Modelele matematice, un factor cheie în combaterea pandemiei de COVID-19În contextul pandemiei de coronavirus, modelele matematice au revenit în atenția specialiștilor întrucât pot crea scenarii previzibile despre modul în care ar putea evolua pandemia, ceea ce ar ajuta autoritățile să ia măsuri specifice mai eficiente.
„Virtutea unui model matematic… este oferă claritate și precizie unei ipoteze, permițând astfel o comparație semnificativă între consecințele presupunerilor de bază și faptele empirice”, explică teoreticianul în biologie Robert May, citat de Science.
De exemplu, oamenii de știință au folosit un model matematic pentru a studia impactul și consecințele pe care le are coronavirusul în diverse medii demografice și socio-economice, însă s-au concentrat pe țările mai puțin dezvoltate sau aflate în curs de dezvoltare.
Analiza acestora arată că un sistem de sănătate cu o capacitate redusă anulează într-o oarecare măsură avantajul țării de a avea o populație relativ tânără. Astfel, dacă aceste tipuri de țări nu controlează răspândirea SARS-CoV-2, este posibil să existe consecințe grave.
După apariția unui agent patogen necunoscut anterior precum SARS-CoV-2, modelele matematice pot fi utilizate pentru a estima parametrii de răspândire ai acestuia, pentru a explora posibile scenarii viitoare, pentru a evalua retrospectiv eficacitatea intervențiilor specifice și pentru a identifica potențialele strategii care pot fi implementate. În fiecare etapă, comunicarea scopului unui model și incertitudinea rezultatelor acestuia sunt esențiale pentru a se asigura că modelele informează eficient politica de sănătate publică.
Modelele matematice arată cum s-ar putea răspândi o infecție
La începutul anului 2020, evaluarea riscului global reprezentat de SARS-CoV-2 a fost foarte importantă. Modelele au furnizat estimări ale R0 (numărul mediu de noi infecții cauzate de fiecare individ infectat atunci când nimeni din populație nu este imun) și a ratei de fatalitate a infecției (IFR), clarificând ambiguitățile cauzate de persoanele infectate asimptomatice și de perioada dintre contractarea infecției și deces.
De asemenea, modelele au furnizat estimări ale perioadei de incubație (perioada cuprinsă între momentul în care este contractată infecția și cel în care apar simptomele), permițând oficialilor din domeniul sănătății publice să ia măsura de a carantina timp de 14 zile persoanele care au fost expuse virusulu. Totuși, acest lucru ilustrează necesitatea unei comunicări atente: carantina de 14 zile și izolarea pot reduce în general răspândirea bolii, dar unele persoane pot răspândi transmite boala chiar și după două săptămâni.
Cercetătorii au putut explora posibilele scenarii viitoare, inclusiv efectele cele mai grave ale pandemiei, bazându-se pe noile cunoștințe despre mecanismele și estimările parametrilor. De asemenea, le-a permis să determine efectele pe care le au măsurile de prevenție.
Pe măsură ce răspunsurile pandemice inițiale sunt puse în aplicare și datele se acumulează, accentul este pus pe estimările retrospective ale eficacității strategiilor particulare. Folosind algoritmi de inferență statistică, cercetătorii pot realiza o analiză bazată pe modelele epidemiologice de bază și informațiile despre momentul în care au apărut anumite infectări și modul în care au fost gestionate focarele. Acest lucru le permite să țină seama de aspecte necunoscute ale dinamicii transmiterii subadiacente, să elimine efectele individuale ale intervențiilor și să cuantifice gradul de incertitudine din aceste estimări.
Utile în evaluarea măsurilor de prevenție
Informațiile care sunt folosite pentru stabilirea unui model matematic depinde de scopul pentru care este realizat.
De exemplu, contabilizarea transmiterii și susceptibilității în funcție de vârstă este esențială atunci când se construiesc modele pentru estimarea retrospectivă a impactului închiderilor școlii.
O provocare-cheie a modelării statistice retrospective este aceea că intervențiile sunt adesea implementate în paralel cu alte măsuri. De exemplu, mai multe intervenții pot fi implementate simultan, ceea ce face ca impactul individual al fiecărei intervenții asupra transmisiei să fie dificil sau imposibil de estimat. O soluție este compararea mai multor țări, regiuni sau municipalități care au luat măsuri diferite sau le-au luat pe același, dar în perioade diferite. Însă această abordare este complicată de diferențele sociale și economice.
Astfel de factori pot împiedica modelele matematice să ofere „o comparație semnificativă între consecințele ipotezelor de bază și faptele empirice”.
Evaluările retrospective ale intervențiilor specifice și eforturile detaliate de modelare sunt realizate pentru identificarea strategiilor prospective specifice: diferite țări, state, orașe sau chiar locuri de muncă au o capacitate variată de a răspunde la pandemie și, prin urmare, necesită strategii separate pentru intensificarea sau diminuarea strategiilor de prevenire sau control.
Modelele pot ajuta, de asemenea, la identificarea deficiențelor în strategiile existente și la explorarea oportunităților de îmbunătățire sau inovare. Deși transmiterea presimptomatică și asimptomatică a COVID-19 a făcut dificilă urmărirea persoanelor care au avut contact cu oameni infectați, studiile de modelare sugerează fezabilitatea controlului răspândirii prin urmărirea digitală a contactelor, ceea ce permite identificarea instantanee.
Cum contribuie modelele matematice la îmbunătățirea strategiilor de combatere a pandemiei
Poate că cel mai mare succes conceptual al modelelor referitoare la agenții patogeni a fost descoperirea faptului că, deoarece răspândirea infecției îi afectează întâi pe indivizii sensibili, feedback-ul este inerent dinamicii bolii și poate produce rezultate neașteptate, inclusiv cicluri multianuale de focare.
Cu toate acestea, în ciuda previzunii devastatoare puse de COVID-19 asupra sistemelor, cea mai mare parte a lumii este încă este susceptibilă la infectarea cu SARS-CoV-2, astfel încât, modelele matematice rămân în continuarea un factor cheie în combaterea pandemiei.
