Toen het besmettelijke virus dat de ziekte COVID-19 veroorzaakte, zijn verwoestende verspreiding over de hele wereld begon, een internationaal team van wetenschappers was gealarmeerd door het gebrek aan uniforme benaderingen door de epidemiologen van verschillende landen om erop te reageren.

Duitsland, bijvoorbeeld, geen volledige lockdown ingesteld, in tegenstelling tot Frankrijk en het VK, en het besluit in de VS door New York om in lockdown te gaan, kwam pas nadat de pandemie een vergevorderd stadium had bereikt. Gegevensmodellering om het aantal waarschijnlijke infecties te voorspellen, varieerde sterk per regio, van zeer grote tot zeer kleine aantallen, en toonde een hoge mate van onzekerheid.

David Faranda, een wetenschapper bij het Franse Nationale Centrum voor Wetenschappelijk Onderzoek (CNRS), en collega's in het VK, Mexico, Denemarken, en Japan besloten de oorsprong van deze onzekerheden te onderzoeken. Dit werk is diep persoonlijk voor Faranda, wiens grootvader stierf aan COVID-19; Faranda heeft het werk aan hem opgedragen.

In het journaal Chaos , de groep beschrijft waarom het modelleren en extrapoleren van de evolutie van COVID-19-uitbraken in bijna realtime een enorme wetenschappelijke uitdaging is die een diep begrip vereist van de niet-lineariteiten die ten grondslag liggen aan de dynamiek van epidemieën.

Het gedrag van een complex systeem voorspellen, zoals de evolutie van epidemieën, vereist zowel een fysiek model voor zijn evolutie als een dataset van infecties om het model te initialiseren. Om een ​​model te maken, het team gebruikte gegevens van het Center for Systems Science and Engineering van de Johns Hopkins University, die online beschikbaar is op https://systems.jhu.edu/research/public-health/ncov/ of https://github.com/CSSEGISandData/COVID-19.

"Ons fysieke model is gebaseerd op de veronderstelling dat de totale bevolking in vier groepen kan worden verdeeld:degenen die vatbaar zijn voor het oplopen van het virus, degenen die het virus hebben opgelopen maar geen symptomen vertonen, degenen die besmet zijn en, Tenslotte, degenen die herstelden of stierven van het virus, ' zei Faranda.

Om te bepalen hoe mensen van de ene groep naar de andere gaan, het is noodzakelijk om het infectiepercentage te kennen, incubatietijd en hersteltijd. Actuele infectiegegevens kunnen worden gebruikt om het gedrag van de epidemie te extrapoleren met statistische modellen.

"Vanwege de onzekerheden in beide parameters die bij de modellen betrokken zijn - infectiepercentage, incubatietijd en hersteltijd - en de onvolledigheid van infectiegegevens in verschillende landen, extrapolaties kunnen leiden tot een ongelooflijk groot aantal onzekere resultaten, ' zei Faranda. 'Bijvoorbeeld, het aannemen van een onderschatting van de laatste gegevens in de infectietellingen van 20% kan leiden tot een verandering in de totale infectieschattingen van enkele duizenden tot enkele miljoenen individuen."

De groep heeft ook aangetoond dat deze onzekerheid te wijten is aan een gebrek aan gegevenskwaliteit en ook aan de intrinsieke aard van de dynamiek, omdat het ultragevoelig is voor de parameters, vooral tijdens de eerste groeifase. Dit betekent dat iedereen heel voorzichtig moet zijn met het extrapoleren van belangrijke hoeveelheden om te beslissen of er lockdown-maatregelen moeten worden genomen wanneer een nieuwe golf van het virus begint.

"De totale uiteindelijke infectietellingen en de duur van de epidemie zijn gevoelig voor de gegevens die u invoert, " hij zei.

Het model van het team gaat op een natuurlijke manier om met onzekerheid, dus zijn ze van plan om te laten zien hoe modellering van de fase na de opsluiting gevoelig kan zijn voor de genomen maatregelen.

“Voorlopige resultaten tonen aan dat het implementeren van lockdown-maatregelen wanneer infecties zich in een volledige exponentiële groeifase bevinden, ernstige beperkingen oplegt aan hun succes, ' zei Faranda.