[ad_1]
یک مدل بیماری جدید که میتواند الگوهای تماس بین گروههای سنی را محاسبه کند، نشان میدهد که چگونه بیماریهای عفونی در مکان و زمان تکامل مییابند و چگونه میتوان تعداد موارد آینده را در یک منطقه پیشبینی کرد.
همهگیری COVID-19 اهمیت مدلسازی را برای کمک به درک گسترش بیماری و ارائه بینشهای ارزشمند در مورد پیشگیری و کنترل بیماری برجسته کرده است. یک مدل جدید از دادههای COVID-19 استفاده کرده و دو رویکرد کلاسیک را برای بهبود پیشبینیها در مورد گسترش بیماری یکپارچه کرده است.
یک رویکرد مدلسازی رایج این است که جمعیت را به بخشهایی تقسیم کنیم – مانند مستعد (S)، آلوده (I) و بهبود یافته (R) که به مدل SIR معروف است – و سپس مدلسازی نرخهای تغییر که نحوه حرکت افراد از یک محفظه را توصیف میکند. به دیگری.
محققان KAUST به رهبری پائولا موراگا، مدلسازی محفظه SIR را در زمان و رویکرد مدلسازی فرآیند نقطهای در فضا-زمان یکپارچه کردند، در حالی که الگوهای تماس خاص سن را نیز در نظر گرفتند. برای انجام این کار، آنها از یک چارچوب دو مرحله ای استفاده کردند که به آنها اجازه می داد داده های مکان های عفونی را در طول زمان برای گروه های سنی مختلف مدل کنند.
آندره آمارال، محقق ارشد، میگوید: «این مدل هنگام انجام پیشبینیهای کوتاه یا میانبرد در فضا و زمان، پیشبینیهای دقیقتری نسبت به رویکردهای قبلی ارائه میدهد.
همچنین برای ردههای سنی مختلف در نظر گرفته میشود، بنابراین ما میتوانیم این گروهها را جداگانه درمان کنیم و در نتیجه کنترل دقیقتری بر تعداد موارد عفونی داشته باشیم.»
رویکرد آنها نتیجه داد. در یک مطالعه شبیهسازی برای ارزیابی عملکرد مدل، و در مطالعه موردی موارد COVID-19 در کالی، کلمبیا، این مدل هنگام پیشبینی بهتر عمل کرد و نتایج مشابهی را برای مقاطع زمانی گذشته ارائه کرد، در مقایسه با مدلهایی که معمولاً در مدلسازی پیشبینی استفاده میشوند.
آمارال میگوید: «ویژگیهای این مدل میتواند به تصمیمگیرندگان کمک کند تا مکانهای پرخطر و جمعیتهای آسیبپذیر را برای توسعه استراتژیهای بهتر برای کنترل بیماری شناسایی کنند.»
همچنین می توان از آن برای هر بیماری عفونی که با فرضیات مدل محفظه مطابقت دارد، مانند آنفولانزا استفاده کرد. علاوه بر این، این مدل میتواند گروههای سنی مختلف و الگوهای تماس مرتبط با آنها را در نظر بگیرد، به این معنی که نتیجهگیریهای دقیقتری را در مورد اینکه تصمیمگیرندگان گروه جمعیتی باید در کجا، چه زمانی و به کدام یک از گروههای جمعیتی باید منابع خود را متمرکز کنند، اگر میخواهند گسترش بیماری را کنترل کنند، میدهد.
آمارال میگوید: “در کار آینده، ممکن است چنین رویکردی را گسترش دهیم و از مدلهای زمانی مختلف برای جایگزینی مدل SIR استفاده کنیم. این به ما امکان میدهد تا پویاییهای اپیدمی متفاوت را در نظر بگیریم و تعداد سناریوهایی را که میتوان از این مدل برای آنها استفاده کرد، گسترش داد.”
او می افزاید: «در نهایت، برای بهبود قابلیت های پیش بینی مدل، ممکن است روی توسعه رویکردهای مجموعه ای کار کنیم که تعدادی از پیش بینی ها را از تعدادی مدل مختلف ترکیب می کند و همچنین تأخیرهای زمانی بالقوه در جمع آوری داده ها را در بر می گیرد».
موراگا میگوید که عملکرد این مدل اهمیت دادههای با کیفیت و دقیق بر اساس مکان، زمان و گروه جمعیت را برای درک پویایی بیماریهای عفونی نشان میدهد، در حالی که نیاز به تقویت سیستمهای نظارت ملی برای بهبود تصمیمگیری سلامت عمومی را برجسته میکند.
مقاله در مجله منتشر شده است تحقیقات محیطی تصادفی و ارزیابی ریسک.
اطلاعات بیشتر:
آندره ویکتور ریبیرو آمارال و همکاران، مدلسازی فضایی-زمانی بیماریهای عفونی با ادغام مدلهای فرآیندی محفظه و نقطهای، تحقیقات محیطی تصادفی و ارزیابی ریسک (2022). DOI: 10.1007/s00477-022-02354-4
ارائه شده توسط دانشگاه علم و صنعت ملک عبدالله
نقل قول: مدل بیماری بهتر الگوهای تماس بین گروههای سنی را محاسبه میکند (2023، 30 ژانویه) در 31 ژانویه 2023 از https://medicalxpress.com/news/2023-01-disease-accounts-contact-patterns-age.html بازیابی شده است.
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.
[ad_2]