Nedavna revolucionarna studija uvela je novu metodologiju koja značajno povećava tačnost epidemioloških procena za zarazne bolesti poput COVID-19.
Studija pod nazivom „Prevazilaženje pristrasnosti u proceni epidemioloških parametara sa realnom dinamikom širenja bolesti zavisnom od istorije“ objavljena je u časopisu Nature Communications.
Istraživački tim, na čelu sa profesorom Kim Jae Kioungom iz KAIST-a i glavnim istraživačem grupe za biomedicinsku matematiku u okviru Instituta za osnovne nauke (IBS), zajedno sa dr CHOI Sunhva iz Nacionalnog instituta za matematičke nauke (NIMS) i profesorom CHOI Boseung sa Univerziteta u Koreji, bavio se dugogodišnjim izazovom u modeliranju zaraznih bolesti.
Prethodni modeli su prvenstveno koristili dinamiku nezavisnu od istorije, koja pretpostavlja stalnu verovatnoću prelaska između različitih stadijuma bolesti bez obzira na vreme od izlaganja. Ovaj pristup može dovesti do značajne pristrasnosti u proceni kritičnih parametara kao što su reprodukcijski broj (R), latentni period i infektivni period.
Nasuprot tome, novorazvijeni metod od strane tima usvaja okvir zavisan od istorije, gde se verovatnoća prelaska između faza bolesti menja tokom vremena.
Ovaj realističan pristup modeliranju eliminiše pristrasnosti uvedene konvencionalnim metodama i omogućava preciznije predviđanje širenja bolesti, čak i kada su dostupni samo potvrđeni podaci o slučajevima. Ovo je ključno za određivanje efikasnosti interventnih strategija kao što su socijalno distanciranje i kampanje vakcinacije.
Profesor Kim Jae Kioung je objasnio: „Naše istraživanje predstavlja promenu paradigme u proceni epidemioloških parametara. Prevazilaženjem ograničenja prethodnih modela, sada možemo da pružimo zvaničnicima javnog zdravlja preciznije podatke o dinamici bolesti. Ovo će omogućiti efikasnije strategije intervencije, na kraju pomaže nam da bolje upravljamo i kontrolišemo epidemije zaraznih bolesti.“
Dr Choi Boseung sa Univerziteta Koreja, drugi autor koji odgovara, dodao je: „Nova metoda nam omogućava da precizno procenimo distribuciju infektivnog perioda, čak i kada se ovaj period menja tokom vremena zbog različitih mera intervencije i evolucije bolesti. Ova fleksibilnost u proceni parametara je bila ranije nemoguće korišćenjem tradicionalnih modela Naš rad će imati značajan uticaj na način na koji epidemiolozi i službenici javnog zdravlja reaguju na buduće pandemije.
Koristeći rane podatke o COVID-19 iz Seula, Južna Koreja, tim je pokazao da nova metoda daje mnogo preciznije procene broja reprodukcije u poređenju sa konvencionalnim metodama. Otkrili su da tradicionalni pristupi mogu precijeniti broj reprodukcije i do dva puta, što bi potencijalno dovelo do pogrešnih političkih odluka.
Dr Čoi Sunhva je rekao: „Ovo istraživanje označava značajan napredak u našem razumevanju dinamike zaraznih bolesti. Nova metodologija može da obezbedi zvaničnicima javnog zdravlja pouzdanije podatke, što će dovesti do odluka na osnovu boljeg informisanja tokom pandemije.“
Tim je takođe razvio računarski paket prilagođen korisniku pod nazivom IONISE (Inference Of Non-MarkovIan SEir model), koji pojednostavljuje implementaciju njihovog naprednog metoda zaključivanja. IONISE podržava različite epidemiološke modele, čineći ga prilagodljivim različitim zaraznim bolestima i scenarijima intervencije.
Dr Hong Hjukpjo tvrdi da će ova metodologija revolucionisati oblast modeliranja zaraznih bolesti i procene epidemioloških parametara, otvarajući put efikasnijim odgovorima i strategijama javnog zdravlja u budućim pandemijama.
