- Home
- Μοντελοποίηση και Προσομοίωση
Μοντελοποίηση και Προσομοίωση
Επιστημονικές Δημοσιεύσεις Ανοικτής Πρόσβασης
Model-informed COVID-19 vaccine prioritization strategies by age and serostatus
Kate M. Bubar et al.
Science 21 Jan 2021:eabe6959, DOI: 10.1126/science.abe6959
Χρησιμοποιείται ένα μαθηματικό μοντέλο για τη σύγκριση πέντε στρατηγικών ιεράρχησης προτεραιοτήτων εμβολιασμού για τη βέλτιστη αξιοποίηση των διαθέσιμων δόσεων
Kate M. Bubar et al.
Science 21 Jan 2021:eabe6959, DOI: 10.1126/science.abe6959
Χρησιμοποιείται ένα μαθηματικό μοντέλο για τη σύγκριση πέντε στρατηγικών ιεράρχησης προτεραιοτήτων εμβολιασμού για τη βέλτιστη αξιοποίηση των διαθέσιμων δόσεων
Mediating Effect of COVID-19 Pandemic on Single Use Plastic Production, Usage and Disposal Management Models Correlations
Zreba, K. Y. A.; Izhar, T. N. T.; Zakarya, I. A.; Hwidi, R. S. A.; Hweidi, A. S. A.
IOP Conference Series: Earth and Environmental Science ; 1135, 012029, 2023, https://doi.org/10.1088/1755-1315/1135/1/012029
Zreba, K. Y. A.; Izhar, T. N. T.; Zakarya, I. A.; Hwidi, R. S. A.; Hweidi, A. S. A.
IOP Conference Series: Earth and Environmental Science ; 1135, 012029, 2023, https://doi.org/10.1088/1755-1315/1135/1/012029
Αυτή η έρευνα εξετάζει τις συνέπειες της επιδημίας COVID-19 στην παραγωγή, τη χρήση και την απόρριψη πλαστικών μιας χρήσης. Διερευνά τις περίπλοκες σχέσεις μεταξύ των επιπτώσεων της COVD-19 στην παραγωγή πλαστικών μίας χρήσης, τη χρήση και τη διαχείριση των απορριμμάτων, με έμφαση στα μεσολαβητικά αποτελέσματα της πανδημίας που σχετίζονται με παραμέτρους μοντέλων και συσχετισμούς για την ανάπτυξη μιας αξιόπιστης προσέγγισης.
Mathematical model to predict COVID-19 mortality rate
Yajada, Melika; Karimi Moridani, Mohammad; Rasouli, Saba
Infect Dis Model ; 7(4): 761-776, 2022 Dec, https://doi.org/10.1016/j.idm.2022.11.005
Yajada, Melika; Karimi Moridani, Mohammad; Rasouli, Saba
Infect Dis Model ; 7(4): 761-776, 2022 Dec, https://doi.org/10.1016/j.idm.2022.11.005
Available online 13 November 2022
Ο σκοπός αυτής της εργασίας ήταν να προβλέψει και να συγκρίνει τον αριθμό των κρουσμάτων και το ποσοστό θνησιμότητας λόγω Covid-19 κάθε τρίμηνο το 2020 και το 2021 σε τρεις χώρες: το Ιράν, τις Ηνωμένες Πολιτείες και τη Νότια Κορέα.
Miryam Naddaf
Nature 626, 19-20 (2024), doi: https://doi.org/10.1038/d41586-024-00158-w
Published: 18 January 2024
Οι πρωτεΐνες που εμπλέκονται στην ανοσία, την πήξη και τη φλεγμονή θα μπορούσαν να βοηθήσουν στην επίλυση του γρίφου της μακροχρόνιας COVID. Οι ερευνητές ανέπτυξαν ένα υπολογιστικό μοντέλο που προβλέπει πόσο πιθανό είναι ένα άτομο να εκδηλώσει μακροχρόνια COVID, βασιζόμενο στην ανάλυση περισσότερων από 6.500 πρωτεϊνών που βρέθηκαν στο αίμα. Σε μια μελέτη που δημοσιεύθηκε στις 18 Ιανουαρίου στο Science, η ομάδα συνέκρινε δείγματα αίματος από άτομα που βρέθηκαν θετικά στην COVID-19 με αυτά από υγιείς ενήλικες και βρήκε αξιοσημείωτες διαφορές στη σύνθεση των πρωτεϊνών μεταξύ των ατόμων με μακρά COVID-19, αυτών που ανάρρωσαν και αυτών που δεν μολύνθηκαν ποτέ.
Locally Informed Simulation to Predict Hospital Capacity Needs During the COVID-19 Pandemic
Gary E. Weissman, et al.
Ann Intern Med. 2020, DOI: 10.7326/M20-1260
7 April 2020
Gary E. Weissman, et al.
