Eine kürzlich durchgeführte bahnbrechende Studie hat eine neuartige Methodik vorgestellt, die die Genauigkeit epidemiologischer Schätzungen für Infektionskrankheiten wie COVID-19 erheblich verbessert. Die Studie mit dem Titel “Overcoming Bias in Estimating Epidemiological Parameters with Realistic History-Dependent Disease Spread Dynamics” wurde kürzlich in Nature Communications veröffentlicht.

Das Forschungsteam unter der Leitung von Professor KIM Jae Kyoung am KAIST und Leiter der biomedizinischen Mathematikgruppe innerhalb des Instituts für Grundlagenwissenschaften (IBS), zusammen mit Dr. CHOI Sunhwa vom Nationalen Institut für mathematische Wissenschaften (NIMS) und Professor CHOI Boseung von der Universität Korea, nahm sich einer langjährigen Herausforderung bei der Modellierung von Infektionskrankheiten an.

Bisherige Modelle haben in erster Linie geschichtsunabhängige Dynamiken verwendet, die von einer konstanten Wahrscheinlichkeit des Übergangs zwischen verschiedenen Krankheitsstadien unabhängig von der Zeit seit der Exposition ausgehen. Dieser Ansatz kann zu erheblichen Verzerrungen bei der Schätzung kritischer Parameter wie der Reproduktionszahl (R), der Latenzzeit und der Infektionszeit führen.

Im Gegensatz dazu geht die vom Team neu entwickelte Methode von einem geschichtsabhängigen Rahmen aus, bei dem sich die Wahrscheinlichkeit des Übergangs zwischen den Krankheitsstadien im Laufe der Zeit ändert. Dieser realistische Modellierungsansatz beseitigt Verzerrungen, die durch herkömmliche Methoden entstehen, und ermöglicht genauere Vorhersagen der Krankheitsausbreitung, selbst wenn nur bestätigte Falldaten vorliegen. Dies ist entscheidend für die Bestimmung der Wirksamkeit von Interventionsstrategien wie soziale Distanzierung und Impfkampagnen.

KIM Jae Kyoung erklärte dazu: “Unsere Forschung stellt einen Paradigmenwechsel in der Schätzung epidemiologischer Parameter dar. Indem wir die Beschränkungen früherer Modelle überwinden, können wir den Vertretern des öffentlichen Gesundheitswesens nun präzisere Daten zur Krankheitsdynamik liefern. Dies wird wirksamere Interventionsstrategien ermöglichen und uns letztlich dabei helfen, Ausbrüche von Infektionskrankheiten besser zu verwalten und zu kontrollieren”.

Dr. CHOI Boseung von der Universität Korea, ein weiterer korrespondierender Autor, fügte hinzu: “Die neue Methode ermöglicht es uns, die Verteilung der infektiösen Periode genau zu schätzen, auch wenn sich diese Periode im Laufe der Zeit aufgrund unterschiedlicher Interventionsmaßnahmen und der Entwicklung der Krankheit ändert. Diese Flexibilität bei der Schätzung von Parametern war mit herkömmlichen Modellen bisher nicht möglich. Unsere Arbeit wird erhebliche Auswirkungen auf die Art und Weise haben, wie Epidemiologen und Beamte des öffentlichen Gesundheitswesens auf künftige Pandemien reagieren.”

Anhand von frühen COVID-19-Daten aus Seoul, Südkorea, zeigte das Team, dass die neue Methode im Vergleich zu herkömmlichen Methoden sehr viel präzisere Schätzungen der Reproduktionszahl liefert. Sie fanden heraus, dass herkömmliche Ansätze die Reproduktionszahl um das bis zu Zweifache überschätzen können, was möglicherweise zu falschen politischen Entscheidungen führt.

Das Team entwickelte auch ein benutzerfreundliches Berechnungspaket namens IONISE (Inference Of Non-markovIan SEir model), das die Umsetzung ihrer fortschrittlichen Inferenzmethode vereinfacht. IONISE unterstützt eine Vielzahl von epidemiologischen Modellen, wodurch es an verschiedene Infektionskrankheiten und Interventionsszenarien angepasst werden kann.

Dr. HONG Hyukpyo ist überzeugt, dass diese Methodik den Bereich der Modellierung von Infektionskrankheiten und der Schätzung epidemiologischer Parameter revolutionieren und den Weg für wirksamere Reaktionen und Strategien des öffentlichen Gesundheitswesens bei künftigen Pandemien ebnen wird.

Original Paper:

Overcoming bias in estimating epidemiological parameters with realistic history-dependent disease spread dynamics | Nature Communications

IONISE bei GitHub:

GitHub – Mathbiomed/IONISE: IONISE is a user-friendly computational package developed for the gamma model approach, specifically targeting the SEIR (Susceptible-Exposed-Infectious-Removed) model. This aims to estimate epidemiological parameters from sole confirmed case data using gamma-distributed latent and infectious periods.

Lesen Sie auch:

Epidemiologie der Cyberangriffe in Deutschland – MedLabPortal

_{Die Beiträge im News-Bereich werden erstellt vom X-Press Journalistenbüro}

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.