Pubblicato il
Sapevi che la matematica in epidemiologia è iniziata agli inizi del 1900? È stato fondamentale nella gestione delle epidemie. Il lavoro di John Snow nel trovare la fonte di un'epidemia di colera a Londra ha dato inizio all'epidemiologia moderna. Questi modelli possono essere semplici o complessi e sono cruciali per prevedere le epidemie.
Ci aiutano a capire come si diffondono le malattie. Questa conoscenza ci consente di ridurne l’impatto. Ci guida nella realizzazione di piani efficaci per combattere le pandemie.
La modellizzazione epidemiologica è molto importante oggi, soprattutto con le pandemie globali. Dall'inizio del 1900 abbiamo utilizzato la matematica per studiare la diffusione delle malattie. Modelli come SEIR e SIDARTHE sono stati utilizzati durante la pandemia di COVID-19.
Questi modelli sono strumenti essenziali. Aiutano i funzionari sanitari a pianificare simulando diversi scenari. In questo modo, possono prevedere i risultati e pianificare strategie migliori come la vaccinazione e il distanziamento sociale.
Punti chiave
- La modellizzazione epidemiologica ha iniziato a guadagnare terreno all’inizio del XX secolo.
- John Snow è conosciuto come il padre dell’epidemiologia moderna.
- I modelli matematici spaziano dalle forme deterministiche semplici a quelle stocastiche complesse.
- Questi modelli sono parte integrante di previsione dell’epidemia and strategie di risposta alla pandemia.
- Modelli recenti come SEIR e SIDARTHE sono stati fondamentali durante la pandemia di COVID-19.
Introduzione alla modellistica epidemiologica
La modellizzazione epidemiologica è fondamentale per comprendere come le malattie si diffondono e aiutare a prendere decisioni sanitarie. Utilizza i dati sulla malattia, su come si diffonde e sulle persone colpite. Questo ci aiuta a vedere come crescono le epidemie e prevedere cosa potrebbe accadere dopo.
Questi modelli mirano a prevedere cose come la velocità con cui si diffonde la malattia, chi viene infettato e chi potrebbe morire. Esaminano questi fattori nel tempo per ottenere un quadro chiaro.
La costruzione di questi modelli inizia dalle basi dell’epidemiologia. Ciò garantisce che corrispondano strettamente alle situazioni della vita reale. Diversi algoritmi, come Stochastic Variational Inference (SVI) e No-U-Turn Sampler (NUTS), aiutano a creare questi modelli. Possono essere semplici o complessi, a seconda delle necessità.
Confrontando metodi diversi, come Markov Chain Monte Carlo (MCMC) e SVI, vediamo che MCMC è più accurato. SVI è più veloce e supporta modelli complessi. È una buona idea iniziare con SVI e quindi utilizzare MCMC per maggiori dettagli.
| Metodo | Tempo (secondi) | Precisione | Applicazioni |
|---|---|---|---|
| IVR | 12.7 (2000 passaggi completati) | approssimativo | Strutture di modelli veloci e complesse |
| MCMC | N/A | Alto | Previsioni accurate e specifiche |
Modelli come SimpleSIRModel mostrano quanto possano essere utili. Hanno simulato 4055 infezioni in sei tentativi. Anche prevedere gli eventi futuri è veloce; ad esempio, per prevedere 90 passaggi temporali sono stati necessari solo 115 millisecondi.
Questi modelli tengono conto di molti fattori, come chi è colpito, il virus stesso e il comportamento delle persone. Simulano il modo in cui si diffondono le malattie. I risultati arrivano con incertezza, mostrando i possibili risultati.
I risultati del modello aiutano a prevedere l’uso ospedaliero e i tassi di mortalità per il futuro. Si basano sui dati attuali e sui piani di vaccinazione. Confrontando queste previsioni con eventi reali, possiamo vedere quanto bene funzionano le nostre azioni e pianificare meglio il futuro.
Il ruolo dell'epidemiologia matematica
L’epidemiologia matematica fonde i modelli matematici con l’epidemiologia per prevedere e comprendere come si diffondono le malattie infettive.
