COVID-19: modelo de proceso aleatorio

¿Cuánto tiempo más es necesario extender el autoaislamiento en el país y las regiones para que cada uno no se enferme, aplican sanciones estrictas a los infractores del autoaislamiento, piden precauciones más fuertes o dejan a la mayoría de la población con fe sincera en la utilidad de las máscaras médicas?

Para obtener respuestas al menos a algunas de las preguntas, este artículo analizará el modelo SIR del sensacional video de YouTube y las simulaciones de varias situaciones epidemiológicas basadas en él, así como una comparación cualitativa de la influencia de varios factores en la velocidad y la escala de la propagación de la infección.

Además, más publicaciones explorarán modelos más complejos que describen la dinámica de la propagación del virus COVID-19.

Minuto de atención ovni

La pandemia COVID-19, una infección respiratoria aguda potencialmente grave causada por el coronavirus SARS-CoV-2 (2019-nCoV), se ha anunciado oficialmente en el mundo. Hay mucha información sobre Habré sobre este tema; recuerde siempre que puede ser confiable / útil, y viceversa.

Le instamos a que sea crítico con cualquier información publicada.

Fuentes oficiales

• Sitio web del Ministerio de Salud de la Federación de Rusia
• Sitio web de Rospotrebnadzor
• Sitio web de la OMS
• Sitio web de la OMS
• Sitios y grupos oficiales de sedes operativas en las regiones.

Si no vive en Rusia, consulte sitios similares en su país.

Lávese las manos, cuide a sus seres queridos, quédese en casa siempre que sea posible y trabaje de forma remota.

Leer publicaciones sobre: coronavirus | trabajo remoto

Breve descripción del modelo.

Entonces, imaginemos que estamos observando una ciudad cerrada, donde N residentes viven de manera permanente, que no van a ningún lado y no alojan huéspedes no residentes, pero son bastante activos socialmente dentro de su ciudad.

Es decir, observamos una comunidad cerrada conectada (o sistema). En algún momento, una persona infectada con COVID-19 aparece en este sistema, y ​​ahora, ya dividimos a todos los residentes de nuestra comunidad en tres grupos potenciales:

• S (Susceptible): vulnerable (puede infectarse),
• I (infectado) - infectado (aquellos que no tienen suerte),
• R (Removed) — , :
  
  • Recovered — (, , )
  • Dead — (, … ).

$$$\beta$—

, , $$$S(t)$, $$$I(t)$, $$$R(t)$, $$$t$.

— , . , . , . , SIR, .

, , . , .

:

1. (Dead/Removed) — 12% ( ). .
2. 50 ( ).
3. 50 .
4. ( , ).

:

1. CP (contagion probability) — : 30% — , ( ), 20% 10%.
2. SD (social distance) — . , . SD — . , 100-SD.
   SD , . , . : 10%, 40%*, 75%*, 90%.
3. IP (isolation period) — . : 30 ( ), 45 ( ), 70 ( ), .
4. AC (asymptomatic cases) — ** — 5% ( ), 40% ( ), 70% ( ).
5. DT (disease time) — 14 ( ), 21 ( ), 38 ( ).

*
** ,

: CP=30% ( ), SD=75% ( ), IP=unlimited ( ), AC=40% ( ), DT=21 ( ). — .

1. CP

   
   

   

   
   

   : 10%, 20%, 30%

   
   

   — , ( !). ( , , ) .

   
   

   , , 30% .

   
   

2. , SD

   
   

   

   
   

   : 10%, 40%, 75%, 90%

   
   

   . , . 10%, , 90%. , , .

   
   

3. IP

   
   

   

   
   

   : 30 , 45 , 70 ,

   
   

   "" . . , .

   
   

4. AC

   
   

   

   
   

   : 5%, 40%, 70%

   
   

   , 5%, , . 70%, , — .

   
   

   , COVID-19 .

   
   

   , : , , .

   
   

5. DT

   
   

   

   
   

   : 14 , 21 , 38

   
   

   , . , , , .

   
   

, , .

" " (, , , ), .

, . 90 .

, , , , .

Por supuesto, este modelo simple no tiene en cuenta una serie de factores que influyen en la epidemia, ambos controlados por personas y que dependen solo de la naturaleza del virus, y no siempre se transfieren con precisión a la realidad. Sin embargo, cumple su función: proporciona una evaluación cualitativa de los principales mecanismos que afectan la dinámica de la epidemia y demuestra claramente este efecto.

Materiales utiles

• El código fuente del modelo del video
• Modelo SIR

Gracias especiales pixml y pérdida de teclas para obtener ayuda para escribir un artículo y preparar simulaciones.