Model ZSEIAR

PŘIBYLOVÁ, Lenka a Veronika HAJNOVÁ. Model ZSEIAR. In UK-V4 Frontiers of Science. 2021.

Základní údaje

• Originální název: Model ZSEIAR
• Název česky: Model ZSEIAR
• Autoři: PŘIBYLOVÁ, Lenka (203 Česká republika, garant, domácí) a Veronika HAJNOVÁ (203 Česká republika, domácí).
• Vydání: UK-V4 Frontiers of Science, 2021.

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Vyžádané přednášky
• Obor: 10102 Applied mathematics
• Stát vydavatele: Velká Británie a Severní Irsko
• Utajení: není předmětem státního či obchodního tajemství
• WWW: URL
• Kód RIV: RIV/00216224:14310/21:00121754
• Organizační jednotka: Přírodovědecká fakulta
• Klíčová slova česky: epidemický model; COVID-19
• Klíčová slova anglicky: epidemic model; COVID-19
• Štítky: COVID-19, epidemic model
• Příznaky: Mezinárodní význam

Anotace

Our model is based on a mechanistic compartmental approach of the SEIR model. The main novel concept is using a moving ascertainment rate estimate computed from data of hospitalized subjects (using a proportion of cases not caught before hospital admission), so it estimates the observed part of the epidemic and the undetected absent infected. We have developed an extended ZSEIAR model that includes also unknown dynamics in the affected clusters. Optimization, which according to real data estimates the size of the affected clusters, makes it possible not to distinguish seasonality, the degree of influence of government measures, or changes in people's behavior caused by fear or disinformation. We submit our predictions to ECDC forecast hub https://covid19forecasthub.eu/ as well as to the web Czech Monitoring, Analysis and Management of Epidemic Situations https://webstudio.shinyapps.io/MAMES/.

Anotace česky

Model je založen na mechanickém kompartmentovém přístupu modelu SEIR. Hlavním novým konceptem je použití odhadu proměnné míry detekce vypočítané z údajů hospitalizovaných subjektů (s využitím podílu případů nezachycených před přijetím do nemocnice), takže odhaduje pozorovanou část epidemie a nezjištěného chybějícího kompartmentu infikovaných. Vyvinuli jsme rozšířený model ZSEIAR, který zahrnuje také neznámou dynamiku postižených klastrů. Optimalizace, která podle skutečných údajů odhaduje velikost postižených klastrů, umožňuje nerozlišovat sezónnost, míru vlivu vládních opatření nebo změny v chování lidí způsobené strachem nebo dezinformacemi. Naše predikce publikujeme v centru pro predikce ECDC https://covid19forecasthub.eu/ a také na webu Monitoring, Analýza a Management Epidemických Situací MAMES https://webstudio.shinyapps.io/MAMES/.

Návaznosti

• MUNI/A/1615/2020, interní kód MU: Název: Matematické a statistické modelování 5 (Akronym: MaStaMo5)

Investor: Masarykova univerzita, Matematické a statistické modelování 5

• MUNI/11/02202001/2020, interní kód MU: Název: Online platforma pro monitoring, analýzu a management epidemických situací v reálném čase

Investor: Masarykova univerzita, Online platforma pro monitoring, analýzu a management epidemických situací v reálném čase