Panoramica storica
John Snow, un influente epidemiologo, mappò le epidemie di colera nel 19° secolo. Nel 1766, Daniel Bernoulli scrisse sulla variolazione del vaiolo e sul suo impatto sull'aspettativa di vita. Questo lavoro ha posto le basi per futuri progressi nel campo.
Agli inizi del 1900, l’epidemiologia matematica fece grandi passi avanti. Kermack e McKendrick introdussero il numero di riproduzione di base (R0) nel 1927. Questa metrica è fondamentale per comprendere come le malattie possono diffondersi. La lotta globale contro il vaiolo negli anni ’1970 ha dimostrato il potere della vaccinazione e delle strategie mirate.
Matematici chiave
Molti epidemiologi hanno fatto grandi progressi nell’epidemiologia matematica. Anderson Gray McKendrick e Janet-Leigh Claypon sono state figure chiave. Hanno portato la matematica nell’epidemiologia, aiutando a gestire le epidemie con nuovi modelli.
Verso la fine del 1900, i modelli matematici divennero fondamentali nella politica sanitaria. Gli studi sull’influenza e sul vaiolo hanno dimostrato l’importanza di comprendere la diffusione della malattia. Questi modelli aiutano a creare piani di intervento efficaci, rendendo l’epidemiologia matematica cruciale nell’assistenza sanitaria odierna.
Tipi di modelli epidemiologici
Comprendere i modelli epidemiologici è fondamentale per previsioni accurate e azioni di sanità pubblica. Questi modelli variano nel modo in cui affrontano e simulano le epidemie. Includono modelli deterministici e stocastici, ciascuno con la propria struttura e utilizzo.
Modelli deterministici
I modelli deterministici utilizzano parametri fissi e prevedono con equazioni differenziali. Si concentrano sui comportamenti medi in grandi gruppi. Ad esempio, il modello SIR prevede la diffusione della malattia utilizzando queste equazioni. Tali modelli funzionano bene per grandi popolazioni o malattie come la tubercolosi.
Il tasso di crescita iniziale di un’epidemia, indicato dal numero di riproduzione di base (R0), aiuta a prevederne la diffusione. I modelli deterministici si basano su questo per prevedere come una malattia si diffonderà attraverso una popolazione.
Modelli stocastici
I modelli stocastici, d'altro canto, includono la casualità per riflettere l'imprevedibilità del mondo reale. Sono vitali per gruppi più piccoli o malattie con diffusione imprevedibile. Consentendo modifiche casuali, questi modelli forniscono distribuzioni di probabilità dei risultati. Ciò li rende fondamentali per previsioni precise.
Ad esempio, nella modellazione COVID-19, è comune presupporre che il tempo di incubazione segua una distribuzione gamma. I modelli stocastici sono importanti anche per la modellizzazione regionale, poiché mostrano come le diverse aree influenzano la diffusione della malattia.
Aiutano a prevedere il numero di casi nascosti, guidando gli sforzi di intervento. Strumenti come i modelli di regressione aggiungono dettaglio e precisione al modello.
È fondamentale verificare questi modelli confrontandoli con dati reali per assicurarsi che funzionino correttamente. Ciò garantisce che possano contribuire a prendere decisioni informate in materia di sanità pubblica. Il legame tra la complessità del modello e l'accuratezza delle previsioni aiuta gli epidemiologi a prepararsi alle epidemie.
Per approfondire come le relazioni causali influenzano gli interventi di sanità pubblica, consultate questo articolo dettagliato sull'inferenza causale in epidemiologia e sanità pubblica.
| Tipo di modello | Caratteristiche chiave | Applicazioni comuni |
|---|---|---|
| Modelli deterministici | Parametri fissi, equazioni differenziali | Popolazioni numerose, malattie a trasmissione costante |
| Modelli stocastici | Incorpora casualità, distribuzioni di probabilità | Popolazioni più piccole, variazioni regionali |
Modelli compartimentali in epidemiologia
I modelli compartimentali facilitano lo studio delle malattie infettive, suddividendo le persone in tre gruppi principali: coloro che possono ammalarsi, coloro che sono malati e coloro che sono guariti. Questi modelli sono fondamentali per comprendere come si diffondono le malattie e come fermarle. Tra questi, i modelli SIR e SIS , di grande importanza per la ricerca sulle malattie.
