Country-report pattern corrections of new cases allow accurate 2-week predictions of COVID-19 evolution with the Gompertz model
Villanueva Baxarias, Maria Inmaculada (Universitat Politècnica de Catalunya. Departament de Física)
Conesa Ortega, David (Universitat Politècnica de Catalunya. Departament de Física)
Català, Martí (University of Oxford. Nuffield Department of Orthopaedics, Rheumatology and Musculoskeletal Sciences)
López Cano, Cayetana (Universitat Politècnica de Catalunya. Departament de Física)
Perramon-Malavez, Aida (Universitat Politècnica de Catalunya. Departament de Física)
Molinuevo Gómez, Daniel (École Polytechnique Fédérale de Laussane. Medical Image Processing Lab)
López de Rioja, Víctor (Universitat Politècnica de Catalunya. Departament de Física)
López i Codina, Daniel (Universitat Politècnica de Catalunya. Departament de Física)
Alonso Muñoz, Sergio (Universitat Politècnica de Catalunya. Departament de Física)
Cardona, Pere-Joan (Institut Germans Trias i Pujol. Hospital Universitari Germans Trias i Pujol)
Montañola-Sales, Cristina (Universitat Ramon Llull. Departament de Mètodes Quantitatius)
Prats, Clara (Universitat Politècnica de Catalunya. Departament de Física)
Alvarez-Lacalle, Enrique (Universitat Politècnica de Catalunya. Departament de Física)
Universitat Autònoma de Barcelona. Departament de Genètica i de Microbiologia

Data:	2024
Resum:	Accurate short-term predictions of COVID-19 cases with empirical models allow Health Officials to prepare for hospital contingencies in a two-three week window given the delay between case reporting and the admission of patients in a hospital. We investigate the ability of Gompertz-type empiric models to provide accurate prediction up to two and three weeks to give a large window of preparation in case of a surge in virus transmission. We investigate the stability of the prediction and its accuracy using bi-weekly predictions during the last trimester of 2020 and 2021. Using data from 2020, we show that understanding and correcting for the daily reporting structure of cases in the different countries is key to accomplish accurate predictions. Furthermore, we found that filtering out predictions that are highly unstable to changes in the parameters of the model, which are roughly 20%, reduces strongly the number of predictions that are way-off. The method is then tested for robustness with data from 2021. We found that, for this data, only 1-2% of the one-week predictions were off by more than 50%. This increased to 3% for two-week predictions, and only for three-week predictions it reached 10%.
Ajuts:	Agència de Gestió d'Ajuts Universitaris i de Recerca 2021/SGR-00582 Ministerio de Ciencia e Innovación PID2022-139216NB-I00
Nota:	Altres ajuts: Ayudas Fundación BBVA a proyectos investigación científica 2021
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Llengua:	Anglès
Document:	Article ; recerca ; Versió publicada
Matèria:	Epidemiology ; Computational models
Publicat a:	Scientific reports, Vol. 14 (May 2024) , art. 10775, ISSN 2045-2322

DOI: 10.1038/s41598-024-61233-w
PMID: 38730261

14 p, 6.7 MB

El registre apareix a les col·leccions:
Documents de recerca > Documents dels grups de recerca de la UAB > Centres i grups de recerca (producció científica) > Ciències de la salut i biociències > Institut d'Investigació en Ciencies de la Salut Germans Trias i Pujol (IGTP)
Articles > Articles de recerca
Articles > Articles publicats