С момента начала пандемии COVID-19 язык Julia использовался для моделирования широкого спектра эпидемиологических приложений. К ним относятся влияние вакцинации, использование больниц, влияние скрытой передачи, последствия раннего повторного открытия и распространение виртуального вируса через токены Bluetooth. Вот руководство, показывающее различные эпидемиологические исследования, выполненные с использованием языка Julia.

(1) Прогноз использования больниц во время вспышек COVID-19 в США | Код | Бумага

В этом исследовании проанализировано влияние изоляции и раннего выявления симптомов на количество коек в отделениях интенсивной терапии, которые потребуются на пике вспышки COVID-19. В основе этого исследования лежала стратифицированная по возрасту компартментная модель, смоделированная в Джулии.

(2) Влияние вакцинации на вспышки коронавирусной болезни 2019 г. (COVID-19) в США | Код | Бумага

Это исследование пришло к выводу, что вакцинация может оказать существенное влияние на смягчение последствий вспышек COVID-19 даже при ограниченной защите от инфекции. В основе этого исследования лежала агентная модель на основе Джулии, параметризованная с учетом демографических данных США и возрастных исходов COVID-19.

(3) Изучение стратегий повторного открытия школ во время пандемии SARS-CoV-2 | Бумага

Это исследование пришло к выводу, что программы эпиднадзора с использованием менее чувствительных тестов могут быть адекватными для мониторинга инфекций в школьном сообществе, поскольку поддерживают низкий уровень инфекций и позволяют увеличить период обучения. Их модель предсказала, что уменьшение количества контактов через когорты дает больший эффект, чем уменьшение скорости передачи на контакт. В основе этого исследования лежала написанная Джулией модель SEIR (восприимчивые-зараженные-зараженные-выздоровевшие) с разделением по возрасту.

(4) Значение скрытой передачи для контроля вспышек COVID-19 | Код| Бумага

Это исследование показало, что большинство случаев может быть связано с бессимптомной передачей от комбинации досимптомной стадии и бессимптомных инфекций. Они количественно оценили эффект изоляции скрытых инфекций в дополнение к случаям с симптомами, обнаружив, что более одной трети скрытых инфекций необходимо изолировать, чтобы подавить будущую вспышку менее 1% населения. В основе этого исследования лежала стохастическая, стратифицированная по возрасту вычислительная модель на основе агентов.

(5) Прогноз спроса на койки для интенсивной терапии во время вспышек COVID-19 в Канаде | Код| Бумага

Это исследование пришло к выводу, что на пике вспышек COVID-19 потребность в коек ОИТ превысит общее количество коек ОИТ даже при самоизоляции на уровне 40%. Они продемонстрировали грядущие проблемы для системы здравоохранения в Канаде и потенциальную роль самоизоляции в снижении спроса на лечение в больницах и отделениях интенсивной терапии. В основе этого исследования лежала написанная Джулией стохастическая вычислительная модель, основанная на стратифицированных по возрасту агентах.

(6) Глобальный диагностический и сравнительный инструмент на основе машинного обучения для оценки влияния карантинного контроля на распространение COVID-19 | Код | Бумага

Это исследование было первой моделью научного машинного обучения (SciML), выпущенной во время пандемии. Он дополнил модель SIR, интегрировав компоненты нейронной сети для моделирования силы карантина. Результирующая модель (называемая моделью QSIR) не только намного более выразительна, чем модель SIR, но и по своей природе легко интерпретируется! Модель QSIR можно использовать в качестве диагностического инструмента для понимания ситуации с карантином на местах в любом интересующем регионе.

(7) Последствия отложенного открытия для контроля вспышки COVID-19 в южной и западно-центральной части США | Код | Бумага

Это исследование показало, что, если бы южные и западно-центральные штаты США не открылись ранее в июне-августе 2020 года, большое количество инфекций было бы сокращено. В основе этого исследования лежит структура научного машинного обучения (SciML), написанная на языке Julia.

(8) Safe Blues: случай виртуального безопасного распространения вируса в долгосрочной борьбе с эпидемиями | Код | Бумага 1 | Бумага 2

В этом исследовании была представлена ​​концепция нитей «SafeBlues». Нити Safe Blues — это безопасные виртуальные «вирусоподобные» токены, которые реагируют на директивы социального дистанцирования так же, как настоящий вирус. Однако они распространяются с помощью Bluetooth и измеряются онлайн. Они показали, что данные о токенах Safe Blues в режиме реального времени можно использовать для оценки текущего и ближайшего состояния эпидемии. Модуль глубокого обучения в этом исследовании представляет собой среду научного машинного обучения (SciML), написанную Джулией.

(9) Приоритизация вакцинации против COVID-19 в меняющихся социальных и эпидемиологических условиях: исследование с помощью математического моделирования | Код | Бумага

Это исследование показало, что стратегии прерывания передачи становятся относительно более эффективными со временем по мере формирования коллективного иммунитета. В исследовании сделан вывод о том, что наиболее эффективная стратегия вакцинации для снижения смертности от COVID-19 зависит от времени течения пандемии среди населения. Для более поздних дат начала вакцинации использование вакцин против SARS-CoV-2 для прерывания передачи может предотвратить больше смертей, чем приоритизация уязвимых возрастных групп. Основой этого исследования была модель SEPAIR, стратифицированная по возрасту (восприимчивый, подвергшийся воздействию, предсимптомный, бессимптомный, симптоматический, удаленный).

(10) Некоторые другие руководства

(а) Различные реализации классической модели SIR в Julia | Код|

(b) Стратегии выхода из Covid-19 (COEXIST) Реализация Джулии | Код| . Ускорение в 36000 раз наблюдается при использовании ModelingToolkit, пакета Julia для высокопроизводительных символьных вычислений | Код |

(c) Введение в универсальные дифференциальные уравнения: как интегрировать нейронные сети с моделями эпидемии в Джулии | Код |

(d) Применение Covid-19: использование моделей эпидемии с помощью нейронных сетей для диагностики силы карантина в любом регионе мира | Код |

(11) Соответствующие пакеты Julia

(a) Введение в дифференциальные уравнения в Джулии [Документация]

(b) Введение в экосистему научного машинного обучения (SciML) в Джулии [Документация]

(c) Введение в ModelingToolkit: язык высокопроизводительных символьных вычислений в Джулии [Документация]

(d) Введение в Catalyst: язык символического моделирования для сетевого моделирования химических реакций [Документация]