Ann Intern Med. 2020, DOI: 10.7326/M20-1260
7 April 2020
Η πανδημία του κορονοϊού 2019 (COVID-19) απαιτεί τη λήψη κρίσιμων αποφάσεων, από τις διοικήσεις των νοσοκομείων, σχετικά με τις κλινικές λειτουργίες και πράξεις και την κατανομή των διαθέσιμων πόρων. Σκοπός της έρευνας είναι να εκτιμηθούν τα βέλτιστα και τα χειρότερα σενάρια αναφορικά με την ικανότητα παροχής νοσοκομειακής περίθαλψης υπό την πίεση που προκαλείται τοπικά από τον COVID-19 . Οι σωστές εκτιμήσεις θα βοηθήσουν στην κατάλληλη προσαρμογή των κλινικών λειτουργιών, στις απαιτήσεις σε προσωπικό και να προσδιοριστεί πότε θα φτάσει σε σημείο κορεσμού η χωρητικότητα του νοσοκομείου.
Nicole N. Thadani, Sarah Gurev, Pascal Notin, Noor Youssef, Nathan J. Rollins, Daniel Ritter, Chris Sander, Yarin Gal & Debora S. Marks
Nature 2023, https://doi.org/10.1038/s41586-023-06617-0
Published: 11 October 2023
Η αποτελεσματική ετοιμότητα απέναντι σε μία πανδημία βασίζεται στην πρόβλεψη των ιικών μεταλλάξεων που είναι σε θέση να αποφύγουν τις ανοσολογικές αποκρίσεις του ξενιστή, ώστε να διευκολυνθεί ο σχεδιασμός εμβολίων και θεραπειών. Ωστόσο, οι τρέχουσες στρατηγικές για την πρόβλεψη της εξέλιξης του ιού δεν είναι διαθέσιμες νωρίς σε μια πανδημία - οι πειραματικές προσεγγίσεις απαιτούν να δοκιμαστούν έναντι πολυκλωνικών αντισωμάτων του ξενιστή και οι υπάρχουσες υπολογιστικές μέθοδοι βασίζονται σε μεγάλο βαθμό στα τρέχοντα στελέχη για να κάνουν αξιόπιστες προβλέψεις των παραλλαγών που προκαλούν ανησυχία. Για να αντιμετωπιστεί αυτό, αναπτύχθηκε το EVEscape, ένα γενικεύσιμο αρθρωτό πλαίσιο που συνδυάζει προβλέψεις από ένα μοντέλο βαθιάς μάθησης ιστορικών ακολουθιών με βιοφυσικές και δομικές πληροφορίες.
Jan M. Brauner, et al.
Science, 15 Dec 2020: eabd9338, DOI: 10.1126/science.abd9338
Συγκεντρώθηκαν χρονολογικά δεδομένα και χρησιμοποιήθηκε ένα Bayesian ιεραρχικό μοντέλο για να εκτιμηθεί η αποτελεσματικότητα διαφόρων μη φαρμακευτικών παρεμβάσεων στον έλεγχο της πανδημίας COVID-19.
Svoboda, J., Tkadlec, J., Pavlogiannis, A. et al.
Sci Rep 12, 1526 (2022). https://doi.org/10.1038/s41598-022-05333-5
Published 27 January 2022
Published 27 January 2022
Aναπτύσσεται και αναλύεται ένα απλό στοχαστικό μοντέλο για την εξάπλωση της νόσου στον ανθρώπινο πληθυσμό και παρακολουθείται πώς εξελίσσεται ο αριθμός των μολυσμένων και βαρέως πασχόντων ατόμων με την πάροδο του χρόνου, προκειμένου να εκτιμηθεί η πίεση που ασκείται στο σύστημα υγείας.
Δημοσιεύσεις Ελλήνων Ερευνητών
Sofia Liossi; E. Tsiambas; S. Maipas; E. Papageorgiou; A. Lazaris; N. Kavantzas
Infectious Disease Modelling, Volume 8, Issue 3, Pages 794 - 805, September 2023, https://doi.org/10.1016/j.idm.2023.07.002
Available online 6 July 2023
Mathematical Modeling Evaluates How Vaccinations Affected the Course of COVID-19 Disease Progression
Tzamali, Eleftheria; Sakkalis, Vangelis; Tzedakis, Georgios; Spanakis, Emmanouil G; Tzanakis, Nikos
Vaccines (Basel), 2023, 11(4), 722, https://doi.org/10.3390/vaccines11040722
Tzamali, Eleftheria; Sakkalis, Vangelis; Tzedakis, Georgios; Spanakis, Emmanouil G; Tzanakis, Nikos
Vaccines (Basel), 2023, 11(4), 722, https://doi.org/10.3390/vaccines11040722
Published: 24 March 2023