L'inclusion de l'incertitude biologique et des données les plus récentes sur les cas peut améliorer considérablement la précision des prédictions des modèles épidémiologiques standard de transmission du virus, de nouvelles recherches menées par la KAUST et le Kuwait College of Science and Technology (KCST) l'ont montré.

Les modèles épidémiques mathématiques modernes ont été testés comme jamais auparavant pendant la pandémie de COVID-19. Ces modèles utilisent les mathématiques pour décrire les divers processus biologiques et de transmission impliqués dans une épidémie. Cependant, lorsque ces facteurs sont très incertains, comme lors de l'émergence d'un nouveau virus comme le COVID-19, les prédictions peuvent être peu fiables.

"Le modèle sensible-exposé-infecté-récupéré, SEIR, est une approche mathématique standard pour prévoir la propagation d'une épidémie dans une population, " dit Rabih Ghostine, anciennement de KAUST et maintenant de KCST. « Ce modèle repose sur plusieurs hypothèses, comme le mélange homogène de la population et l'omission de la migration, naissances ou décès de causes autres que l'épidémie. Les paramètres du modèle SEIR traditionnel ne permettent pas non plus de quantifier l'incertitude, étant des valeurs uniques reflétant la meilleure estimation du modélisateur."

"Nous voulions développer un modèle mathématique robuste qui prend en compte de telles incertitudes et intègre des données épidémiques afin d'améliorer la précision des prévisions, " expliqua Ghostine.

Ghostine, avec Ibrahim Hoteit de la KAUST et d'autres chercheurs, développé un modèle SEIR étendu comprenant sept compartiments :sensible, exposé, infectieux, mis en quarantaine, rétabli, morts et vaccinés. Ils ont ensuite ajouté des définitions d'incertitude et un processus d'assimilation des données pour améliorer progressivement le modèle.

"Notre approche d'assimilation de données exploite de nouvelles observations entrantes pour calibrer le modèle avec des informations récentes afin de fournir en permanence des prévisions améliorées, et aussi pour estimer les incertitudes, ", dit Ghostine. "C'est un cadre populaire dans les communautés de recherche atmosphérique et océanique et est à la base de toutes les modélisations météorologiques et océaniques opérationnelles."

Le modèle utilise une approche « d'ensemble », dans lequel un ensemble de prédictions est généré pour différentes incertitudes de paramètres. Cet ensemble est ensuite intégré dans le temps pour prévoir l'état futur. Une étape de correction est effectuée pour mettre à jour la prévision avec les dernières données. La validation à l'aide de données réelles pour l'Arabie saoudite a montré que le modèle fournissait des prévisions fiables jusqu'à 14 jours à l'avance.

« Les modèles mathématiques peuvent jouer un rôle important dans la compréhension et la prévision de la transmission du COVID-19 et fournir des informations cruciales aux décideurs politiques pour mettre en œuvre des mesures appropriées et des stratégies efficaces pour contrôler la propagation de la pandémie et atténuer son impact, " dit Hoteit. " Notre méthode, que nous avons développé pour simuler la propagation du COVID-19 en Arabie Saoudite, peut également être appliqué pour prévoir la propagation de toute pandémie dans une population. »