınlanan önceki analizimize dayanıyor. Daha önce yayınlanmış bir modeli uygulayarak 2019 salgınının başlangıcında salgın dinamikleri ve salgın kontrolünü, salgın başlangıcında salgın hastalığının salgınlarını hafifletmek için karar destek aracına entegre ettik. -nCoV salgını. Küresel salgın dinamiklerini simüle etmek için stokastik bir metapopülasyon salgını simülasyon aracı kullanılır ve dikkate alınan sınır kontrol mekanizması, enfekte olmuş veya risk altında olan kişileri tanımlamak için kullanılan havaalanlarına varışta yolcu taramasıdır (giriş taraması). Modelin ayrıntılı bir açıklaması bu bölümün sonunda verilmiştir.

Metapopülasyon modelimiz, şehirler arasındaki yolcu hava yolculuğunu temsil eden kenarlarla birbirine bağlanmış yerel, şehir düzeyinde, nüfuslardan oluşan küresel bir ağa dayanmaktadır. Ağın her bir düğümünde, salgın dinamiklerini ayrık zamanlı Duyarlı-Etkilenen-Kurtarılan (Kurtarılmış (SEIR)) bölmeli bir model kullanarak yerel olarak modelliyoruz. Ağırlıklı kenarları oluşturmak için havaalanı çiftlerini (molalar dahil) bağlayan tüm seyahat rotaları için IATA aylık yolcu seyahat hacimleri kullanılır. SEIR parametreleri, yakın tarihli bir NEJM yayınında tahmini 5,2 günlük kuluçka süresi ile hizalanan 5 günlük bir kuluçka dönemine göre tanımlanır . Modelimizdeki etkin temas oranı, Imperial College’den bir tahminle hizalanan 2 üreme sayısına karşılık gelir.Londra, 1.5 ile 3.5 arasında bir aralık rapor ediyor ve son NEJM yayınını yayınlıyor . İyileşme süresini beş güne ayarladık. 2019-nCoV’un ilk vakalarının sadece Wuhan’da mevcut olduğunu ve sınır kontrolünün hesaba katılmadığını varsayıyoruz. Sunulan model sonuçları ortalama 250 çalışmaya dayanmaktadır.

Sonuçlar

Bu analizde sunulan sonuçlar, 29 Ocak’ta Çin anakarasının dışında bildirilen toplam 100 2019-nCoV vakasına dayanıyor. Özellikle, Ocak ayının sonunda Çin anakarasında beklenen vaka sayısını ve küresel dağılımı tahmin ediyoruz. enfekte gezginlerin.  

Çin anakarasındaki 2019-nCoV vakalarının gerçek sayısının bugüne kadar bildirilenden çok daha yüksek olduğuna inanıyoruz. Özellikle, Çin anakarasında Ocak ayı sonuna kadar 58.000 kümülatif 2019-nCoV vakası olacağını tahmin ediyoruz (31 Ocak itibariyle bildirilen vakalar 12.000’e yakın). Bu tahmin, rapor edilen tahmini vakalara oranının% 10’a yakın olduğunu tahmin eden 25 Ocak’taki önceki analizimizle uyumludur. Bu tutarsızlığın bir kısmının raporlama gecikmelerinden kaynaklanması muhtemeldir. Bununla birlikte, önemli ölçüde daha fazla sayıda tahmini vaka, vakaların çoğunun hafif (veya asemptomatik) olabileceğini, tıbbi bakım gerektirmediğini ve bu nedenle rapor edilmediğini göstermektedir. Ayrıca, bu analize dayanarak salgının Kasım ayında başladığına inanıyoruz, ve Aralık başında Wuhan’da yüzlerce insan 2019-nCoV vakası vardı. Ocak ayında teyit edilen tahmini ayetler Şekil 1’de sunulmuştur.

Şekil 1. 2019-nCoV vakalarının küresel olarak tahmin edilen ve rapor edilen vakaları.

Mevcut salgın boyutunun çıkarımına ek olarak, model küresel olarak her havaalanına ulaşan (yolcuların son seyahat yerlerine dayanarak) beklenen (100) ithal vaka sayısını sağlar. Bunu bir ülke / bölgedeki tüm havaalanları üzerinde toplayarak, her ülke / bölgedeki toplam ithal edilen vaka sayısını tahmin edebiliriz. Ülke düzeyinde ithalat riski, daha koyu ithalat tonları daha yüksek ithalat riskine eşit olacak şekilde Şekil 2’deki haritada gösterilmektedir ve kırmızı anahat, 31 Ocak itibariyle vakaları bildiren ülke kümesini göstermektedir. 

Şekil 2. 2019-nCoV vakalarının ithal edilmesi riski en yüksek olan ülkelerin / bölgelerin ısı haritası, 31 Ocak

Aşağıdaki Şekil 3’te, her bir ülkedeki / bölgedeki tahmini ithal edilen vaka sayımızın, her bir ülkedeki rapor edilen 2019-nCoV vakalarının gerçek sayısına kıyasla nasıl olduğu gösterilmektedir. Simülasyon sonuçları, salgının ortaya çıkış aşamasında Çin anakarasının dışındaki hava yolculuğu rapor edilen vakaların sayısı ile uyumludur. 31 Ocak itibariyle, anakara Çin hariç 24 ülke, seyahatle ilgili en az bir vaka bildirmiş ve etkilenen ülkeler listesi sıralamamıza uygun olarak raporlanmıştır. Bildirilen bazı vakalar (turuncu çubuklarla temsil edilmektedir), seyahatle ilgili risk tahminlerimizdeki tutarsızlığı kısmen açıklayan, kendi ülkelerinde / bölgelerinde (ör. ABD, Almanya, Japonya, Vietnam) yerel olarak elde edilmiştir.

