数学模型估计的感染如COVID日常传播率测试献血

阿斯顿大学研究人员已经帮助建立了一个数学模型,可以估计日常传播率的感染如COVID检测抗体的血液在献血中心收集。

当前流行病学模型往往不会经常使用的有效的调整迅速感染水平变化。

与大学的研究人员合作联邦德在巴西米纳斯吉拉斯进行了一次大型应用区划的纵向研究模型,这通常是一个通用的建模技术应用于传染病的数学建模,结果从巴西献血中心。测试是由Fundacao Hemominas,巴西最大的血液服务之一,占地面积类似大陆的法国。

他们使用SARS-CoV-2病例报道以及血清学结果(诊断方法用于识别在病人的抗体和抗原从献血者)的样本作为输入和交付估计隐藏的变量,如日常传播率的值和累积发病率和未报告的病例报道。

本文讨论的模型“SARS-CoV-2免疫球蛋白Seroprevalence献血者COVID-19疫情的监控中,巴西”给了专家的能力有了更细致的感染率和相对的免疫力比官方测量。

测试开始大流行开始,涉及7个城市的7837名献血者在米纳斯吉拉斯,巴西在2020年March-December。在这一点上测试没有广泛使用,有高比例的未被发现的无症状或症状轻。获得的数据允许专家们估计得到诊断的人的比例。

菲利普Campelo博士,高级讲师在阿斯顿大学计算机科学,说:

“公众对COVID-19流行的通信是基于社区的正式报告病例,这强烈地低估了实际的传播疾病在缺乏广泛的测试。

”这种差异突显出方便使用基于模型的方法如我们提议,因为它使测量数据估计变量的使用如感染者总数。

“我们的模型提供每日估计通常呆在隐藏的相关变量,包括传输速率和累积的报道数量和未报告的感染病例。”

2020年7月在巴西有一个测试的人数急剧增加随着新的基础设施,这使得专家进一步验证其方法观察官方记录的数据变得更接近模型预测一旦测试变得更加广泛,包括无症状或轻微症状的人。

他们应用模型中发现的抗体血由捐助者和用它来估计确诊病例的比例,并分析感染率的变化,也就是说,平均有多少人每一次感染。此前这被视为一个固定值或固定值在很长时间,但是COVID扩散的动态变化快得多。这方面是非常重要的在早期的流行,也可以应用于类似的疾病。

展望未来,专家们的目标是提高模型的准确性通过引入变化占疫苗接种效果,减弱免疫和潜在的新变体的出现。

纸”,SARS-CoV-2免疫球蛋白Seroprevalence献血者COVID-19疫情的监控中,巴西已经发表在卷28日4号,2022年4月新发传染病。