مدل سازی گسترش COVID-19 در UCLA درس | پشته

این پست به روز شد مه 12 در 11:49 بعد از ظهر

در وسط یک جهانی همه گیر عدم اطمینان نسبت به حالت عادی. بسیاری از ایالات در سراسر کشور در حال حاضر شروع به لغو محدودیت اما کالج ها باید وزن تصمیم گیری های دشوار و چگونه به نگه داشتن دانش آموزان و کارکنان امن در حالی که هنوز ارائه آموزش با کیفیت. در حالی که UCLA در حال حاضر تصمیم به حرکت جلسات تابستان A و C آنلاین, سرنوشت سقوط در سه ماهه است که هنوز هم در هوا. شلوغ سالن سخنرانی و خوابگاه ساخت آن را تقریبا غیر ممکن است برای دانش آموزان به تمرین های اجتماعی فاصله و بدون اختلال به حالت عادی زندگی دانشگاهی. به عنوان UCLA هایش با اینکه به استقبال دانشجویان به پردیس در پاییز, پشته بررسی چگونه به سرعت COVID-19 می تواند از طریق گسترش دانش آموز در مقطع کارشناسی بدن. با الهام از استاد کیم Weeden از ثبت نام دوره های شبکه در دانشگاه کرنل ما خود ما ایجاد مدل از نحوه متصل UCLA دانش آموزان بر اساس کلاس های آنها ثبت نام در. ما همچنین با تشکر از استاد ماسون پورتر و پروفسور استفانی وانگ از دانشگاه UCLA ریاضی گروه برای ارائه راهنمایی در مدل سازی دانشجویی شبکه و نظرات سازنده در توسعه این قطعه.

مدل ما به نظر می رسد تنها در گسترش COVID-19 از طریق کلاس و به حساب نمی تعاملات دانش آموزان ممکن است از طریق خوابگاه, اتاق ناهار خوری سالن پردیس سازمان و یا دیگر جنبه های اجتماعی زندگی دانشجویی. ما فرض می کنیم که هر دانشجویی که سهام یک کلاس با آلوده دانشجو در معرض ویروس و می تواند آلوده. علاوه بر این مدل تنها در مقطع کارشناسی و در نظر میگیرد. به ویژه در یک تصویر واقع بینانه از پردیس شامل بسیاری از بیشتر تحت تاثیر گروه های مانند دانشجویان تحصیلات تکمیلی دانشکده و کارمندان اداری در دانشگاه و ناهار خوری کارگران بسیاری از آنها به احتمال زیاد در معرض خطر دسته از دانشجویان مقطع کارشناسی. اما برای حفظ مدل ساده و اجرای آن امکان پذیر است با توجه به اطلاعات موجود ما تنها عامل در مقطع کارشناسی دانش آموزان است. همچنین باید اشاره کرد که اگر چه این مطالعات اشاره شده در این مقاله نشده است کارشناسی این است که مشترک برای coronavirus مربوط به مطالعات به دلیل تازگی.

دوره کمون برای COVID-19 است که به طور معمول پنج تا شش روز هر چند می توانید آن را در هر نقطه بین یک تا 14 روز به توسعه علائم پس از قرار گرفتن در معرض اگر علائم فراموش توسعه. LA County رایگان ارائه می دهد COVID-19 تست برای تمام ساکنان از جمله سه تست سایت در عرض پنج مایل از UCLA اما همان روز و روز بعد قرار ملاقات ترتیب اولویت برای کارگران خط مقدم و بیماران علامت دار. ما فرض کنیم که UCLA دانش آموزان دریافت خواهد شد تست شده و هفت روز پس از قرار گرفتن در معرض به طور متوسط.

در حالت ایده آل یک بار کسی تست مثبت آنها را به خود منزوی یا همان روز یا روز بعد ما فرض کنیم که آلوده به دانش آموزان است که تبدیل به علامت خواهد بود مسری و گسترش COVID-19 برای حدود یک هفته است. اما بدون علامت گسترش نیز قابل توجه است; با توجه به NPR مصاحبه با رابرت Redfield, مدیر مراکز کنترل و پیشگیری از بیماری را تا 25 درصد از مردم با COVID-19 ممکن است هرگز نشان می دهد علائم و بنابراین کمتر احتمال دارد به دنبال تست و خود منزوی. علاوه بر این مطالعه اعلام کرد که 40 درصد به 80 درصد در انتقال داده ها می تواند رخ دهد از افرادی که نشان داده اند و نه علائم.

