Anwendung
Estimation of exogenous drivers to predict COVID-19 pandemic using a method from nonlinear control theory

The currently ongoing COVID-19 pandemic confronts governments and their health systems with great challenges for disease management. Epidemiological models play a crucial role, thereby assisting policymakers to predict the future course of infections and hospitalizations. One difficulty with current models is the existence of exogenous and unmeasurable variables and their significant effect on the infection dynamics. In this paper, we show how a method from nonlinear control theory can complement common compartmental epidemiological models. As a result, one can estimate and predict these exogenous variables requiring the reported infection cases as the only data source. The method allows to investigate how the estimates of exogenous variables are influenced by non-pharmaceutical interventions and how imminent epidemic waves could already be predicted at an early stage. In this way, the concept can serve as an “epidemometer” and guide the optimal timing of interventions. Analyses of the COVID-19 epidemic in various countries demonstrate the feasibility and potential of the proposed approach. The generic character of the method allows for straightforward extension to different epidemiological models.

Vorschau Estimation of exogenous drivers to predict COVID-19 pandemic using a method from nonlinear control theory

Diese Anwendung verwendet folgenden Datensatz/Dienst:

Teilen

2 Klicks für mehr Datenschutz: Ein wesentliches Open Data-Prinzip besagt, dass keine Daten veröffentlicht werden dürfen, die einen Rückschluss auf einzelne natürliche Personen zulassen. Ein ähnliches Prinzip zum Schutz persönlicher Daten wird auf data.gv.at bei Teilen-Buttons für Social-Media-Netzwerke verfolgt: da diese Teilen-Buttons allein beim Laden bereits Daten übermitteln, bieten wir Ihnen die Möglichkeit der Selbstbestimmung - Sie können selbst entscheiden, ob ein Teilen-Button aktiviert werden soll oder nicht.