Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Professore:
Igor Simone Stievano
Svolto da:
Marco Accorinti
Alberto Amore
Simona Cucchiara
Il termine "epidemia" deriva dal greco e significa "sulla popolazione", ovvero sta ad indicare il
verificarsi di una malattia che colpisce un certo numero di individui, chiamati anche "casi",
superiore a quello che ci si sarebbe aspettato, e può verificarsi in un certo intervallo
temporale, colpire una determinata popolazione oppure un'intera area geografica. Se l'area
colpita è particolarmente estesa si parla anche di "pandemia". Formulare un modello
matematico in grado di descrivere una certa epidemia diventa quindi di fondamentale
importanza per determinare le strategie migliori in grado di contrastare la sua trasmissione e,
di conseguenza, organizzarne l'individuazione, la prevenzione, la terapia ed il controllo.
Un’epidemia può avete tre diversi comportamenti:
• può estinguersi
• può diffondersi (stato endemico)
• può avere un comportamento ciclico, aumentando e diminuendo il suo effetto sulla
popolazione
Uno dei modelli più semplici utilizzati per analizzare un fenomeno epidemico è il modello
SIR, il quale può essere applicato ad ogni rete.
È un modello epidemiologico che calcola il numero teorico di persone in una popolazione
infette da una malattia contagiosa.
Uno dei modelli SIR di base è quello di Kermack-McKendrick, il quale fu il primo modello di
tipo differenziale, proposto nel 1927.
“SIR” è l’acronimo di suscettibile, infetto, rimosso. Infatti, per modellizzare la diffusione delle
malattie o di una epidemia, la popolazione deve essere suddivisa in diverse classi. Ad esempio,
per la maggior parte delle comuni malattie, ha senso suddividere la popolazione in quelle che
sono sensibili alla malattia (S), quelli che sono infetti (I) e quelli che hanno recuperato e sono
immuni (R). Il passaggio da una classe all'altra è determinato da specifici parametri che
possono essere estrapolati esclusivamente da dati empirici.
1. α: recovery rate, cioè il tasso con il quale un individuo infetto guarisce e viene rimosso.
([α]=giorni-1)
2. 𝛽: attack rate, cioè la frazione di individui che contraggono la malattia, attraverso il
contatto suscettibile-infetto, per unità di persone e giorni.
([𝛽]= giorni-1 persone-1 )
Indicando poi con la percentuale di persone che un individuo incontra in media al giorno, si
suppone questa una costante, in quanto si assume N (numero di individui della popolazione)
costante durante il periodo di studio, da cui segue che ogni individuo incontri statisticamente
lo stesso numero di persone. Questo implica che ogni individuo incontrerà un numero t
I(t)N di infetti per ogni lasso di tempo considerato t .
Sia, poi, P la probabilità che un individuo suscettibile, venendo a contatto con uno infetto,
contragga la malattia. Definiti tali parametri si ha che, in media, al giorno t-esimo un
individuo suscettibile ha probabilità P I(t) di contrarre la malattia e si può quindi assumere
che il numero di contagi nell’ intervallo di tempo t sia:
Supponendo che ogni giorno in media una percentuale di individui infetti passi alla classe
dei rimossi, significa che, al tempo t-esimo il numero di individui rimossi dallo studio clinico è
I(t)N. Queste considerazioni permettono di sviluppare tali uguaglianze:
Dividendo le relazioni (2) e (3) per N ed ricordando la (1) si ottiene un primo risultato
descrittivo del modello matematico su cui si costruirà l’ analisi:
̇ = − βI(t)S(t)
𝑆(𝑡)
{ ̇ = βS(t)I(t) − I(t)
𝐼(𝑡) t[0, T]
̇ = I(t)
𝑅(𝑡)
Dove le funzioni S(t), I(t), R(t) risultano derivabili con continuità nell’intervallo di tempo
considerato ed è semplice verificare come una tale costruzione del modello matematico
permetta di avere esistenza ed unicità della soluzione in virtù della regolarità e limitatezza
delle funzioni considerate nell’ intervallo compatto [0, T].