Şekil 3. Bildirilen 2019-nCoV vakası sayısına göre ( 31 Ocak itibariyle tahmini ithal vaka sayısı olan ülkelerin / bölgelerin listesi 

Ayrıca, Çin anakarası dışındaki şehirlerin bir salgın riski altında olduğunu belirlemek için sonuçları havaalanı düzeyinde (nihai seyahat hedeflerine göre) sunuyoruz. Şekil 4, şehir içindeki havaalanlarında beklenen enfekte yolcuların beklenen sayısına bağlı olarak ABD içindeki 2019-nCoV riski altındaki şehir kümesini göstermektedir ve kırmızı ana hatlar zaten vakaları bildirmiş durumları vurgulamaktadır. Çin anakarası dışındaki risk altındaki havaalanları seti, Şekil 5’te gösterilmiştir ve birincil risk güneydoğu Asya’ya yöneliktir. Dünyadaki ilk 100 havaalanında yalnızca ABD havalimanlarının bir alt kümesi listelenmiştir. Bu sonuçlar 25 Ocak’taki önceki analizimizle tutarlıdır. Bu şehirlerin çoğu zaten vaka bildirmiş olsa da, önümüzdeki günlerde bildirilecek ek vakalara hazırlıklı olmaları gerekmektedir.

Şekil 4. 2019-nCoV yolcularının gelmesi olasılığına göre en yüksek riskli ABD şehirlerinin haritası

Şekil 5. 2019-nCoV anakara Çin dışındaki yolculara en yüksek risk taşıyan havaalanlarının haritası.

Sınırlamalar

Bu tahminlerle ilgili olarak dikkat edilmesi gereken birden fazla modelleme varsayımı ve sınırlaması vardır.

  • 2019-nCoV’un iletimi konusunda hala belirsizlikler var. Bu analiz için seçilen üreme sayısı ve kuluçka dönemi parametreleri bugüne kadarki en iyi tahminlerle uyumludur. Bu analizde belirtilen beş günden daha uzun olabilen iyileşme süresinin süresi hakkında daha az bilgi vardır. Daha fazla veri, tahminlerimizi daha ince ayarlamamıza yardımcı olacaktır.
  • En son teyit edildiği gibi, kuluçka döneminde asemptomatik bireylerden enfeksiyon bulaşması bu analizde dikkate alınmamıştır. Bu nedenle, özellikle bu analizde en yüksek risk altında olduğu belirlenen şehirlerde, Çin dışındaki bildirilen vakaların sayısının önümüzdeki günlerde artacağı muhtemeldir. 
  • Model sadece yolcu hava yolculuðunu hesaba katar ve diðer ulaþým modlarý üzerinden þehirler içindeki ve arasýndaki hareketliliği hariç tutar. Bu nedenle, alternatif seyahat modları ile bağlı bölgeler arasındaki yayılma riski göz ardı edilmektedir. Bu en çok, hafife aldığımız Çin’e yayılmak için geçerlidir.
  • Her şehirdeki salgını modellemek için kullanılan SEIR parametreleri belirleyicidir. Bununla birlikte, şehirler arasında hareket eden enfekte gezginlerin yayılması stokastik olarak modellenmiştir.
  • Havaalanlarında geliş yolcu taraması ve 23 Ocak’ta Wuhan’da uygulanan tam hava yolculuğu yasağı bu analizde dikkate alınmamıştır. Bu nedenle, simülasyonumuzun son birkaç günü boyunca Wuhan’dan dışa aktarılan davaların sayısını fazla tahmin ediyoruz. Ancak, bu, varış yerlerinin göreceli sıralamasını etkilemez.
  • Şehirlerde hiçbir yerel kontrol mekanizması (profilaktikler, aşılar, okul kapanışları, karantina çabaları) hesaba katılmaz. Böylece, R0’ın zaman içinde ve tüm konumlarda sabit olduğu varsayılır. Muhtemelen R0 konumlar arasında oldukça değişkendir ve bireyin davranışındaki değişiklikler nedeniyle salgının başlangıcından daha düşüktür. Ek olarak, salgının erken aşamalarına dayanan bazı yüksek R0 tahminleri , bu noktada muhtemelen aşırı tahmin edilmektedir. Bu nedenle, geçen haftaki salgının büyümesini fazla tahmin ediyor olabiliriz ve bu nedenle toplam vakaları fazla tahmin ediyor olabiliriz.
  • 2015 Seyahat verilerini kullanıyoruz, çünkü bu laboratuvarda mevcut olan en yeni eksiksiz (havaalanından havaalanına) verilerdir.

Referanslar:

Zlojutro, A, Rey, D ve L Gardner *. (2019) “Küresel salgının azaltılması için sınır kontrol politikalarının optimize edilmesi”. Bilimsel Raporlar 9: 2216. DOI https://doi.org/10.1038/s41598-019-38665-w (Açık Kaynak bağlantı) https://rdcu.be/bniOs

Coronoa Virüsü Yayılma Riskinin Modellenmesi

Blog |