توسعه یک‌روش جدیدبرای‌تهیه نقشه شیوع کرونا

به گزارش ایسنا، دانشمندان موسسه فناوری روچستر(Rochester) روشی را توسعه داده‌اند که به عقیده آنها به اپیدمیولوژیست‌ها کمک می‌کند تا پیش‌بینی کارآمدتری از شیوع بیماری همه‌گیر کووید-۱۹ داشته باشند.مطالعه جدید محققان که در مجله Physica D: Nonlinear Phenomena منتشر شده است، راه حلی به نام "مدل SIR" را برای مدلسازی شیوع این اپیدمی ارائه می‌دهد که معمولاً برای پیش‌بینی میزان ابتلا در بسیاری از افراد مستعد، آلوده و بهبود یافته از بیماری استفاده می‌شود.این روش توسط "ناتانیل بارلو" دانشیار دانشکده علوم ریاضی روچستر و "استیون وینشتاین" رئیس گروه مهندسی شیمی روچستر ابداع شده است. آنها می‌گویند که با استفاده از این روش برای مدلسازی، اپیدمیولوژیست‌ها می‌توانند به سرعت بسیاری از سناریوهای مختلف درباره نحوه انتشار کووید-۱۹ را بر اساس متغیرهای متنوع پیش‌بینی کنند. پیش‌بینی‌های تولید شده توسط مدل‌های ریاضی به مقامات دولتی کمک می‌کند تا در مورد زمان تحمیل یا رفع محدودیت‌های اجتماعی تصمیم بگیرند.ریاضیدانانی که این روش را توسعه داده‌اند، اظهار داشتند که از پیدا کردن راهی برای استفاده از مهارت‌ها و دانش خود برای کمک به مبارزه با این بیماری همه‌گیر هیجان زده‌اند."بارلو" گفت: من در خانه به این فکر می‌کردم که می‌خواهم به هر نحوی که شده به این موضوع کمک کنم. ما یک مقاله معروف را در مورد "مدل SIR" را یافتیم و دیدیم که روش ما می‌تواند روند این کار را سرعت ببخشد و ما به سرعت مقاله جدید را نوشتیم. هدف ما این بود که ابزارهای بهتری را به متخصصان مبارزه با این بیماری بدهیم.

این روش مبتنی بر راه حل‌هایی است که محققان قبلاً آنها را برای حل مسائل بسیار متفاوت در ترمودینامیک، مکانیک سیالات و پیش‌بینی مسیرهای نوری اطراف سیاه‌چاله‌ها استفاده کرده بودند. آنها در طول شش سال گذشته با دانشجویان مقطع کارشناسی بسیار روی آنها کار کرده‌اند و دریافتند که با راه حل مدل اپیدمی SIR ساختار ریاضی بسیار مشابهی دارد. اگرچه نویسندگان این مقاله قبلاً در زمینه اپیدمیولوژی کار نکرده‌اند، اما کارهای قبلی آنها به صورت یکپارچه به این زمینه جدید ترجمه شده است."وینشتاین" گفت: بسیاری از اوقات، این کاری است که ما به عنوان ریاضی‌دانان کاربردی انجام می‌دهیم. در مرزهای رشته‌هایی کار می‌کنیم که افراد معمولاً روی آنها کار نمی‌کنند. ما یک تابع مهم برای الگوریتم‌ها به منظور پشتیبانی از تحقیقات علمی و پیش‌بینی فراهم می‌کنیم. تکنیکی که ما در اینجا توسعه داده‌ایم برای بسیاری از زمینه‌های مختلف قابل تعمیم است.محققان اکنون در تلاش هستند تا نشان دهند که چگونه می‌توان این روش را برای مدل‌های پیچیده‌تر مانند مدل اپیدمی SEIR که به مدل SIR شبیه است، آماده کرد و جمعیتی را که در معرض اپیدمی هستند، پیش بینی کند.