Symptom-based testing in a compartmental model of COVID-19

Bartha, F.; Karsai, János; Tekeli, Tamás; Röst, Gergely

doi:10.1101/2020.10.11.20211037

Cited by 3 publications

(7 citation statements)

References 24 publications

(17 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Az ITM felkérésére 2020 augusztusában készült el angol és magyar nyelven a Vállalati Fehér Könyv (Bognár et al 2020), amely a gazdálkodó szervezetek számára gyakorlati útmutatóként szolgált a 2. járványhullámra való felkészüléshez. A munkacsoport a tudományos eredményeit, módszertani fejlesztéseit rendszeresen rangos nemzetközi folyóiratokban publikálja (Barbarossa et al 2021;Bartha et al 2020;Boldog et al 2020;Karsai et al 2021;Koltai et al 2021;Péni et al 2020;Reguly et al 2021;Szócska et al 2021).…”

Section: A Járványmatematikai éS Epidemiológiai Projekt Megalakulása Felépítése éS Munkafolyamataunclassified

Az epidemiológiai surveillance és járványmatematikai előrejelzések szerepe a pandémiás hullámok megelőzésében, mérséklésében – hol tartunk most, és hová kellene eljutni

et al. 2021

Self Cite

View full text Add to dashboard Cite

Összefoglaló. A Járványmatematikai és Epidemiológiai Projekt egy egyedülálló kezdeményezés Magyarországon, mely jelentős tudást és tapasztalatot halmozott fel a COVID–19 világjárvány során. Jelen tanulmány a pandémia 2. hullámának példáján keresztül áttekinti, hogy miként működött a járványügyi észlelés és monitorozás rendszere, hogyan, milyen eredményekkel végezték a projekt munkatársai a helyzet- és kockázatértékelést, az előrejelzések készítését, végül javaslatokat fogalmaz meg a surveillance- és előrejelző rendszer fejlesztésére a járványügyi biztonság növelése érdekében. A 2. járványhullám 2020. június 22. és 2021. január 24. között zajlott Magyarországon, melynek során a megerősített COVID–19 esetek száma 356 197 fő volt, ami az első hullámban regisztrált esetszám 87-szerese. Összesen 12 226 megerősített COVID–19 halálesetet regisztráltak, az első hullámban jelentett szám 21-szeresét. Az országos R érték először 2020 augusztusában emelkedett 1,0 fölé. Mintegy 3 héttel azután, hogy az R érték augusztus utolsó hetében tartósan 1,0 fölé emelkedett, a halálos kimenetelű COVID–19 esetszámok növekedése is elindult, mivel a fiatalokról a járvány az idősebb korosztályokra is átterjedt. Mindezt a matematikai modellezési eredmények hetekkel korábban jelezték. November elején az előrejelzés 12 000 fő feletti kórházi ápoltat vetített előre a karácsonyi időszakra, melynek elkerülésére kormányzati intézkedéscsomag készült. A 2020. november 11-i szigorítás a járványt az eredeti pályáról eltérítette, így a kórházban kezeltek száma a 2. hullámban az előrejelzésnek megfelelően 8018 főnél elérte a csúcsot, majd csökkenni kezdett. Január elején a modellezés azt mutatta, hogy a lecsengő szakaszban, az akkori intézkedések mellett is képes az időközben hazánkban is megjelent új variáns, a gyorsabban terjedő SARS-CoV-2 B.1.1.7, járványügyi fordulatot hozni, ami szintén megvalósult. Összességében az epidemiológiai helyzetértékelés és matematikai modellezés képes volt a második hullám minden fő aspektusát időben és jól megragadni, a veszélyes folyamatokat előre jelezni és ezzel lehetőséget adni a gyors reagálásra. A 2. hullám tapasztalatai megmutatták, hogy a járványmatematikai és epidemiológiai képességek milyen hozzáadott értékkel bírnak a döntéstámogatásban. Az észlelési és előrejelzési rendszereink megerősítése és a matematikai modellezéssel egységes keretrendszerben történő továbbfejlesztése további lehetőségeket nyithat meg az észlelés, megelőzés, egészségügyi és gazdasági károk elhárítása érdekében szükséges döntési folyamatok bizonyítékalapú támogatásában, és az ország járványügyi biztonságának növelésében. Summary. The Mathematical Modelling and Epidemiology Task Force is a unique initiative in Hungary that has accumulated significant knowledge and experience during the COVID-19 pandemic. Using the example of the second wave of the pandemic, the present study reviews how the epidemiological surveillance and monitoring system operated, how the task force carried out the situation and risk assessments as well as forecasting, and finally, makes suggestions for improving the surveillance and forecasting system to increase health security. The second wave of the pandemic lasted between 22 June 2020 and 24 January 2021 in Hungary. The number of confirmed COVID-19 cases was 356,197,87 times the number of cases registered in the first wave. A total of 12,226 confirmed COVID-19 deaths were recorded, 21 times the number reported in the first wave. The reproduction number first exceeded 1.0 shortly in early August 2020. About three weeks after the R-value remained consistently above 1.0 in the last week of August, the number of fatal COVID-19 cases started to increase as the epidemic spread from the young to the older age groups. All of this was predicted by mathematical modelling results weeks earlier. In early November, the forecast projected more than 12,000 hospitalized patients for the Christmas period, so the government introduced new measures to prevent this surge. The restrictions, implemented on 11 November 2020, diverted the epidemic from its original trajectory, so the number of hospital admissions in the second wave peaked at 8,018, as projected, and then began to decline. In January, SARS-CoV-2 B.1.1.7 was detected in Hungary. Modelling showed in early January, that even in the declining phase, and with the measures being in place, this new variant was able to change the epidemiological trend. This was in fact observed on 24 January, when the epidemic curve started to increase again. Overall, epidemiological situation assessment and mathematical modelling were able to capture all significant aspects of the second wave in a timely manner and precisely, predicting the possible dangerous changes in the situation, and thus providing opportunity for rapid response. The experience of the second wave has shown the added value of integrating comprehensive epidemiological analysis and mathematical modelling into decision making. Strengthening our epidemiological intelligence and forecasting systems, and further enhancing them in a unified framework can open up further opportunities to provide evidence-based support for decision-making processes.

