Predpoveď priebehu pandémie

From Simulace.info
Revision as of 16:11, 11 June 2023 by Dana08 (talk | contribs)
Jump to: navigation, search

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

Obrázok 1: Diagram stavov a tokov

Causal loop diagram

Obrázok 2: 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

Po spustení simulácie bez žiadnych zmien v simulácií boli výsledky nasledovné:

Obrázok 3: Graf vyťaženia nemocníc bez zmien v simulácií


Záver

Zdroje

Kód