𝑑(𝜁(𝑡)) 𝑑𝑆(𝑡)
= + 𝐼(𝑡) + 𝑅(𝑡) = 𝑆̇(𝑡) + 𝐼 (̇ 𝑡) + 𝑅̇ (𝑡) = 0
𝑑𝑡 𝑑𝑡
Osservazione (): Fissato un giorno, dato che N è molto grande, dire che è la percentuale di
infetti che vengono rimossi equivale a dire che ogni infetto ha probabilità di essere rimosso
dallo studio in quel giorno. Si consideri un individuo che è appena stato contagiato e si indichi
con X la variabile aleatoria che assume valore n se la permanenza nel compartimento degli
infetti dura n giorni. Se denotiamo con τ la durata media della malattia, avremo che τ = E[X] e
X risulta essere una variabile geometrica con valore atteso E[X] = , da cui = τ−1. Quindi il
1
modello formulato può essere ottenuto anche conoscendo la durata media della malattia
invece della percentuale giornaliera di rimozione dalla classe degli infetti.
Dati sperimentali
Per definire le variabili di interesse β , , τ (si ricorda che τ rappresenta l’inverso del recovery
rate) sono stati raccolti i dati sperimentali dettagliati riferiti al periodo in cui si è verificato lo
sviluppo dell’ epidemia, in particolare, i dati raccolti di cui si riporta la rappresentazione
fanno riferimento al lasso di tempo che va dal 5 luglio al 15 agosto del 2010 e sono reperibili
tramite l’ articolo scientifico [2]:
I risultati di tale articolo hanno fornito degli intervalli di confidenza riguardanti il valore di β
in relazione all’ area geografica considerata e sono stati riportati nella seguente immagine:
𝑑𝑥
= 𝑓(𝑡, 𝑥)
𝑑𝑡
con condizione iniziale: 𝑥(0) = 𝑥𝑜 .
L’incognita del problema è la funzione 𝑥(𝑡) e la soluzione numerica sarà rappresentata da un
vettore di punti campionati nel tempo: 𝑥(𝑡𝑖 ).
Costruzione metodo:
𝑑𝑥
• La derivata prima viene approssimata con il rapporto incrementale:
𝑑𝑡
Algoritmo
o Passo 1:
Se 𝑡1 = 𝑡𝑜 + ∆𝑡 < 𝑡𝑓
Sia 𝑥1 = 𝑥(𝑡1 ) = 𝑥(𝑡𝑜 ) + 𝑓(𝑡𝑜 , 𝑥𝑜 )∆𝑡 = 𝑥0 + 𝑓(𝑡𝑜 , 𝑥𝑜 )∆𝑡
o Passo2:
Se t 2 = t1 + ∆t < 𝑡𝑓
Sia 𝑥2 = 𝑥(𝑡2 ) = 𝑥(𝑡1 ) + 𝑓(𝑡1 , 𝑥1 )∆𝑡 = 𝑥1 + 𝑓(𝑡1 , 𝑥1 )∆𝑡
.
.
.
o Passo i
Se 𝑡𝑖 = 𝑡𝑖−1 + ∆𝑡 < 𝑡𝑓
Sia 𝑥𝑖 = 𝑥(𝑡𝑖 ) = 𝑥(𝑡𝑖−1 ) + 𝑓(𝑡𝑖−1 , 𝑥𝑖−1 )∆𝑡 = 𝑥𝑖−1 + 𝑓(𝑡𝑖−1 , 𝑥𝑖−1 )∆𝑡
Analisi numerica
̇ = − βI(t)S(t)
𝑆(𝑡)
{ ̇ = βS(t)I(t) − I(t)
𝐼(𝑡)
̇ = I(t)
𝑅(𝑡)
Chiamando 𝑋 = ( 𝑆(𝑡), 𝐼(𝑡), 𝑅(𝑡) ) possiamo determinare i punti di equilibrio del seguente
sistema ponendo:
Perciò, all’equilibrio la percentuale delle persone infette sarà 0. Si nota sostituendo I(t)=0 al
sistema che la percentuale di persone suscettibili all’equilibrio non risulta essere
necessariamente 0 % , così come quella delle persone che hanno rimosso il virus non sarà
necessariamente 100 %. Si noterà che le curve S(t) e 𝑅(𝑡) tendono ad un valore costante.
Di seguito verranno riportati dei grafici qualitativi del comportamento della percentuale di
individui suscettibili, infetti e guariti al variare dei parametri e β che caratterizzano
l’epidemia, ottenti risolvendo il sistema attraverso il metodo di Eulero.
I grafici qualitativi seguenti rappresentano l’andamento di S(t), I(t) ed R(t) al variare del
tempo mantenendo fisso il recovery rate e facendo variare l’attack rate β e viceversa.
