epymorph transforma comparações de modelos epidêmicos espaciais em experimentos de previsão controlada

O que aconteceu

Os modelos de metapopulação são amplamente utilizados para entender e prever epidemias, mas muitas vezes são construídos como códigos complexos, personalizados, nos quais suposições sobre transmissão, movimento e geografia são entrelaçadas e obscuras, tornando esses modelos difíceis de construir e reproduzir, e o efeito de qualquer componente único difícil de isolar. Aqui apresentamos epymorph, um pacote Python que implementa uma nova concepção de modelagem de metapopulação de doenças centrada em padronização, modularidade e componentes intercambiáveis. epymorph constrói modelos espaciais de transmissão, movimento e componentes geográficos especificados separadamente, recupera os dados que cada componente requer, e estima parâmetros de variação de tempo e espaço com filtros Bayesianos incorporados, os quais se canalizam diretamente em previsões probabilísticas. Usamos dois experimentos de previsão para mostrar como o epymorph permite testar hipóteses computacionais. Ao longo da temporada de influenza 2025-2026, a estratificação da população por idade melhorou as previsões de internações hospitalares, mas apenas com uma matriz de contato empiricamente derivada. Para a onda de inverno 2020-2021 SARS-CoV-2, os dados de deslocamento melhoraram as previsões de censos hospitalares em nível municipal, mas um modelo estadual forneceu as melhores previsões estaduais. Ao tornar os componentes do modelo intercambiáveis, o epymorph permite a exploração controlada e reprodutível sobre quais estruturas do modelo funcionam melhor para regiões específicas e para patógenos particulares.