Hai tháng đầu tiên của dịch bệnh coronavirus 2019 (COVID-19) tại Trung Quốc: giám sát và đánh giá theo thời gian thực với mô hình đạo hàm bậc hai

Springer Science and Business Media LLC - Tập 5 Số 1 - 2020
Xinguang Chen1, Bin Yu1
1Department of Epidemiology, University of Florida, 2004 Mowry Road, Gainesville, FL, USA

Tóm tắt

Tóm tắt Đặt vấn đề Giống như các đợt bùng phát của nhiều bệnh truyền nhiễm khác, sự thành công trong việc kiểm soát lây nhiễm coronavirus mới năm 2019 cần có sự giám sát kịp thời và chính xác về đại dịch, đặc biệt là trong giai đoạn đầu với dữ liệu hạn chế trong khi nhu cầu thông tin tăng vọt. Phương pháp Trong nghiên cứu này, chúng tôi đã sử dụng mô hình đạo hàm bậc hai để đặc trưng hóa đại dịch coronavirus tại Trung Quốc với số ca được chẩn đoán tích lũy trong 2 tháng đầu tiên. Phân tích được nâng cao hơn nữa bằng một mô hình mũ với giả định dân số kín. Mô hình này được xây dựng dựa trên dữ liệu và được sử dụng để đánh giá tỷ lệ phát hiện trong thời gian nghiên cứu, xem xét sự khác biệt giữa các ca nhiễm thực sự, có thể phát hiện và được phát hiện. Kết quả Kết quả từ mô hình hóa đạo hàm bậc hai gợi ý rằng đại dịch coronavirus có tính phi tuyến và hỗn loạn. Mặc dù nó xuất hiện dần dần, dịch bệnh đã phản ứng rất mạnh với các can thiệp quy mô lớn được khởi xướng vào ngày 21 tháng 1 năm 2020, như được chỉ ra bởi các kết quả từ cả phân tích mô hình hóa đạo hàm bậc hai và mô hình hóa mũ. Đại dịch bắt đầu giảm tốc ngay sau các hành động quy mô lớn. Các kết quả từ phân tích của chúng tôi đã chỉ ra sự suy giảm của dịch bệnh 14 ngày trước khi điều đó thực sự xảy ra vào ngày 4 tháng 2 năm 2020. Các phát hiện của nghiên cứu cũng cho thấy sự suy giảm tăng tốc của đại dịch bắt đầu từ 14 ngày vào ngày 18 tháng 2 năm 2020. Kết luận Đại dịch coronavirus xuất hiện có tính phi tuyến và hỗn loạn, và có phản ứng đối với các can thiệp hiệu quả. Các phương pháp được sử dụng trong nghiên cứu này có thể được áp dụng trong giám sát để thông báo và khuyến khích công chúng, các chuyên gia y tế công cộng, các bác sĩ lâm sàng và các nhà ra quyết định thực hiện những nỗ lực phối hợp và hợp tác để kiểm soát dịch bệnh.

Từ khóa


Tài liệu tham khảo

Li Q, Guan X, Wu P, Wang X, Zhou L, Tong Y, et al. Early transmission dynamics in Wuhan, China, of novel coronavirus-infected pneumonia. N Engl J Med. 2020. https://doi.org/10.1056/NEJMoa2001316.

Christensen T, Painter M. The politics of SARS – Rational responses or ambiguity, symbols and chaos? Policy Soc. 2004;23:18–48.

Hui DL, Ng MK. Politics and the management of public health disasters: reflections on the SARS epidemic in greater China. Asia Pac J Public Health. 2007;19 Spec No:7–12.

Mangiarotti S, Peyre M, Huc M. A chaotic model for the epidemic of Ebola virus disease in West Africa (2013-2016). Chaos. Interdiscip J Nonlin Sci. 2016;26(11):113112.

Upadhyay RK, Roy P. Deciphering Dynamics of Recent Epidemic Spread and Outbreak in West Africa: The Case of Ebola Virus. Int J Bifurcation Chaos. 2016;26(09):1630024.

Gonzalez-Parra G, Arenas AJ, Chen-Charpentier BM. A fractional order epidemic model for the simulation of outbreaks of influenza A(H1N1). Math Methods Appl Sci. 2014;37:2218–26.

Sharomi O, Podder CN, Gumel AB, Mahmud SM, Rubinstein E. Modelling the transmission dynamics and control of the novel 2009 swine influenza (H1N1) pandemic. Bull Math Biol. 2011;73:515–48.

Mabrouk MS. A Nonlinear Pattern Recognition of Pandemic H1N1 Using a State Space Based Methods. Avicenna J Med Biotechnol. 2011;3:25–9.

Dalziel BD, Bjornstad ON, van Panhuis WG, Burke DS, Metcalf CJE, Grenfell BT. Persistent Chaos of Measles Epidemics in the Prevaccination United States Caused by a Small Change in Seasonal Transmission Patterns. PloS Comput Biol. 2016;12(2):e1004655.

Nelson KE, Wiliams CM. Infectious disease epidemiology: Theory and practice (3rd edition). Burlington: Jones & Bartlett Learning; 2014.

Truscott J, Fraser C, Cauchemez S, Meeyai A, Hinsley W, Donnelly CA, et al. Essential epidemiological mechanisms underpinning the transmission dynamics of seasonal influenza. J R Soc Interface. 2012;9:304–12.

Upadhyay RK, Roy P, Rai V. Deciphering Dynamics of Epidemic Spread: The Case of Influenza Virus. Int J Bifurcation Chaos. 2014;24(05):1450064.

Khanna M, Kumar B, Gupta A, Kumar P. Pandemic Influenza A H1N1 (2009) Virus: Lessons from the Past and Implications for the Future. Indian J Virol. 2012;23:12–7.

US Centers for Disease Control and Prevention, The 2009 H1N1 Pandemic: Summary Highlights, April 2009–April 2010. vol. January 12, 2015, 2015.

Thông tin
Thông tin xuất bản

Springer Science and Business Media LLC

Tập 5 Số 1

Thông tin tác giả