Dai grafici precedenti si nota che se β cresce, si ha uno sviluppo sempre più rapido
dell’epidemia e, conseguentemente, ad una crescita di I(t) che raggiunge un massimo sempre
più alto in un intervallo di tempo sempre più breve [0, 𝑡𝑚𝑎𝑥 ].
Inoltre si osserva che l’epidemia si estingue sempre più rapidamente, in quanto la pendenza
della funzione I(t) per 𝑡 > 𝑡𝑚𝑎𝑥 , è crescente in modulo al crescere di β.
• Si considera β = 0.00025 e = 0.1, 0.3, 0.5.
Dai grafici si evince il significato fisico del parametro . Infatti, all’aumentare del recovery
rate il numero di persone infettate diminuisce e la percentuale di persone che hanno rimosso
il virus cresce più rapidamente. Inoltre, si nota che il massimo valore di I(t) viene raggiunto
nello stesso tempo 𝑡 = 𝑡𝑚𝑎𝑥 in tutti i grafici.
Effetto soglia
Un altro parametro importante è definito come il rapporto tra il recovery rate e l’attack rate,
indicato con:
α
𝛾=
β
Verrà chiamato threshold number, in quanto come si vedrà dopo, rappresenta una soglia
caratteristica per lo studio dell’andamento degli individui infetti.
Il suo reciproco indica il numero atteso di infetti generati da ciascun individuo infetto in una
grande popolazione di suscettibili. Nello studio epidemiologico è una quantità molto
importante e misura essenzialmente il massimo potenziale riproduttivo per una malattia.
Si riprenda in esame il sistema di equazioni differenziali caratterizzante il modello:
̇ = − βI(t)S(t)
𝑆(𝑡)
{ ̇ = βS(t)I(t) − I(t)
𝐼(𝑡)
̇ = I(t)
𝑅(𝑡)
Riscrivendo la seconda equazione del sistema, si nota che la variazione della percentuale di
individui infetti dipende dal parametro 𝛾:
𝑑𝐼(𝑡) 𝛽 1
= 𝐼(𝑡) ( 𝑆(𝑡) − 1) = 𝐼(𝑡) ( 𝑆(𝑡) − 1)
𝑑𝑡 𝛾
Tenuto conto che il numero dei suscettibili S(t) diminuisce al passare del tempo, prima o
poi esso finirà sotto il valore soglia 𝛾 e il numero di ammalati comincerà a calare. Questo
implica che l’epidemia tenderà ad estinguersi.
Inoltre, dividendo la prima equazione per la terza si ottiene:
Nello studio di un epidemia è importante saper stimare la percentuale della popolazione che
sarà colpita dalla malattia. Questo equivale a studiare il limite di S(t) per valori di t molto
grandi e quindi trovare il numero massimo di individui contagiati in modo da avere una
misura dell’impatto che l’epidemia ha sulla popolazione.
Quindi, durante lo sviluppo dell’epidemia, il numero di suscettibili diminuisce e il numero di
rimossi aumenta. Dall’equazione si vede che il numero di suscettibili è sempre positivo in
1
− (𝑅(𝑡)−𝑅(0))
quanto 𝑒 𝛾 è sempre positiva.
Da questo possiamo affermare che ci sarà sempre un numero di suscettibili che sfugge
all’infezione. Quindi la catena trasmissiva dell’infezione si fermerà non per la mancanza di
suscettibili ma per la diminuzione e il declino degli infetti.
Di seguito riporteremo dei grafici al variare di 𝛾. Si terrà conto anche di 𝑆(0), cioè della
percentuale iniziale di persone suscettibili. La risposta grafica sarà la seguente:
(a) (b)
(c) (d)
Fissato 𝑆(0), più 𝛾 diventa grande, più la percentuale di persone infette fa fatica ad aumentare
con il passare dei giorni. Infine quando 𝛾 è prossimo o anche superiore a 𝑆(0), praticamente
l’epidemia non si sviluppa (d).
Ritratto di fase
Il ruolo di 𝛾 è importante in quanto permette di capire se i suscettibili finiranno comunque,
prima o poi, per ammalarsi o una parte di essi sfuggirà al contagio.
Al fine di ribadire il significato del threshold number, viene trovata la relazione tra I(t) ed S(t)
in modo tale da tracciarne il diagramma di fase. Considerando nuovamente il sistema di
equazioni differenziali e dividendo la seconda equazione per la prima si ottiene:
𝑆(𝑡)
𝐼(𝑡) = 𝐼(0) + 𝑆(0) − 𝑆(𝑡) + 𝛾𝑙𝑛 | |
𝑆(0)