Modello SIR
Il modello SIR è un modo popolare per studiare le malattie. Divide la popolazione in tre gruppi: coloro che possono ammalarsi (S), coloro che sono malati (I) e coloro che sono guariti (R). Questo modello è ottimo per le malattie che danno l’immunità alle persone dopo che sono migliorate, come il morbillo.
Il modello esamina il modo in cui le persone si spostano tra questi gruppi. La velocità con cui le persone si ammalano (β) e la velocità con cui guariscono (γ) sono fondamentali. Il modello SIR parla anche del numero di riproduzione di base (R0), che mostra la velocità con cui una malattia può diffondersi.
Questo modello ci aiuta a capire quanto grande potrebbe essere un’epidemia e quanto velocemente si diffonde una malattia. Può ignorare i tassi di natalità e di mortalità per concentrarsi su come la malattia si diffonde nella popolazione. Grazie al modello SIR siamo riusciti a controllare molte malattie.
Modello SIS
Il modello SIS riguarda le malattie in cui le persone possono ammalarsi nuovamente dopo la guarigione, come il comune raffreddore. Ha due gruppi: quelli che possono ammalarsi (S) e quelli che sono malati (I). A differenza del modello SIR, le persone che guariscono possono contrarre nuovamente la malattia.
Il modello SIS esamina il modo in cui le persone si spostano tra questi due gruppi. Sono importanti la velocità con cui le persone si ammalano (β) e la velocità con cui guariscono (γ). Questo modello ci aiuta a capire come alcune malattie continuano a ripresentarsi, il che ci aiuta a elaborare piani sanitari migliori.
| Tipo di modello | Componenti | Parametri chiave | Adatto a |
|---|---|---|---|
| Modello SIR | SIGNORE | β, γ, R0 | Malattie con immunità post-guarigione (p. es., morbillo) |
| Modello SIS | S, io | β, γ | Malattie senza immunità duratura (p. es., raffreddore comune) |
Sia il modello SIR che il modello SIS sono molto importanti per lo studio delle malattie. Utilizzando questi modelli, gli esperti possono prevedere la diffusione delle malattie e trovare modi per arrestarla. Ciò contribuisce a migliorare le politiche sanitarie e a salvare vite umane.
Tecniche di modellazione stocastica
Le tecniche di modellazione stocastica sono fondamentali per cogliere la casualità nella diffusione delle malattie. Questi modelli offrono una visione più realistica di sistemi complessi, come ad esempio il modo in cui le persone si ammalano. Utilizzano cambiamenti casuali per comprendere e prevedere meglio il comportamento delle malattie in condizioni di incertezza.
Le catene di Markov a tempo continuo e le equazioni differenziali stocastiche sono parti importanti di questo. Ci aiutano a capire le possibilità che si verifichino epidemie. Considerano anche cose come quante persone vivono in una zona e l’ambiente.
I processi stocastici possono riguardare cose che cambiano spesso, come i prezzi delle azioni giornaliere, o in modo graduale nel tempo. Questi modelli utilizzano diversi tipi di probabilità per descrivere eventi reali. La distribuzione normale aiuta a fare previsioni, mentre le distribuzioni esponenziale e di Poisson sono utili per contare la frequenza con cui accadono le cose.
La modellazione stocastica è uno strumento pratico per costruire modelli accurati e prendere decisioni informate in ambienti imprevedibili.
Le ricerche del passato hanno portato agli attuali modelli stocastici avanzati. Studi importanti del 1952, del 1984 e del 2000 hanno plasmato la nostra comprensione. Studi recenti, come quelli presentati in questo articolo , si concentrano sul funzionamento delle dinamiche di popolazione.
La ricerca sulle malattie infettive ha fatto grandi progressi, come dimostrano gli studi correlati . La genomica è fondamentale per comprendere come si diffondono le malattie e come fermarle. Ciò ha portato a trattamenti e politiche sanitarie migliori, dimostrando quanto sia importante la modellazione stocastica.
