Predpoveď priebehu pandémie
Zadání
Název simulace: Predpoveď piebehu pandémie
Předmět: 4IT495 Simulace systémů
Semestr: LS 2022/2023
Autor: Bc. Adam Daniš
Typ modelu: Systémová dynamika
Modelovací nástroj: Vensim
Definícia problému
V súčasnom svete, v ktorom sme len nedávno čelili pandémií, je kritické mať vhodné zdravotnícke systémy, ktoré dokážu efektívne zvládnuť nápor pacientov. Jedným z najväčších výziev v tejto oblasti je správne plánovanie a optimalizácia nemocničných lôžok. Len pred pár rokmi bola situácia na Slovensku až tak vážna, že nemocnice už nemohli nových pacietou prijímať. Hlavnou otázkou tejto práce je, ako môžeme správne prerozdeliť a plánovať alokáciu lôžok v rámci nemocníc tak, aby sme zabezpečili dostatočnú kapacitu pre hospitalizáciu pacientov pre prípadné budúce pandémie a minimalizovali tým preťaženie zdravotníckeho systému.
Metóda
Pre zpracovanie tejto simulácie bol vybraný nástroj Vensim. Cieľom bolo vytvoriť model možnej novej pandémie podobnej COVID-19. Ako lokáciu tejto simulácie som si zúžil zo Slovenska na Banskobystrický kraj(BB), kvôli rôznym restrikciám, ktoré sa vyskytli počas coronavírusu(zakázaný presun obyvateľov medzi krajmi by simuláciu len skomplikoval). Pre simuláciu som taktiež zvolil SEIRD model, v ktorom je každý jednotlivec zaradený do jednej zo skupín: Náchylní (S-susceptible), Vystavení (E-exposed), Nakazení (I-infected), Uzdravení (R-recovered), alebo Úmrtia(D-dead). Model sleduje vývoj šírenia pandémie v horizonte jedného roka. Ako hlavné parametre, ktoré môžu zmeniť vyťaženie nemocníc boli vybraté Kapacita nemocníc (v prípade BB kraja sa jedná o 500 lôžok s podporu umelej pľúcnej ventilácie) a Relatívne riziko správania, ktoré sa skladá zo Zníženia rizika správania(Vyjadrené v zlomku populácie, ktorá znižuje riziko nakazenia napr. nosením rúška, zvýšeného umývania rúk a zavádzania iných sociálnych opatrení.), Reakčný čas populácie (Čas od prvej infekcie na zavedenie sociálnych opatrení.) a Čas prvej infekcie (Vyjadrený v dňoch; v ktorý deň sa prvá infekcia vyskytla). Optimalizácia bude vykonaná na základe porovnaní výsledkov 3 simulácií, pričom prvá simulácia(bez zmien) bude porovnávaná s dvomi simuláciami s odlišnými parametrami.
Model
Diagram stavov a tokov
Causal loop diagram
Premenné modelu
• Počiatočný počet obyvateľov = 647874 (Počet obyvateľov Banskobystrického kraja)
• Zlomok náchylnej populácie = Náchylní/Počiatočný počet obyvateľov
• Náchylní = INTEG ( -Infikovanie) Initial value = Počiatočný počet obyvateľov
• Trvanie infekcie = 10 (Ako dlho trvá choroba; vyjadrené v dňoch)
• R0 = 2.4 (Údaj vyjadrujúci priemerný počet prípadov infekčnej choroby spôsobenej prenosom od jedného infikovaného jedinca v populácii, ktorá sa s touto chorobou predtým nestretla.)
