Kolejne dane spływające do ExMetrix na temat rozwoju epidemii w krajach, gdzie liczba codziennych zachorowań już spada pozwoliły ustalić, że spadek ten przebiega 1.5 - 2 razy wolniej niż wcześniejsze wzrosty. Fakt ten uwzględniony został w naszym modelu. Ponadto zamieszczamy analizy „what-if” o liczbie zakażeń , której można by się spodziewać, gdybyśmy nie przestrzegali obostrzeń, albo nasze społeczeństwo było starsze. Prezentacja dotycząca tych zagadnień znajduje się tutaj: https://www.slideshare.net/Zbigniewuko/ex-metrix-2104202043
W międzyczasie okazało się też, że liczba testów potrzebnych do wykrycia jednego zakażenia wzrosła z 19 do 23 (liczba wszystkich dotychczas przeprowadzonych testów odniesiona do liczby wykrytych zakażeń). Jeżeli ta tendencja się utrzyma, to oznaczać będzie stopniowe rozrzedzanie osób zakażonych w całej populacji.
Analizy „what – if”.
Przestrzeganie obostrzeń.
Jak wielokrotnie wspominaliśmy, kluczowym czynnikiem determinującym ilość zakażeń jest izolacja społeczna. Poniżej przedstawiamy analizę wrażliwości modelu na zmianę tego parametru. Okazuje się, że gdyby wprowadzone obostrzenia były słabe lub ludzie by ich nie przestrzegali, moglibyśmy mieć obecnie około 60 tysięcy wykrytych przypadków.
"Luzowanie obostrzeń jest istotne zarówno z ze względu na gospodarkę , jak również z powodu „granic wytrzymałości społecznej”. Należy to jednak robić bardzo rozsądnie, obserwując wpływ tych działań na sytuację związaną z epidemią." - uważa Ryszard Łukoś główny analityk ExMetrix
Wiek i otyłość społeczeństwa.
Rozwój epidemii oraz ilość zgonów wywołanych wirusem jest silnie skorelowana z ilością ludzi w poszczególnych grupach wiekowych oraz ze wskaźnikami otyłości.
„Włochy i Hiszpania są krajami z dużym odsetkiem osób starszych. Wielka Brytania i USA są bardziej otyłe” – mówi Ryszard Łukoś.
Wg danych Banku Światowego prawie 37% kobiet i 35% mężczyzn w USA cierpi z powodu nadwagi. W Chinach to odpowiednio 6,5% i 5,9%. Pomimo tego, że społeczeństwo amerykańskie wydaje się stosunkowo młode (jedynie 3,9% populacji powyżej 80 roku życia, to i tak jest to 2 razy więcej niż w Chinach gdzie udział ludzi powyżej 80 lat to zaledwie 2%. W Hiszpanii to aż 6,1% a we Włoszech 7%.
Jak te dane wyglądają w Polsce?
Otyłość kobiety 22.2%
Otyłość mężczyźni 23.7%
Nadwaga (bez rozróżniania płci) 58.3%
Osoby 80 plus 4.4%
Średnia wieku w latach 42.2
Plasujemy się więc gdzieś pośrodku.
Poniżej porównanie przebiegu krzywej zakażeń w przypadku, gdybyśmy byli społeczeństwem tak starym jak włoskie (pułap liczby zachorowań wyższy o około 1000) lub tak młodym jak koreańskie (pułap niższy o około 2000):
Kolejne porównanie dotyczy przebiegu krzywej zakażeń w przypadku, gdybyśmy byli społeczeństwem tak otyłym jak w USA (pułap liczby zachorowań wyższy o około 2000) lub tak szczupłym jak w Chinach (pułap niższy o około 3000).
