Los matemáticos han desarrollado un nuevo modelo para analizar los datos de brotes de enfermedades infecciosas que podría usarse para mejorar el seguimiento y el control de enfermedades.
Investigadores de la Universidad de Nottingham desarrollaron un nuevo marco basado en datos para modelar cómo las enfermedades infecciosas se propagan entre una población que podría reducir los errores en las decisiones tomadas sobre las medidas de control de enfermedades. Sus hallazgos han sido publicados en PNAS.
La pandemia de COVID-19 ha puesto de relieve que la capacidad de desentrañar la dinámica de la propagación de enfermedades infecciosas es sumamente importante para diseñar estrategias de control eficaces y evaluar las existentes. Los modelos matemáticos de cómo se propagan las enfermedades infecciosas continúan desempeñando un papel vital en la comprensión, mitigación y prevención de brotes.
El Dr. Rowland Seymour dirigió el estudio y explica: «La mayoría de los modelos de enfermedades infecciosas contienen suposiciones específicas sobre cómo ocurre la transmisión dentro de una población. Estas suposiciones pueden ser arbitrarias, particularmente cuando se trata de describir cómo varía la transmisión entre individuos de diferentes tipos o en diferentes lugares y puede carecer de una justificación biológica o epidemiológica adecuada. Esto puede conducir a conclusiones científicas erróneas y predicciones engañosas. Las enfermedades infecciosas, tanto dentro de las poblaciones humanas como animales, siguen planteando graves riesgos socioeconómicos y para la salud. Hemos desarrollado un conjunto de métodos estadísticos contemporáneos. que prescinde de la necesidad de los supuestos de transmisión subyacentes de los modelos existentes. Nuestro enfoque permite, en cambio, que el análisis sea impulsado por la evidencia en los datos y, por lo tanto, permite a los formuladores de políticas tomar decisiones basadas en datos sobre el control de la propagación de una enfermedad. Nuestro trabajo es otra herramienta en la lucha contra el sp leído sobre enfermedades infecciosas y estamos entusiasmados de desarrollar aún más este marco».
Los investigadores desarrollaron un marco basado en datos para modelar cómo las enfermedades infecciosas se propagan a través de una población al evitar suposiciones de modelado estrictas que a menudo son difíciles de justificar. Los investigadores utilizaron el método para mejorar la comprensión del brote de fiebre aftosa de 2001 en el Reino Unido, en el que se sacrificaron más de 6 millones de animales con un coste para el bolsillo público y privado de más de 8.000 millones de libras esterlinas.
La metodología propuesta es muy general, por lo que es aplicable a una amplia clase de modelos, incluidos aquellos que tienen en cuenta la estructura de la población (por ejemplo, hogares, lugares de trabajo) y las características individuales (por ejemplo, ubicación y edad).
Este trabajo ha abierto varias vías para futuras investigaciones en esta área, incluida la mejora de su eficiencia computacional y su aplicación en tiempo real, es decir, cuando el brote aún está en curso. Este último es de importancia material para los formuladores de políticas y las autoridades gubernamentales, para que puedan responder a los datos que surgen del brote.
Los modelos de red pueden ayudar a comprender la propagación de nuevas variantes en una pandemia
Rowland G. Seymour et al, inferencia no paramétrica bayesiana para mezclar heterogéneamente modelos de enfermedades infecciosas, procedimientos de la Academia Nacional de Ciencias (2022). DOI: 10.1073/pnas.2118425119
Citación: Nuevo marco de modelado desarrollado para mejorar el control de enfermedades infecciosas (2022, 7 de marzo) recuperado el 7 de marzo de 2022 de https://medicalxpress.com/news/2022-03-framework-infectious-disease.html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.