skip to Main Content
Fig5
Fig5
Fig5

Il Cnr-Icar in collaborazione con l’università TU Delft (NL) ha implementato un modello previsionale per valutare l’andamento dei nuovi casi positivi e dei nuovi decessi per COVID-19 in Italia. Il modello proposto, denominato NIPA-LD (Network Inference-based Prediction Algorithm with LockDown), è un modello epidemiologico SIR tempo-discreto. Tale modello prevede che ogni individuo possa trovarsi nello stato S (Suscettibile – sano ma contagiabile), I (Infetto), o R (Recovered – guarito dall’infezione o, sfortunatamente, deceduto). Seguendo un approccio network-based, in NIPA-LD, i contatti avvengono fra nodi di un network costituito dalle varie popolazioni regionali. Tale algoritmo predittivo parte da una rete di contatti di questo tipo per stimare i parametri di diffusione del modello SIR. Nello specifico, i tassi di infezione fra regioni e quelli di cura vengono stimati partendo dalle serie di dati temporali sui nuovi casi positivi (o decessi nel caso di previsione di questi ultimi) dal  1 Marzo 2020 fino ad un giorno n per poi predire l’evoluzione del virus nei giorni successivi ad n.

A differenza di un modello SIR classico in cui i tassi di infezione sono costanti, sono stati applicati dei transmission modifiers al fine di far variare i tassi di trasmissione del virus in base alle chiusure imposte dal Governo Italiano durante le varie fasi del lockdown. Così facendo, il modello contempla una probabilità di contagio più bassa se sono attive delle misure restrittive.

I risultati di tale lavoro di ricerca dimostrano come la previsione di NIPA-LD sia più accurata rispetto ad un modello SIR classico. Tale modello previsionale, inoltre, permetterebbe di valutare quali strategie di lockdown siano più appropriate per la gestione della curva epidemica.

Per maggiori informazioni, il lavoro è disponibile con accesso libero nel repository ArXiv all’indirizzo:

https://arxiv.org/pdf/2010.14453.pdf

Partners:

  • ICAR- CNR (Clara Pizzuti, Annalisa Socievole)
  • TU Delft, Faculty of Electrical Engineering, Mathematics and Computer Science, NL (Bastian Prasse, Piet Van Mieghem)

Back To Top