R0تلفظ “R-هیچ” و به عنوان “پایه تولید مثل شماره” اقدامات چگونه بسیاری از دیگران یک فرد آلوده آلوده خواهد شد. R0 زیر یکی بدان معنی است که این ویروس می میرند بیش از زمان در حالی که تحقیق از0 بالاتر از یک معنی وجود خواهد داشت رشد نمایی به عنوان دیده شده است در ایالات متحده است. ارزش R0 می تواند متفاوت باشد در سراسر مناطق به عنوان آن بستگی به تراکم جمعیت و میزان تماس انسان بنابراین بیشتر تعاملات اجتماعی است که بالاتر R0 خواهد بود. در کالیفرنیا اجتماعی فاصله و پناهگاه در خانه سفارشات را برای کمک به کاهش R0 زیر در سراسر کشور در سطوح و برای پهن کردن منحنی از عفونت های جدید. اگر در کلاس های حضوری را در کاهش ميزان عفونت در UCLA خواهد بود بالاتر از زمان R0 قفل-پایین لس آنجلس. برای مدل ما, ما اجازه می دهد تا کاربر را به بررسی گسترش های مختلف بر اساس R0 ارزش. R0 از 5.7 شد ميانه R0 ارزش محاسبه شده توسط یک مطالعه شده در CDC سایت بر اساس داده ها از چین است. مطالعات دیگر استناد بسیار کوچکتر R0 ارزش. نیویورک تایمز تخمین زده است که پاتوژن است که باعث COVID-19 دارای یک R0 ارزش اعم از 2.0 تا 2.5 یک مطالعه از این که همچنین به نقل از یک R0 2.0 تا 2.5. چون از بسیاری از مطالعات بر روی R0مدل ما نشان می دهد اثرات R0 اعم از 0.0 تا 5.7.

ما شروع با یک واحد آلوده دانشجو در دانشگاه UCLA. آلوده دانشجو آلوده خواهد شد به طور متوسط R0 از همکلاسی های خود را بیش از مدت یک هفته. هر یک از همکلاسی است که برخی از احتمال آلوده بودن بر اساس R0 و تعدادی از همکلاسی های اصلی آلوده دانشجو است. اگر چه تحقیقات هنوز در حال انجام در ایمنی به COVID-19 ما فرض بر این است که هنگامی که یک دانش آموز بهبود است آنها را آلوده خواهد کرد دوباره.

نمودار زیر مدل های معمولی سه ماهه در UCLA با هر گره به نمایندگی از یک دانشجو در مقطع کارشناسی. با استفاده از سقوط 2019 اطلاعات ارائه شده توسط دفتر دانشگاهی, برنامه ریزی و بودجه چگونه بسیاری از دانش آموزان در هر عمده هر دانش آموز قرار داده شده بود در یکی از 76 ادارات و به طور تصادفی به سه دوره بودند که یا در درون خود گروه یا GEs با استفاده از stochastic بلوک مدل. هر دانش آموز است و سپس فرض می تواند متصل به هر دانش آموز دیگر آنها به اشتراک گذاشتن یک کلاس با این ویروس میتواند از بین متصل دانش آموزان است.

وابسته به ادارات داخلی برای اتصال در این مدل مطرح می شود در درجه اول از رشته/مدرسه سطح مورد نیاز مانند آموزش عمومی ، تنوع و زبان. برخی موارد دیگر مانند وابسته به ادارات داخلی الزامات و متقابل مثال برای فردی رشته افراد زیر سن قانونی و دو رشته هستند به حساب گرفته نمی شود. به طور کلی این عوامل به احتمال زیاد به این مدل بیشتر به هم پیوسته و مانند نسخه ما این است که یک محافظه کارانه تر تصویر. برخی دیگر از طاقچه موارد مانند دانش آموزان در آینده با اعتباری انتقال و یا دانش آموزانی که چشم پوشیدن از برخی الزامات استفاده از تست های تشخیصی در نظر گرفته نمی شود به عنوان مثال فرض بر این است که هر دانشجویی در طول تمام دوره های مورد نیاز در UCLA.

به کشف تجسم کشیدن نوار لغزنده زمان به جلو از طریق هفته از پاییز سال 2020 و یا بازی را فشار دهید به طور خودکار آن است. هر هفته یک آلوده دانشجو آلوده خواهد شد به طور متوسط R0 آموزان است. ارزش R0مجموعه به صفر به طور پیش فرض نیز می توان تنظیم با نوار لغزنده در بالای نمودار به بررسی نرخ های مختلف از عفونت است.

UCLA می تواند به حفظ یک R0 اگر دانشگاه پیاده سازی اجباری اجتماعی فاصله در کلاسهای درس نیاز به پوشیدن ماسک یا کافی را فراهم می کند مطابق با اصول بهداشتی محصولات به تمام کلاس های درس و سالن های سخنرانی. هر ترکیبی از این اقدامات را کاهش گسترش ویروس.

دانشجو شبکه

هفته از سقوط سه ماهه

در مدل ما شبکه دانش آموزان به طور متوسط به حال 228 اتصالات. ما فرار شبیه سازی 100 بار از هفته 0 به فینال هفته با R0 ارزش 5.7 و دریافتند که به طور متوسط 94 درصد از دانش آموزان آلوده شدند تا پایان سه ماهه پاییز. اوج جدید موارد رخ داده در هفته 6 با بیش از 11,000 موارد جدید. با کوچکتر R0 2.0 ما در بر داشت که 8 درصد از دانش آموزان آلوده شدند تا پایان سه ماهه پاییز.

