Nye datamodelleringssystemer for å forutsi spredning av SARS-CoV-2-virus

Joe Mihaljevic, matematisk epidemiolog og assisterende professor ved Northern Arizona University's School of Informatics, Databehandling, og Cyber ​​Systems (SICCS), leder et nytt prosjekt for å lage datamodelleringssystemer for å forutsi resultatene av spredningen av SARS-CoV-2-viruset, som forårsaker COVID-19, over fire nordlige Arizona-fylker-Coconino, Navajo, Apache og Mohave.

Tidligere i vår, Flagstaff Medical Center uttrykte et presserende behov for å modellere spredningen av viruset for nødplanlegging og for å be om tilstrekkelige ressurser fra statlige og føderale myndigheter. "Pålitelig overføringsprognose for cyberinfrastruktur i nær sanntid er derfor avgjørende for å sikre effektiv, rettferdig helsetjenester for Arizona befolkninger på landsbygda under denne pandemikrisen, "Sa Mihaljevic.

I mars, National Science Foundation (NSF) la ut en presserende oppfordring til forskere i lys av fremveksten og spredningen av COVID-19, oppmuntre forskere til å bruke finansieringsmekanismen for Rapid Response Research (RAPID) for å støtte virusrelatert forskning. Som et resultat, Mihaljevic søkte om og mottok $ 200, 000 års tilskudd til å utvikle en sykdomsmodelleringsportal i samarbeid med informatiker og SICCS-professor Eck Doerry og evolusjonsbiolog og SICCS-assisterende professor Crystal Hepp, en assisterende direktør for NAU's Pathogen and Microbiome Institute. Samarbeidet samler tre sentrale kompetanseområder:Mihaljevic er en sykdomsmodellerer; Doerry forvandler nye ideer til svært brukbare programvareløsninger; og Hepp er en evolusjonsbiolog som fokuserer på spredning av RNA -virus og dataanalyse av folkehelse.

Ved hjelp av en sikker interaktiv nettbasert modelleringsportal utviklet av Doerry, Mihaljevic kan hente inn de siste rapporterte saksdataene fra lokale helsemyndigheter og kjøre levende modeller i et interaktivt grensesnitt som beslutningstakere kan bruke til å utforske mulige scenarier og forventede utfall.

I alle fire fylkene, patogenet er moderat under kontroll, selv om det er regional variasjon, med noen populasjoner mer utsatt. Vi bremser viruset, men nå vil vi forstå hva som vil skje hvis vi begynner å fjerne inngrepene, som sosial og fysisk distansering. Du har kanskje hørt at vi har nådd toppen. Ved sykdomsutbrudd, det kan være flere topper. Å lette restriksjonene for tidlig kan bety flere nedleggelser. "

Joe Mihaljevic, Assisterende professor, Northern Arizona University's School of Informatics, Databehandling, og Cyber ​​Systems

For eksempel, hvis alle restriksjoner ble fjernet i begynnelsen av mai etter 45 dager med hjemmebestillinger, modellen hans spår en andre topp med minst tre ganger antall sykehusbesøk enn den nåværende frekvensen. "Vi kunne se opptil 100 nye sykehusbesøk per dag, " han sa.

Hvis distanseringstiltak opprettholdes til 31. mai, på den andre siden, modellen projiserer et mindre andre utbrudd når restriksjoner fjernes. "Med 75 dager med inngrep på plass, en andre topp i Nord -Arizona kan være litt mindre enn den første toppen, i et optimistisk scenario, "Sa Mihaljevic.

"Kort oppsummert, mange av de nåværende modellene som er utviklet for å håndtere COVID-19-krisen, er sannsynligvis ikke helt tilstrekkelige for å beskrive patogenspredning i landlige regioner. Vi har bysentre som Flagstaff som virkelig ligger i et mer landlig landskap-en metapopulasjon, om du vil-med fellesskap som er veldig forskjellige fra hverandre. Vi vil kunne spore antall pasienter som blir sendt til hvilke sykehus og forstå hvilke fasiliteter som er mest belastet. "Sa Mihaljevic.

Datamodellen er basert på sykdomsovervåkingsdata, data fra US Census Bureau og medisinsk senterinformasjon som sporer hvor mange sykehussenger som er tilgjengelige i hvert fylke. Mihaljevic sier at en del av tilskuddet er å utvikle finkornet kartlegging. "La oss si at du er et sykehus og at du vil forstå hva som skjer i din region. Du vil kunne filtrere dataene og anslagene bare til fylkes- eller sykehussystemet."

Hepp samarbeider med en rekke folkehelsepartnere i forskningen hennes. "Med en sterk forståelse av hvilke typer data som er tilgjengelige i rapporteringssystemer for folkehelse, kombinert med en bevissthet om datafølsomhet, mitt bidrag er å hjelpe til med å identifisere hvilke data som trengs for å gå inn i datamodellen. Vi trenger ikke privat informasjon som pasientens navn eller adresse, men vi kan samle tall for å informere modellen basert på informasjon som postnummer, når en person først begynte å føle seg syk, og da en nesepinne ble tatt for å teste for sykdommen. "

"Målet vårt er å utvikle en cyberinfrastruktur, en webapplikasjon for å hjelpe oss med å formidle resultatene av vår modellering til folkehelse og interessenter som kan visuelt samhandle med modellen og manipulere parametrene for å utforske disse scenariene og ta informerte beslutninger for en datadrevet folkehelseplan, "Sa Mihaljevic.

Mihaljevic tror at datamodelleringen hans også vil hjelpe informere folkevalgte om hvordan og når de skal fjerne fysiske distanseringsrestriksjoner og gjenåpne virksomheter og offentlige rom. "Målet vårt er å gi umiddelbar kritisk informatikkstøtte for strategisk håndtering av den nåværende krisen, mens vi bygger vår kompetanse, verktøy og infrastruktur for å effektivisere svar på fremtidige epidemier. "

• Aktivering av østrogenreseptor kan hemme veksten av kreftceller i bukspyttkjertelen
• Virus fra avføring kan bidra til å bekjempe fedme og diabetes type 2