Prognozowane i rzeczywiste dzienne przyrosty liczby zakażeń:
Dotychczasowa realizacja oraz prognoza na kolejny dzień znajduje się w poniższej tabeli:
Data |
Forecast - central path |
Real value |
Percentage error % |
MPE error % | |
2020-03-22 |
588 |
634 |
-8.50 |
8.50 | |
2020-03-23 |
725 |
749 |
-4.10 |
6.30 | |
2020-03-24 |
891 |
901 |
-1.90 |
4.83 | |
2020-03-25 |
1089 |
1051 |
3.00 |
4.38 | |
2020-03-26 |
1324 |
1221 |
7.90 |
5.08 | |
2020-03-27 |
1598 |
1389 |
15.05 |
6.74 | |
2020-03-28 |
1783 |
1638 |
8.85 |
7.04 | |
2020-03-29(r) |
2089 |
1862 |
12.19 |
7.69 | |
2020-03-30 |
2147 |
2055 |
4.48 |
7.33 | |
2020-03-31 |
2383 |
2311 |
3.12 |
6.91 | |
2020-04-01 |
2706 |
2554 |
5.95 |
6.82 | |
2020-04-02 |
3034 |
2946 |
2.99 |
6.50 | |
2020-04-03 |
3420 |
3383 |
1.09 |
6.09 | |
2020-04-04 |
3832 |
3627 |
5.65 |
6.05 | |
2020-04-05 |
4228 |
4102 |
3.07 |
5.86 | |
2020-04-06 |
4677 |
4413 |
5.98 |
5.86 | |
2020-04-07(r) |
4960 |
4848 |
2.31 |
5.65 | |
2020-04-08 |
5422 |
5205 |
4.17 |
5.57 | |
2020-04-09 |
5746 |
5575 |
3.07 |
5.44 | |
2020-04-10 |
6122 |
5955 |
2.80 |
5.31 | |
2020-04-11 |
6481 |
6356 |
1.97 |
5.15 | |
2020-04-12 |
6818 |
6674 |
2.16 |
5.01 | |
2020-04-13 |
7020 |
6934 |
1.24 |
4.85 | |
2020-04-14 |
7365 |
7202 |
2.26 |
4.74 | |
2020-04-15 |
7632 |
7582 |
0.66 |
4.58 | |
2020-04-16(r) |
8048 |
7918 |
1.64 |
4.47 | |
2020-04-17 |
8483 |
8379 |
1.24 |
4.35 | |
2020-04-18 |
8800 |
8742 |
0.66 |
4.21 | |
2020-04-19 |
9223 |
9287 |
-0.69 |
4.09 | |
2020-04-20 |
9560 |
9593 |
-0.34 |
3.97 | |
2020-04-21 |
9884 |
9856 |
0.28 |
3.85 | |
2020-04-22 |
10193 |
10169 |
0.24 |
3.74 | |
2020-04-23(r) |
10485 |
10511 |
-0.2 |
3.62 | |
2020-04-24 |
10758 | ||||
2020-04-25 |
11012 | ||||
2020-04-26 |
11246 | ||||
2020-04-27 |
11457 | ||||
2020-04-28 |
11646 |
W budowie modelu przebiegu epidemii wirusa zostały uwzględnione następujące obszary informacyjne:
- Dotychczasowy przebieg pandemii w wielu krajach
- Czynniki meteorologiczne
- Stan opieki zdrowotnej w danym kraju
- Stan kondycji zdrowotnej społeczeństwa, ze szczególnym uwzględnieniem czynników ryzyka takich jak, choroby onkologiczne, kardiologiczne, cukrzyca i otyłość
- Strukturę demograficzną społeczeństwa. Szczególnie zwracaliśmy uwagę na odsetek ludzi w podeszłym wieku
- Poziom restrykcji stosowanych przez władze i przestrzeganie ich przez obywateli
Model został zbudowany przy wykorzystaniu technologii z zakresu sztucznej inteligencji (sieci neuronowe i symulowane wyżarzanie). Technologia ta pozwoliła oszacować wpływ informacji z wymienionych obszarów na takie parametry krzywej zakażeń, jak:
- nachylenie – odzwierciedlające przyrost liczby zakażonych w danej chwili
- rozpiętość – pozwalająca określić maksymalny pułap liczby zachorowań oraz czas trwania epidemii
Założenia, ryzyko sprawdzalności:
Przy budowie modelu założyliśmy, że statystyki w krajach dotkniętych COVID-19 nie były zatajane ani sztucznie modyfikowane.
Źródło danych o liczbie zakażeń:
Johns Hopkins University
https://github.com/CSSEGISandData/COVID-19/tree/master/csse_covid_19_data/csse_covid_19_time_series
Źródła danych opisujących poszczególne obszary uwzględnione w modelu:
OECD, World Bank, http://population.city/, https://www.accuweather.com
ExMetrix to spółka zajmująca się prognozowaniem ekonomicznym i społecznym, która tworzy oprogramowanie wykorzystujące najnowsze modele statystyczne i numeryczne oparte o Machine Learning, Sztuczną Inteligencję i Sieci Neuronowe. ExMetrix daje dostęp do gotowych modeli statystycznych i predykcyjnych oraz umożliwia tworzenie własnych modeli, bazując na 80 milionach strumieni danych dostępnych w systemie lub na dowolnych zbiorach własnych danych. Z ExMetrix korzysta kilkadziesiąt organizacji różnej wielkości, m.in. Grupa Azoty. Oprogramowanie wykorzystywane jest również do edukacji studentów na UEK i UMCS. Współzałożycielami i inwestorami ExMetrix są Grzegorz Błażewicz i Konrad Pawlus, założyciele spółki SALESmanago, wiodącej na świecie firmy zajmującej się Big Data, Customer Experience i Marketing Automation.