La modellizzazione stocastica in epidemiologia ci fornisce informazioni approfondite su come si diffondono le malattie. Consente ai ricercatori di provare diversi scenari per vedere cosa potrebbe accadere. Aggiungendo casualità ai modelli di malattia, gli scienziati e gli esperti sanitari possono gestire meglio le sorprese delle epidemie. Ciò aiuta a migliorare le politiche sanitarie e il modo in cui affrontiamo le malattie.
| Anno | Focus studio/ricerca |
|---|---|
| 1952 | Teoria delle epidemie di Reed-Frost |
| 2002 | Modelli spaziotemporali nell'infezione da hantavirus |
| 2003 | Onde viaggianti di infezione nelle epidemie da hantavirus |
| 1984 | Simulazione di epidemie di malattie infettive |
| 1999 | Equazioni differenziali stocastiche e tempo di persistenza per due popolazioni interagenti |
| 2003 | Confronto di modelli stocastici di popolazione riguardanti il tempo di persistenza |
| 2000 | Confronto tra modelli SIS e SIR deterministici e stocastici |
| 2003 | Dinamica di due infezioni virali in una singola popolazione ospite |
| 1992 | Analisi matematica delle malattie infettive dell'uomo |
| 2003 | Il ruolo dell’evoluzione nell’emergenza delle malattie infettive |
Calibrazione del modello e stima dei parametri
Per ottenere previsioni affidabili, i modelli epidemiologici necessitano di una calibrazione accurata e di una stima precisa dei parametri. La calibrazione garantisce che il modello corrisponda ai dati reali. I metodi di stima dei parametri migliorano l'accuratezza dei modelli.
Importanza di presupposti accurati
Le giuste ipotesi sono fondamentali per modelli affidabili. Il modello SEIR, spesso utilizzato, si basa su ipotesi relative ai tassi di infezione, incubazione e recupero. Questi ci aiutano a capire come si diffondono le malattie.
Anche ottenere i numeri iniziali giusti è cruciale. Ciò include sapere quante persone sono malate, esposte e guarite all’inizio. Anche il numero di riproduzione di base (R0) è fondamentale. Mostra quanti nuovi casi può causare una persona infetta in una popolazione completamente suscettibile.
Tecniche di stima
A questo scopo vengono utilizzati metodi come i minimi quadrati non lineari (NLS) e la stima bayesiana. NLS aiuta a rendere il modello più accurato abbinandolo a dati reali. La stima bayesiana utilizza le conoscenze precedenti per migliorare il processo di stima. L'utilizzo di valori a priori piatti nella calibrazione bayesiana fornisce risultati più affidabili.
Per il COVID-19 sono stati utilizzati sia modelli deterministici che stocastici. Questi modelli utilizzano dati provenienti da luoghi come il repository GitHub della Johns Hopkins University. I modelli stocastici richiedono più tempo ma ci danno un’idea migliore dei possibili risultati.
Il modello SEIR per COVID-19 ha sei incognite: infezione, incubazione, tassi di recupero e numero iniziale di persone malate, esposte e guarite. Ottenere questi risultati è cruciale. Richiede un’analisi statistica dettagliata e un buon adattamento dei dati.
Per maggiori dettagli sulla calibrazione e la stima dei modelli, consultate gli studi pubblicati sul Journal of Health Sciences.
I progressi nell'analisi geografica e nella sovrapposizione di dati nel campo della sanità pubblica contribuiscono anche a migliorare la calibrazione dei modelli . Ne sono un esempio le iniziative di ricerca della Carolina del Nord. Per saperne di più, consulta il quadro di riferimento sulle statistiche ambientali e spaziali.
| Parametro | Significato |
|---|---|
| β | Tasso di infezione |
| σ | Tasso di incubazione |
| γ | Tasso di recupero |
| R0 | Numero di riproduzione di base |
| Io(0), E(0), R(0) | Numeri iniziali di casi infettivi, esposti e guariti |
Conoscere questi parametri e i loro effetti è fondamentale per una migliore modellizzazione e interventi sanitari.