ما همچنین محاسبه تعداد به طور متوسط از عفونت بیش از 100 اجرا می شود به صورت های مختلف مقادیر R0. جدول زیر نشان می دهد که تعداد افراد آلوده به طور متوسط از طریق 11 هفته برای تغییر مقادیر R0:

تعداد دانشجویان دوره لیسانس
R0 = 1
R0 = 2
R0 = 2.5
R0 = 3
R0 = 4
R0 = 5.7

پتانسیل گسترش ویروس کشیده بالا به حساب نمی تعاملات مشترک در فضاهای مانند Bruin پیاده روی کتابخانه ها سالن های غذاخوری و غیره. و یا این واقعیت است که همان سالن سخنرانی استفاده می شود یعنی همان صندلی ها مورد استفاده مجدد قرار و این سطوح ممکن است منبع عفونت. این مدل همچنین نشان نمی دهد پتانسیل گسترش از طریق به اشتراک گذاشته فضاهای زندگی مانند خوابگاه و آپارتمان. در نتیجه COVID-19 می تواند بسیار بیشتر عفونی از طریق UCLA جامعه نسبت به مدل های بالا نشان می دهد. در ترس از شیوع دانشگاه ایالتی کالیفرنیا در دانشگاه باقی خواهد ماند و بسته برای پاییز سال 2020 ترم و 23 دانشگاه ها در این سیستم اقدام را در درجه اول مجازی آموزش. UCLA هنوز برای تصمیم گیری در مورد اینکه آیا سقوط 2020 سه ماهه برگزار خواهد شد عملا و یا این که آیا وجود خواهد داشت برخی از فرد آموزش.

به عنوان از آوریل 11 وجود دارد بیش از 1.3 میلیون مورد تأیید و بیش از 80 ، 000 مرگ و میر در ایالات متحده در شهرستان لا وجود دارد بیش از 32,00 موارد تایید شده و بیش از 1500 مرگ و میر. لا شهرستان ارائه شده است رایگان coronavirus آزمون برای همه ساکنان و کار برای تست تا به 10000 نفر هر روز با هر یک از سایت قادر به در حال اجرا 100 تا 500 تست در هر روز. تا به یک در چهار COVID-19 بیماران ممکن است بدون علامت باقی می ماند و هرگز قرنطینه. بدون علامت حامل بنابراین ممکن است بیشتر احتمال دارد به گسترش این ویروس نسبت به کسانی که نشان می دهد نشانه های تست و قرنطینه خود را. این بسیار مهم است برای عمل اجتماعی فاصله شستن دست ها و پوشیدن ماسک های پارچه ای برای جلوگیری از گسترش ویروس به گفته CDC.

UCLA یک مدرسه بزرگ با یک خوبی متصل دانشجویی شبکه نما چالش های متعدد برای بازگشایی دانشگاه ها در پاییز.

برای به روز رسانی بیشتر در coronavirus اخبار مربوط به UCLA بازدید Daily Bruin را coronavirus داشبورد. برای کسب اطلاعات بیشتر در مورد چگونه دانش آموزان آسیب دیده اند و همه گیر بازدید Daily Bruin را “داستان ناتمام” پروژه. به برنامه رایگان COVID-19 آزمون در شهرستان لا و یا کسب اطلاعات بیشتر در مورد تست اینجا کلیک کنید. اطلاعات بیشتر در مورد کوروناویروس و COVID-19 از UCLA سلامت را می توان در اینجا یافت نشد.

یک تصادفی بلوک مدل در نظر مجموعه ای از جوامع گروه بندی شده توسط بخش مانند ریاضیات و هنر و تاریخ یا روانشناسی. بنابراین برای مثال در نظر بگیرید سه بخش مدرسه: علوم با 200 دانش آموزان کسب و کار با 150 نفر از دانشجويان و علوم انسانی با 170 دانش آموزان است. دانش آموز جوامع تنظیم شده است و سپس [200, 150, 170].

سپس یک ماتریس یک تعریف احتمالات استفاده می شود به طور تصادفی اختصاص دانشجویان از هر بخش دوره های آموزشی در بخش های دیگر. همراه, i, j, از نشان دهنده احتمال این که یک دانش آموز قرار دارد در گروه من یک دوره در گروه j. برای این مثال وجود دارد احتمال 0.7 که یک دانشجويان علوم را علوم کلاس 0.1 احتمال آنها را به یک کلاس کسب و کار و 0.2 احتمال آنها را علوم انسانی کلاس.

این مثال شبیه سازی احتمالات اما احتمالات در مدل ما هستند و بر اساس تعداد GE تنوع و دوره های زبان در هر عمده. بنابراین اگر یک کالج از حروف و علم و دانش آموز در بخش ریاضیات طول می کشد 140 واحد اصلی دوره های آموزشی و 40 واحد GEs سپس احتمال دانش آموز بودن و ثبت نام در بخش ریاضیات است و در دیگر جنرال الکتریک-ارائه بخش است که به نوبه خود در حال توزیع توسط بخش. بنابراین اگر وجود دارد GE دوره های ارائه شده در مجموع با دو نفر از آنها ارائه شده در گروه A و در حال ارائه در گروه B گروه یک خواهد شد که احتمال و گروه B خواهد شد که احتمال .

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>