最近的一项突破性研究引入了一种新方法，可显著提高COVID-19等传染病流行病学估计的准确性。
这项名为“克服基于现实历史依赖的疾病传播动态估计流行病学参数的偏差”的研究发表在《自然通讯》上。
韩国科学技术院（KAIST）教授、基础科学研究所（IBS）生物医学数学组首席研究员金在京（Kim Jae Kyoung）带领的研究小组，与国立数学科学研究所（NIMS）的CHOI Sunhwa博士和高丽大学的CHOI Boseung教授一起，解决了传染病建模方面长期存在的挑战。
以前的模型主要使用与历史无关的动力学，它假设在疾病的不同阶段之间过渡的概率恒定，而与暴露后的时间无关。这种方法在估计繁殖数(R)、潜伏期和传染期等关键参数时可能导致显著偏差。
相比之下，该团队新开发的方法采用了历史依赖的框架，其中疾病阶段之间过渡的概率随着时间的推移而变化。
这种现实的建模方法消除了传统方法带来的偏差，即使只有确诊病例数据，也可以更准确地预测疾病传播。这对于确定社交距离和疫苗接种运动等干预策略的有效性至关重要。
金载京教授解释说：“我们的研究代表了流行病学参数估计的范式转变。通过克服以前模型的局限性，我们现在可以为公共卫生官员提供更精确的疾病动态数据。这将使更有效的干预策略成为可能，最终帮助我们更好地管理和控制传染病的爆发。”
另一位通讯作者高丽大学崔宝承博士补充说：“新方法使我们能够准确地估计感染期分布，即使这一时期因不同的干预措施和疾病演变而随着时间的推移而变化。这种参数估计的灵活性以前使用传统模型是不可能的。我们的工作将对流行病学家和公共卫生官员应对未来流行病的方式产生重大影响。”
比较了两种方法的估计结果
流行病学参数的传统方法和新方法(a)两种方法均能准确拟合累积co数
nfirmed病例。(b)然而，在估计复制数(R)时，新方法准确地捕获了实际co的计算值
接触跟踪数据（用虚线表示），而co
传统方法将该值高估了近两倍。(c)此外，新方法能够估计感染期分布的形状，这是传统方法无法做到的
nventional方法。信贷:
自然通讯(2024)。DOI: 10.1038 / s41467 - 024 - 53095 - 7
利用来自韩国首尔的早期COVID-19数据，该团队证明，与传统方法相比，新方法提供了更精确的繁殖数量估计。他们发现，传统的方法可能会将繁殖数量高估两倍，这可能会导致错误的政策决定。
崔顺华博士表示：“此次研究在我们对传染病动力学的理解上取得了重大进展。这种新方法可以为公共卫生官员提供更可靠的数据，从而在大流行期间做出更明智的决策。”
该团队还开发了一个用户友好的计算包，名为IonISE（非马尔可夫SEir模型推理），它简化了他们高级推理方法的实现。IonISE支持各种流行病学模型，使其适应不同的传染病和干预方案。
Hong Hyukpyo博士断言，这种方法将彻底改变传染病建模和流行病学参数估计领域，为未来大流行中更有效的公共卫生反应和战略铺平道路。
更多信息：Hyukpyo Hong等人，克服基于现实历史依赖的疾病传播动态估计流行病学参数的偏差，Nature Communications（2024）。DOI: 10.1038/s41467-024-53095-7期刊信息：自然通讯由基础科学研究所提供引文：克服传统传染病建模的基本限制（2024,10月17日）检索自2024年10月18日https://medicalxpress.com/news/2024-10-fundamental-limitations-conventional-infectious-disease.html本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