Applicazioni dei modelli epidemiologici
I modelli epidemiologici sono oggi strumenti fondamentali per migliorare la sanità pubblica e la pianificazione. Ci aiutano a comprendere e combattere le malattie zoonotiche che si diffondono tra animali e esseri umani. Questi modelli ci forniscono informazioni importanti sia per le malattie umane che per quelle non umane.
Modellazione delle malattie infettive
La modellizzazione delle malattie infettive è fondamentale per la pianificazione delle strategie sanitarie. I ricercatori utilizzano i modelli per testare e migliorare interventi come i vaccini. Ciò è vitale per malattie come l'HIV, la tubercolosi e la malaria, che causano il 10% di tutti i decessi ogni anno.
L’epidemia di SARS nel 2003 e la pandemia di influenza suina nel 2009 dimostrano quanto sia importante la modellizzazione. I modelli hanno aiutato a controllare malattie come MERS CoV nel 2013, Zika nel 2016 e SARS-CoV-2.
La London School of Hygiene & Tropical Medicine offre un corso sull'epidemiologia delle malattie infettive. Insegna come prevedere gli effetti delle strategie di controllo e unisce l'economia sanitaria. Il corso inizia dal 17 al 28 giugno 2024 e comprende lezioni frontali, esercitazioni e discussioni.
Questi modelli considerano le differenze nella salute delle persone e nel modo in cui interagiscono. Il numero di riproduzione di base (R0) ci aiuta a capire quanto velocemente si diffonde una malattia. Questa conoscenza consente ai funzionari sanitari di agire rapidamente per fermare le epidemie.
Modelli di malattie non umane
I modelli di malattie non umane ci aiutano a comprendere i problemi di salute nell’agricoltura e nell’ambiente. Mostrano come le malattie si diffondono tra animali e piante, colpendo il cibo e l’ambiente. Ad esempio, isolare gli animali malati può ridurre la diffusione della malattia.
La modellazione regionale è un altro approccio che tiene conto delle differenze locali. Uno studio condotto in Siria mostra come i modelli epidemiologici siano utili per la pianificazione dei servizi sanitari. Ciò dimostra l'utilità di questi modelli in situazioni reali, come evidenziato dallo studio metodologico del Global Burden of Disease.
Corsi come quelli del Centro per la modellazione matematica delle malattie infettive si concentrano sugli usi pratici dei modelli epidemiologici. Si assicurano che i modelli siano forti in teoria e funzionino bene nella vita reale. Ciò aiuta a prendere decisioni migliori in materia di politica sanitaria.
Strategie di intervento e politica di sanità pubblica
La creazione di politiche sanitarie pubbliche efficaci è fondamentale per gestire le crisi sanitarie. A questo scopo i modelli epidemiologici sono cruciali. Forniscono dati accurati per aiutare a prendere decisioni. Questi modelli guidano le risposte e aiutano a progettare politiche che salvano vite umane.
Ruolo dei modelli nel processo decisionale
I modelli epidemiologici sono vitali per prendere decisioni in materia di sanità pubblica. Hanno contribuito durante la pandemia di COVID-19 guidando i lockdown e gli sforzi di vaccinazione. L’utilizzo di dati affidabili rende questi modelli più accurati, portando a politiche migliori.
Corsi come FMPH 101 insegnano agli studenti le indagini sulle malattie. Si concentrano sui principi di base sia per le malattie infettive che per quelle non infettive. Questa conoscenza è fondamentale per comprendere i risultati del modello e elaborare politiche di sanità pubblica.
Corsi avanzati come FMPH 171 insegnano abilità pratiche per situazioni del mondo reale. Gli studenti imparano come rispondere rapidamente alle minacce per la salute. Ciò li prepara per i loro futuri ruoli nella sanità pubblica.
Utilizzando questi modelli, gli esperti di sanità pubblica possono prevedere le epidemie e pianificare meglio. Questo aiuta a salvare vite umane. È un elemento fondamentale per elaborare politiche sanitarie pubbliche efficaci.
