Het opnemen van biologische onzekerheid en de meest recente casusgegevens kan de voorspellingsnauwkeurigheid van standaard epidemiologische modellen van virusoverdracht aanzienlijk verbeteren, nieuw onderzoek onder leiding van KAUST en het Kuwait College of Science and Technology (KCST) heeft aangetoond.

Moderne wiskundige epidemische modellen zijn als nooit tevoren getest tijdens de COVID-19-pandemie. Deze modellen gebruiken wiskunde om de verschillende biologische en transmissieprocessen te beschrijven die bij een epidemie betrokken zijn. Echter, wanneer dergelijke factoren zeer onzeker zijn, zoals tijdens de opkomst van een nieuw virus zoals COVID-19, de voorspellingen kunnen onbetrouwbaar zijn.

"Het vatbaar-blootgestelde-geïnfecteerde-herstelde model, SEIR, is een standaard wiskundige benadering voor het voorspellen van de verspreiding van een epidemie in een populatie, " zegt Rabih Ghostine, voorheen van KAUST en nu bij KCST. "Dit model is gebaseerd op verschillende aannames, zoals homogene vermenging van de bevolking en het achterwege laten van migratie, geboorten of sterfgevallen door andere oorzaken dan de epidemie. De parameters in het traditionele SEIR-model laten ook geen kwantificering van onzekerheid toe, zijnde enkele waarden die de beste schatting van de modelleur weerspiegelen."

"We wilden een robuust wiskundig model ontwikkelen dat rekening houdt met dergelijke onzekerheden en epidemische gegevens bevat om de voorspellingsnauwkeurigheid te verbeteren, ’ legde Ghostine uit.

Ghostine, samen met KAUST's Ibrahim Hotiteit en collega-onderzoekers, ontwikkelde een uitgebreid SEIR-model dat zeven compartimenten compromitteerde:vatbaar, blootgesteld, besmettelijk, in quarantaine, hersteld, overleden en gevaccineerd. Vervolgens voegden ze onzekerheidsdefinities en een gegevensassimilatieproces toe om het model geleidelijk te verbeteren.

"Onze data-assimilatiebenadering maakt gebruik van nieuwe binnenkomende waarnemingen om het model te kalibreren met recente informatie om continu verbeterde voorspellingen te bieden, en ook om onzekerheden in te schatten, ", zegt Ghostine. "Dit is een populair raamwerk in de atmosferische en oceaanonderzoeksgemeenschappen en ligt aan de basis van alle operationele weer- en oceaanmodellering."

Het model maakt gebruik van een "ensemble"-aanpak, waarin een reeks voorspellingen wordt gegenereerd over verschillende parameteronzekerheden. Dit ensemble wordt vervolgens voorwaarts in de tijd geïntegreerd om de toekomstige toestand te voorspellen. Er wordt een correctiestap uitgevoerd om de prognose bij te werken met de nieuwste gegevens. Validatie met behulp van echte gegevens voor Saoedi-Arabië toonde aan dat het model tot 14 dagen van tevoren betrouwbare voorspellingen geeft.

"Wiskundige modellen kunnen een belangrijke rol spelen bij het begrijpen en voorspellen van de overdracht van COVID-19 en kunnen beleidsmakers cruciale informatie verstrekken om passende maatregelen en efficiënte strategieën te implementeren om de verspreiding van de pandemie te beheersen en de impact ervan te verminderen, " zegt Hotit. "Onze methode, die we hebben ontwikkeld om de verspreiding van COVID-19 in Saoedi-Arabië te simuleren, kan ook worden toegepast om de verspreiding van een pandemie in een populatie te voorspellen."