show abstract

Section: A Járványmatematikai éS Epidemiológiai Projekt Megalakulása Felépítése éS Munkafolyamataunclassified

Az epidemiológiai surveillance és járványmatematikai előrejelzések szerepe a pandémiás hullámok megelőzésében, mérséklésében – hol tartunk most, és hová kellene eljutni

et al. 2021

Self Cite

View full text Add to dashboard Cite

show abstract

“…However, the effect of testing seems to weaken with the increasing infectiousness of new virus variants such as the Omicron (B.1.1.529). These observations have been mathematically supported and explained by the symptom-based testing model introduced and analyzed in [5].…”

mentioning

confidence: 71%

“…If the test is positive the person is quarantined. Following the concept of [5] the control input enters the model through the transition rate ϕ defined as follows:…”

Section: Compartmental Model Of Transmission Dynamics a Model Descrip...mentioning

confidence: 99%

“…the proportion of individuals, who are not infected with COVID-19, but produce the same set of symptoms. Comparing (1) with the formula originally introduced in [5], it can be seen that the original formula contains an additional parameter ρ, which is the probability that an individual from compartment I or V I produces the symptoms on which the testing is based. In our model, we omit this parameter and investigate various choices of the symptom pool using a slightly different methodology as described later in one of the case studies.…”

Section: Compartmental Model Of Transmission Dynamics a Model Descrip...mentioning

confidence: 99%

See 1 more Smart Citation

Optimizing Symptom Based Testing Strategies for Pandemic Mitigation

et al. 2022

Self Cite

View full text Add to dashboard Cite

In this paper, a predictive-control-based approach is proposed for pandemic mitigation with multiple control inputs. Using previous results on the dynamical modeling of symptom-based testing, the testing intensity is introduced as a new manipulable input to the control system model in addition to the stringency of non-pharmaceutical measures. The control objective is the minimization of the severity of interventions, while the main constraints are the bounds on the daily number of hospitalized people and on the total number of available tests. For the control design and simulation, a nonlinear dynamical model containing 14 compartments is used, where the effect of vaccination is also taken into consideration. The computation results clearly show that the optimization-based design of testing intensity significantly reduces the stringency of the measures to be introduced to reach the control goal and fulfill the prescribed constraints.

show abstract

“…The majority of the data analysis approaches use primarily the daily infected data possibly together with the recovery statistics. However, it is well known that only a fraction of the true cases are detected, which also depends on the testing intensity [24][25][26]. Moreover, the recording of recoveries is also often not immediate and sometimes not precise enough as well.…”

Section: Introductionmentioning

confidence: 99%

Reconstruction of Epidemiological Data in Hungary Using Stochastic Model Predictive Control

2022

View full text Add to dashboard Cite

In this paper, we propose a model-based method for the reconstruction of not directly measured epidemiological data. To solve this task, we developed a generic optimization-based approach to compute unknown time-dependent quantities (such as states, inputs, and parameters) of discrete-time stochastic nonlinear models using a sequence of output measurements. The problem was reformulated as a stochastic nonlinear model predictive control computation, where the unknown inputs and parameters were searched as functions of the uncertain states, such that the model output followed the observations. The unknown data were approximated by Gaussian distributions. The predictive control problem was solved over a relatively long time window in three steps. First, we approximated the expected trajectories of the unknown quantities through a nonlinear deterministic problem. In the next step, we fixed the expected trajectories and computed the corresponding variances using closed-form expressions. Finally, the obtained mean and variance values were used as an initial guess to solve the stochastic problem. To reduce the estimated uncertainty of the computed states, a closed-loop input policy was considered during the optimization, where the state-dependent gain values were determined heuristically. The applicability of the approach is illustrated through the estimation of the epidemiological data of the COVID-19 pandemic in Hungary. To describe the epidemic spread, we used a slightly modified version of a previously published and validated compartmental model, in which the vaccination process was taken into account. The mean and the variance of the unknown data (e.g., the number of susceptible, infected, or recovered people) were estimated using only the daily number of hospitalized patients. The problem was reformulated as a finite-horizon predictive control problem, where the unknown time-dependent parameter, the daily transmission rate of the disease, was computed such that the expected value of the computed number of hospitalized patients fit the truly observed data as much as possible.

show abstract

Symptom-based testing in a compartmental model of COVID-19

Cited by 3 publications

References 24 publications

Az epidemiológiai surveillance és járványmatematikai előrejelzések szerepe a pandémiás hullámok megelőzésében, mérséklésében – hol tartunk most, és hová kellene eljutni

Az epidemiológiai surveillance és járványmatematikai előrejelzések szerepe a pandémiás hullámok megelőzésében, mérséklésében – hol tartunk most, és hová kellene eljutni

Optimizing Symptom Based Testing Strategies for Pandemic Mitigation

Reconstruction of Epidemiological Data in Hungary Using Stochastic Model Predictive Control

Contact Info

Product

Resources

About