Casi di studio
I casi di studio mostrano come i modelli epidemiologici aiutano nella sanità pubblica. Lo studio REACH-C in Australia ha riscontrato un tasso di guarigione dell’epatite C del 92%. Ciò dimostra l’impatto di politiche ben informate.
La strategia globale per il settore sanitario mirava a porre fine all’epatite virale entro il 2021. Uno studio condotto in Islanda voleva eliminare l’epatite C entro il 2020. Questi esempi evidenziano il potere dei modelli nella politica sanitaria.
| Argomento di studio | Goal | Risultato |
|---|---|---|
| Studio REACH-C, Australia | Eliminare l'epatite C | Tasso di guarigione del 92%. |
| Studio di modellazione dell'Islanda | Eliminare l’epatite C entro il 2020 | Formazione e attuazione efficaci delle politiche |
| Strategia globale per il settore sanitario 2016-2021 | Porre fine all’epatite virale in tutto il mondo | Maggiore coordinamento e sforzi globali |
Questi casi di studio mostrano come i modelli possono cambiare le politiche di sanità pubblica. Evidenziano la necessità di utilizzare modelli nel processo decisionale. Ciò garantisce che le strategie siano basate su prove concrete.
Per ulteriori informazioni su come gli epidemiologi scelgono gli interventi, consultare il sito dei Centers for Disease Control and Prevention.
Conclusione
Il viaggio attraverso la modellizzazione epidemiologica mostra il suo ruolo chiave nella lotta alle malattie infettive. Ci aiuta a comprendere e gestire meglio le epidemie. Osservando come funzionano gli interventi e prevedendo la diffusione delle malattie, la nostra conoscenza è cresciuta molto.
Il modello SIR è uno strumento chiave in questo campo. Utilizza una matematica complessa per studiare come si diffondono le malattie. Il numero di riproduzione di base (R0) ci dice se una malattia si diffonderà o scomparirà. Queste idee sono cruciali per migliorare la salute pubblica oggi e prepararsi per le future epidemie.
Guardando indietro alle epidemie passate e utilizzando nuovi metodi, vediamo quanto siano importanti modelli accurati. Ci aiutano a prevedere e fermare le epidemie. Utilizzando dati solidi e verificando spesso i modelli, possiamo elaborare politiche sanitarie migliori. Ciò rende la modellizzazione epidemiologica una parte fondamentale di un futuro più sicuro e migliore.
FAQ
Quali sono le basi e le applicazioni della modellistica epidemiologica?
La modellizzazione epidemiologica utilizza la matematica e le statistiche per studiare come si diffondono le malattie. Aiuta a prevedere le epidemie e a pianificare le politiche sanitarie. Ciò include la previsione delle tendenze e l’elaborazione di strategie per fermare le infezioni.
In che modo l’epidemiologia matematica contribuisce a comprendere la diffusione delle malattie?
L’epidemiologia matematica utilizza i numeri per studiare come si diffondono le malattie. Aiuta a prevedere le epidemie e a pianificare strategie sanitarie. Esamina la malattia, come si diffonde e le persone colpite.
Chi sono alcuni matematici chiave nel campo dell’epidemiologia?
Figure importanti includono John Snow, che trovò la fonte delle epidemie di colera. Anche Anderson Gray McKendrick e Janet-Leigh Claypon hanno portato la matematica nell’epidemiologia.
Qual è la differenza tra modelli deterministici e stocastici in epidemiologia?
I modelli deterministici prevedono epidemie con numeri ed equazioni fissi. Presumono che i grandi gruppi si comportino allo stesso modo. I modelli stocastici aggiungono casualità, mostrando come la malattia si diffonde in gruppi più piccoli.
Cosa sono i modelli compartimentali in epidemiologia?
I modelli compartimentali raggruppano le persone in base al loro stato di salute. Aiutano a studiare come si diffondono le malattie. Il modello SIR prende in esame le malattie che conferiscono immunità, mentre il modello SIS considera quelle per le quali non si sviluppa immunità.
In che modo le tecniche di modellazione stocastica apportano benefici alle previsioni epidemiologiche?
