الگوریتم جدید پارامترهایی را برای امواج COVID-19 تنظیم می کند

یک تیم از دانشمندان در دانشگاه کاردیف و دانشگاه آکسفورد، روشی برای تعریف امواج مختلف COVID-19 برای درک بهتر پیشرفت ویروس در سراسر همه‌گیری ابداع شده است. آنها الگوریتمی را توسعه دادند که دوره‌های افزایش قابل توجه، قابل توجه و پایدار را شناسایی می‌کند که به عنوان «امواج مشاهده‌شده» توصیف می‌شود، زمانی که برای موارد روزانه و تلفات ناشی از کووید-19 اعمال می‌شود.

مطالعه آنها، منتشر شده در هلیون، به فقدان معیارهای تعیین شده برای تعریف هر موج کروناویروس علیرغم بررسی دقیق داده های همه گیر و بحث مکرر در مورد امواج در پوشش رسانه ای و زندگی عمومی می پردازد.

دکتر آدام مهدی، بنیانگذار پروژه OxCOVID19 دانشگاه آکسفورد، گفت: «رویکرد الگوریتمی ما ابزاری ملموس برای شناسایی و درک امواج مشاهده شده بیماری ارائه می‌کند.

تحقیقات ما با آشکار کردن انواع، محرک‌ها و تعدیل‌کننده‌های امواج کووید-۱۹، به تجزیه و تحلیل گسترده‌تر پیشرفت همه‌گیری کمک می‌کند.

پروفسور ریکاردو آگواس از دپارتمان پزشکی نوفیلد در دانشگاه آکسفورد افزود: “به کارگیری یک الگوریتم برای طیفی از داده های سری زمانی می تواند به پاسخگویی به سوالات اپیدمیولوژیک مربوطه کمک کند: چگونه می توانیم یک موج اپیدمیولوژیک را به بهترین شکل تعریف کنیم؟ به طور شهودی، هر کسی این کار را می کند. حدس بزنید که یک سری از موارد بالا و پایین موج می‌زند. با این حال، چقدر باید بالا و پایین شود تا از نظر اپیدمیولوژیکی معنی‌دار باشد؟»

دوره‌های عفونت بالاتر به‌عنوان امواج معنی‌دار بیماری به جای نوسانات موقتی‌تر در صورتی که به اندازه کافی طولانی و به اندازه کافی شدید بودند، شناسایی شدند. شیب بین امواج نادیده گرفته شد مگر اینکه نرخ مورد به زیر آستانه معینی از مقدار پیک کاهش یابد.

این الگوریتم ابزاری را برای سیاست گذاران و کارشناسان بهداشت عمومی فراهم می کند تا پویایی اپیدمی ها و همه گیری های آینده را بهتر درک کنند و به آن پاسخ دهند. با توانایی توصیف و تجزیه و تحلیل یکنواخت امواج مشاهده شده، تصمیم گیرندگان می توانند استراتژی ها و مداخلات خود را اصلاح کنند و هدف آنها رویکردی مؤثرتر و هدفمندتر برای مدیریت بیماری باشد.

دکتر جان هاروی، یکی از نویسندگان پژوهش و نوآوری بریتانیا (UKRI) در دانشگاه کاردیف، مشاهده می‌کند که ارائه تعاریف یکسان برای مفاهیمی که به راحتی قابل تعریف نیستند، یک تکنیک علمی رایج است که شباهتی را با اندازه‌گیری وزن بدن ترسیم می‌کند.

او گفت: “هیچ کس ادعا نمی کند که یک فرد در لحظه ای که BMI او به زیر 18.5 می رسد، به طور جادویی دچار کمبود وزن می شود – هیچ چیز خاصی در مورد این عدد خاص وجود ندارد و هر فرد متفاوت است. اما کشیدن یک خط در جایی – در هر جایی – مطالعه اثرات را ممکن می کند. از کم وزن بودن

ما می‌توانیم همان تمرین را با موج انجام دهیم. وقتی چیزی تعریف شد، می‌توانید شروع به بررسی و درک آن کنید.»

محققان از الگوریتم خود برای سنتز داده های COVID-19 در کشورهای مختلف استفاده کردند و یک دیدگاه موج محور را اتخاذ کردند.

تجزیه و تحلیل تک تک کشورها، تغییرات قابل توجهی را در امواج مشاهده شده متوالی، به ویژه از نظر نسبت مرگ و میر نشان داد.

بررسی دقیق تر، دامنه های جغرافیایی متنوعی را برای امواج مشاهده شده متوالی، به ویژه در کشورهای بزرگتر نشان داد.

این مطالعه همچنین تأثیر مداخلات دولت بر تعدیل این امواج را تأیید کرد، با اجرای زودهنگام مداخلات غیردارویی که با کاهش تعداد امواج مشاهده‌شده و کاهش بار مرگ و میر در طول این امواج ارتباط داشت.