ISSUE 2 • FALL 2022
A Crystal Ball?
数学模型如何预测Covid和其他传染病的未来
In our inaugural edition of Foundations, 大家了解了新冠肺炎研究的重要成果. Matthew Johnston and Bruce Pell . As the pandemic lingers, ebbing and flowing in severity, 向国家和世界介绍新的变种, and continuing to disrupt lives, 数学教授约翰斯顿和佩尔发表了使用数学模型研究疫苗影响的新研究.
约翰斯顿说:“新冠病毒以截然不同的方式影响了不同的人群. “老年人和年轻人出现严重后果的可能性不同, vaccinated and unvaccinated, for instance." Pell explained that “since our study, 我们现在有接种疫苗和未接种疫苗的人, 以及接受了第一次和第二次强化注射的人和没有接受强化注射的人. 这也是一项有趣的研究，但我们当时没有相关数据.”
约翰斯顿的兴趣被一位住在阿尔伯塔的同事激发了, Canada, 发布了一份时间表，记录了从2021年初到年底的住院和重症监护病房(ICU)患者的疫苗接种情况.
“我们希望使用定性数据来真正梳理出疫苗的有效性，使用数学和适当的数据集，并在我们的结论中非常科学.”
– Dr. Bruce Pell
From the start of 2021, when vaccines started to become available, to the end of 2021, 那时每个人都可以接种疫苗, 他在记录病人的住院情况和疫苗接种情况.
“我开始对故事感兴趣，”约翰斯顿说. “你可以在Twitter上读到140个字的谩骂:‘看, 有更多的人接种了疫苗，但仍然感染了COVID.’”
Pell agreed. “我们希望使用定性数据来真正梳理出疫苗的有效性，使用数学和适当的数据集，并在我们的结论中非常科学.”
TABLE OF CONTENTS
HUMANITIES, SOCIAL SCIENCES, + COMMUNICATION
Simulations of the two-stage vaccination model.
科学家们收集了来自弗吉尼亚州的公开报告，并对未接种疫苗的人数进行了分层, partially vaccinated, and fully vaccinated people. 他们建立了一个全面的数学模型，可以追踪并预测疾病的传播. 我们能否通过让更多的人接种疫苗来缓解这种传播? And what if they also got the booster shot?
按疫苗接种状况分列的新病例显示在观察到的病例和模型预测的病例旁边.
该研究表明，2021年夏季新冠肺炎病例激增的罪魁祸首是德尔塔变异的传播性显著增加, not a failure of vaccines. “If you actually look at the data, 接种疫苗的人在三角洲波期间患病的可能性较小. 它仍然在预防感染，严重的感染。”约翰斯顿说. “Delta的传染性是原始COVID菌株的两倍.”
By the time 《利记sbo》 was published on February 8, 2022, in the peer-reviewed journal Applied Sciences, Special Issues, however, a new strain called Omicron had taken over. In a month and a half, 欧米克隆公司已将Delta变体从COVID地图上删除, Johnston said, 说明及时进行数学研究的重要性.
To that end, 佩尔领导了一项调查，研究加强注射之间的最佳时间间隔，以使人们接种疫苗以对抗COVID感染. The research, which is currently undergoing peer review, “使用了我们自己的密歇根州的公开数据，并应用了一个数学模型，其中包括感染和疫苗接种的免疫力下降," he said.
“这笔拨款将帮助我们建立有影响力的模型，帮助医疗保健社区预测和管理变异的影响.”
– Dr. Matthew Johnston
与此同时，约翰斯顿最近获得了两年242,192美元的奖金 由美国国家科学基金会(NSF)资助的leap - mps项目 . 他期待着今年秋天开始与佩尔和一个本科生研究助理团队合作，开发急需的数学框架，用于模拟COVID-19和其他传染病在异质人群中的传播. He concluded, “这笔拨款将帮助我们建立有影响力的模型，帮助医疗保健社区预测和管理变异的影响. Using scientific data, 作为一个社会，我们有能力通过有针对性的干预措施，而不是破坏性的全民封锁，将COVID-19控制在可管理的水平."
Johnston和Pell使用的这种模型的力量在于它具有预测性，并梳理出可以缓和疾病传播的重要治疗和行为. 数学使研究人员能够快速测试不同的场景，并最终制定出有效的公共政策. “这也是我们在会议上发表和展示研究结果的原因，”约翰斯顿解释说. “So other people can read…and learn!”
by Renée Ahee