• Počiatočná nekontrolovaná prenosová rýchlosť = R0/Trvanie infekcie
• Zníženie rizika správania = 0 (Vyjadruje v zlomku aký počet populácie aktívne znižuje riziko infekcie choroby)
• Reakčný čas populácie = 40 (Vyjadrený v dňoch; ako dlho trvá ľudom zareagovať na chorobu)
• Čas prvej infekcie = 20 (Vyjadrený v dňoch; v ktorý deň sa prvá infekcia vyskytla)
• Relatívne riziko správania = SMOOTH3(1-STEP(Zníženie rizika správania, Čas prvej infekcie),Reakčný čas populácie)
• Rýchlosť prenosu choroby = Počiatočná nekontrolovaná prenosová rýchlosť*Relatívne riziko správania*Zlomok náchylnej populácie
• Infikovanie = Nakazení*Rýchlosť prenosu choroby
• Vystavení = INTEG (Infikovanie-Vývoj ochorenia) Initial value = 0
• Inkubačný čas = 6 (Vyjadrený v dňoch)
• Vývoj ochorenia = Vystavení/Inkubačný čas
• Nakazení = INTEG (Vývoj ochorenia-Umieranie-Zotavovanie) Initial value = Prví nakazení
• Prví nakazení = 2 (Počet ľudí, ktorý prišli do kraja s chorobou)
• Vyžadovaná hospitalizácia = 0.1 (Zlomok z nakazených ľudí, ktorý potrebujú hospitalizáciu)
• Ťažký priebeh choroby = Nakazení*Vyžadovaná hospitalizácia
• Kapacita nemocníc = 500 (V Banskobystrickom kraji bolo len 500 lôžok voľných pre pacientov s respiračnými problémami)
• Vyťaženie nemocníc = Ťažký priebeh choroby/Kapacita nemocníc
• Liečená úmrtnosť = 0.01 (Vyjadrené v zlomku)
• Neliečená úmrtnosť = 0.04 (Vyjadrené v zlomku)
• Úmrtnosť = Neliečená úmrtnosť+(Liečená úmrtnosť-Neliečená úmrtnosť)/(1+Vyťaženie nemocníc)
• Umieranie = Nakazení*Úmrtnosť/Dĺžka nakazenia
• Úmrtia = INTEG (Umieranie) Initial value = 0
• Dĺžka nakazenia = 10 (Vyjadrené v dňoch)
• Zotavovanie = Nakazení/Dĺžka nakazenia*(1-Úmrtnosť)
• Uzdravení = INTEG (Zotavovanie) Initial value = 0
Výsledky
Simulácia A - Bez zmien (Kapacita nemocníc: 500; Zníženie rizika správania: 0)
Po spustení simulácie bez žiadnych zmien v simulácií boli výsledky nasledovné:
Ako je možné z grafu vidieť, nemocnice mali na začiatku pandémie množstvo voľných lôžok, no okolo 120 dňa simulácie nabralo rýchlosť vyťaženie nemocníc, s maximom 17.83 v dni 190. Je dôležité tiež skonštatovať, že ako rýchlo vysoké vyťaženie prišlo, tak isto rýchlo aj odišlo. To zodpovedá kritickej situácií v Slovenských nemocniciach spred dvoch rokov.
Simulácia B (Kapacita nemocníc: 750; Zníženie rizika správania: 0)
Pridanie lôžok určite pomohlo situácií. Maximálne vyťaženie sa tiež odohralo v 190 dni simulácie s hodnotou 11.89. Problém v tomto riešení vidím vo využití týchto respiračných lôžok v momente, keď pandémia skončí. Lôžka budú nevyužívané a môžu potencionálne zaberať miesto iným dôležitým medicínskym zariadeniam.
Simulácia C (Znížené riziko správania = 0.33)
Tretia simulácia oproti ostatným simuláciám prináša zaujímavé ale za to očakávané výsledky. Ak by len 1/3 populácie začala vykonávať sociálne opatrenia ako nosenie rúšok, nápor na nemocnice by nebol tak vysoký ako v simulácií A a B. Maximálna záťaž bola v dni 287 a s hodnotou: 6.76. Pravdaže toto opatrenie je najlepšie pre celkovú spoločnosť, len ako sa ukázalo pri pandémií COVID-19 na Slovensku, nebolo by to tak jednoduché zaviesť. Napriek faktu, že bola dostupná vakcína, situácia bola stále katastrofálna s veľkým počtom obetí a náporom v nemocniciach. Problémom bolo aj politizácia pandémie a očkovania, keďže očkovanie malo nejednotnú podporu naprieč politickým spektrom, s veľkým počtom hoaxov a dezinformáciami.