La modellazione stocastica aggiunge casualità alle previsioni sulla diffusione della malattia. Questa è la chiave per comprendere il comportamento della malattia in situazioni incerte. Aiuta a fare piani migliori per fermare le epidemie.
Perché le ipotesi accurate sono importanti nella modellizzazione epidemiologica?
Le giuste ipotesi su persone e malattie sono fondamentali per buone previsioni. Si assicurano che i modelli corrispondano alla vita reale. Ciò aiuta a guidare gli interventi sanitari.
Quali metodi vengono utilizzati per la calibrazione del modello e la stima dei parametri?
La calibrazione dei modelli utilizza statistiche e dati di adattamento per migliorare le previsioni. Ciò rende i modelli più accurati.
Quali sono le applicazioni dei modelli epidemiologici nella sanità pubblica?
I modelli epidemiologici aiutano a pianificare e controllare gli interventi sanitari. Sono usati per le malattie umane e animali. Ciò aiuta l’agricoltura e la salute ambientale.
In che modo i modelli influenzano la politica sanitaria pubblica e le strategie di intervento?
I modelli forniscono informazioni utili ai funzionari sanitari per elaborare e modificare le strategie. Casi come quello del COVID-19 mostrano come contribuiscono a fornire buone risposte sanitarie.
Collegamenti di origine
- https://www.news-medical.net/health/What-is-Epidemiologic-Modeling.aspx – Cos’è la modellazione epidemiologica?
- http://www.stat.columbia.edu/~regina/research/notes123.pdf - PDF
- http://math.uchicago.edu/~shmuel/Modeling/Keeling and Rohani/chap 2.pdf - Senza titolo
- http://pyro.ai/examples/epi_intro.html – Introduzione: documentazione Pyro Tutorials 1.9.1
- https://www.gov.uk/government/publications/introduction-to-epidemiological-modelling/introduction-to-epidemiological-modelling-october-2021 – Introduzione alla modellizzazione epidemiologica, ottobre 2021
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7178885/ – Modelli matematici nell'epidemiologia delle malattie infettive
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8482738/ – Modellistica matematica applicata alle epidemie: una panoramica
- https://www.sciencedirect.com/topics/medicine-and-dentistry/epidemic-model – Modello epidemico – una panoramica
- https://en.wikipedia.org/wiki/Mathematical_modelling_of_infectious_diseases – Modellistica matematica delle malattie infettive
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7122373/ – Modelli compartimentali in epidemiologia
- https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology – Modelli compartimentali in epidemiologia
- http://home.ustc.edu.cn/~zegang/pic/Compartmental models in epidemiology.pdf - PDF
- https://medium.com/@pelinokutan/an-introduction-to-stochastic-modeling-f3ab0ed881a3 – Un'introduzione alla modellazione stocastica
- https://link.springer.com/chapter/10.1007/978-3-540-78911-6_3 – Un’introduzione ai modelli epidemici stocastici
- https://www.nature.com/articles/s41598-024-60911-z – Un approccio stocastico per il processo di coevoluzione del virus e del sistema immunitario umano – Rapporti scientifici
- https://academic.oup.com/jrsssc/article/73/1/47/7275326 – Calibrazione efficiente per modelli epidemici imperfetti con applicazioni all’analisi di COVID-19
- https://www.mdpi.com/2673-9984/5/1/18 – Modellazione, simulazione, stima dei parametri SEIR e loro applicazione per la previsione dell’epidemia di COVID-19
- https://www.lshtm.ac.uk/study/courses/short-courses/infectious-disease-modelling – Introduzione alla modellazione delle malattie infettive e alle sue applicazioni | LSHTM
- https://catalog.ucsd.edu/courses/FMPH.html - Salute pubblica
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10562970/ – Modellazione epidemiologica dell’impatto delle politiche di sanità pubblica sull’epatite C: protocollo per uno strumento di gamification mirato alla microeliminazione
- https://core.ac.uk/download/pdf/78556409.pdf - PDF
- https://academic.oup.com/book/24421/chapter/187418606 – Conclusione: epidemiologia e ciò che conta di più | L'epidemiologia conta: una nuova introduzione ai fondamenti metodologici