Záver
Z výsledných grafov je možné odvodiť niekoľko záverov.
V prvom kroku bola simulovaná situácia podobná pandémií z pred dvoch rokov na základe čoho som analyzoval počet pacientov, ktorí vyžadovali hospitalizáciu, a kapacitu dostupných lôžok. Táto simulácia mi umožnila získať prehľad o stavu preťaženia.
V druhej simulácií bol zvýšený počet lôžok v nemocniciach predpokladaného priebehu pandémie. Tým som chcel overiť, či zvýšenie kapacity lôžok má pozitívny vplyv na zvládnutie náporu pacientov. Výsledky ukázali, že s dostatočnou kapacitou lôžok sú nemocnice schopnejšie efektívnejšie hospitalizovať pacientov a znižovať preťaženie zdravotníckeho systému.
Nakoniec bola simulovaná situácia, kde aspoň jedna tretina populácie začala vykonávať sociálne opatrenia, ako je napríklad nosenie rúšok a dodržiavanie fyzickej vzdialenosti. Tento scenár umožnil zhodnotiť vplyv týchto opatrení na šírenie pandémie a potrebu nemocničných lôžok. Výsledky naznačili, že implementácia týchto opatrení výrazne prispieva k zníženiu počtu pacientov vyžadujúcich hospitalizáciu a zároveň k lepšiemu využitiu dostupných lôžok.
Celkovo by som mohol zhodnotiť, že simulácia a optimalizácia počtu lôžok v nemocniciach na základe predpovede priebehu pandémie je nástroj, ktorý môže byť veľmi cenný pre zdravotnícke orgány a manažérov nemocníc. Pomáha lepšie plánovať a prispôsobiť zdroje tak, aby boli nemocnice schopné čeliť rastúcemu počtu pacientov a minimalizovať preťaženie zdravotníckeho systému. Zároveň som ukázal, že zavedenie sociálnych opatrení má potenciál výrazne ovplyvniť šírenie pandémie a zmierniť tlak na nemocničné kapacity. Tieto výsledky môžu slúžiť ako základ pre lepšie rozhodovanie a plánovanie v oblasti zdravotníctva počas budúcich pandémií.
Zdroje
State of Health in the EU Slovensko, Zdravotný profil krajiny 2021. Dostupné z: https://health.ec.europa.eu/system/files/2022-01/2021_chp_sk_slovak.pdf
PAŽITNÝ P., KANDILAKI D., LÓFFLER Ľ, ZAJAC R. (2022): Nadúmrtnosť na COVID-19 v kontexte rozhodnutí zdravotnej politiky (roky 2020 - 2022)
ACHAIAH, Nithya C, Sindhu B SUBBARAJASETTY a Rajesh M SHETTY, 2020. R0 and Re of COVID-19: Can We Predict When the Pandemic Outbreak will be Contained? Indian Journal of Critical Care Medicine : Peer-reviewed, Official Publication of Indian Society of Critical Care Medicine [online]. 2020, roč. 24, č. 11, s. 1125–1127. ISSN 0972-5229. Dostupné na: doi:10.5005/jp-journals-10071-23649
anon., 2020. Healthcare Workers. Centers for Disease Control and Prevention [online] [cit. 11.6.2023]. Dostupné na: https://www.cdc.gov/coronavirus/2019-ncov/hcp/duration-isolation.html
MEN, Ke, Yihao LI, Xia WANG, Guangwei ZHANG, Jingjing HU, Yanyan GAO, Ashley HAN, Wenbin LIU a Henry HAN, 2023. Estimate the incubation period of coronavirus 2019 (COVID-19). Computers in Biology and Medicine [online]. 2023, roč. 158, s. 106794. ISSN 0010-4825. Dostupné na: doi:10.1016/j.compbiomed.2023.106794
MINISTERSTVO ZDRAVOTNÍCTVA, 2021. Ministerstvo zdravotníctva Slovenskej republiky [online] [cit. 11.6.2023]. Dostupné na: https://www.health.gov.sk/Clanok?covid-19-16-11-2021-nemocnice-lozka
