گزارش ویژه: شبیه‌سازی‌های محرک پاسخ جهان به کووید۱۹

منتشر‌شده در: مجله nature به تاریخ ۰۲ آپریل ۲۰۲۰
لینک منبع: Special report: The simulations driving the world’s response to COVID-19

وقتی نیل فرگوسن از قلب دولت بریتانیا در خیابان داونینگ لندن دیدن کرد، به پاندمی کووید۱۹ بسیار نزدیک‌تر از چیزی بود که فکر می‌کرد. فرگوسن، متخصص ریاضی اپیدمیولوژی در کالج امپریال لندن، در اواسط ماه مارس آخرین نتایج مدل‌های کامپیوتری تیم خود را به اطلاع مقامات رساند، که گسترش سریع ویروس کرونا SARS-CoV-۲ در میان جمعیت بریتانیا را شبیه‌سازی کرد. کم‌تر از ۳۶ ساعت بعد، او در توییتر اعلام کرد که تب و سرفه دارد. پس از آن نتیجه تست او مثبت اعلام شد. دانشمندی که بیماری را ردیابی می‌کرد به یک نقطه داده در پروژه خود تبدیل شده‌بود.

فرگوسن یکی از چهره‌های مهم در استفاده از مدل‌های ریاضی است که گسترش ویروس را پیش‌بینی می‌کند و نشان می‌دهد که چگونه اقدامات دولت می‌تواند روند شیوع بیماری را تغییر دهد. فرگوسن که با نشانه‌های نسبتا ملایم کووید۱۹ خود رو به رو می‌شد، می‌گوید: " این چند ماه بسیار فشرده و خسته‌کننده بود.  من واقعا از اواسط ژانویه یک روز تعطیل نداشتم."

تحقیقات بیشتر از این به سیاست مربوط نمی‌شوند. هنگامی که داده‌های به روز شده در مدل ۱ تیم امپریال نشان داد که خدمات بهداشتی بریتانیا به زودی با موارد شدید کووید۱۹ درهم خواهد شکست، و اگر دولت اقدامی انجام ندهد ممکن است با بیش از ۵۰۰،۰۰۰ مرگ مواجه شود، نخست‌وزیر بوریس جانسون تقریبا بلافاصله محدودیت‌های جدید سخت گیرانه ای را بر روی فعالیت‌های مردم اعلام کرد. همان مدل نشان داد که بدون هیچ اقدامی، ایالات‌متحده ممکن است با ۲/۲ میلیون مرگ مواجه شود؛ این نتیجه با کاخ سفید به اشتراک گذاشته شد و راهنمایی جدید در مورد فاصله اجتماعی به سرعت دنبال شد ("شوک شبیه‌سازی" را ببینید).

دولت‌ها در سراسر جهان برای کمک به هدایت تصمیمات در برابر این بیماری همه‌گیر به پیش‌بینی‌های ریاضی متکی هستند. فرگوسن اشاره می‌کند که شبیه‌سازی‌های کامپیوتری تنها بخشی از تجزیه و تحلیل داده‌ها را تشکیل می‌دهند که تیم‌های مدل‌سازی در بحران انجام داده‌اند، اما آن‌ها بخش مهمی از سیاست گذاری هستند. اما همانطور که او و سایر مدل‌سازها هشدار می‌دهند، اطلاعات زیادی در مورد چگونگی گسترش SARS-CoV-۲ هنوز ناشناخته است و باید تخمین زده شود یا فرض شود-و این دقت پیش‌بینی‌ها را محدود می‌کند. برای مثال، نسخه قبلی مدل تیم امپریال، برآورد کرد که SARS-CoV-۲ به اندازه آنفولانزا در نیاز به بستری شدم افراد مبتلا شدید است. معلوم شد که این پیش بینی اشتباه است.

عملکرد واقعی شبیه‌سازی‌ها در این پاندمی ممکن است تنها چند ماه یا چند سال بعد مشخص شود. اما برای درک ارزش مدل‌های کووید۱۹، بسیار مهم است که بدانیم آن‌ها چگونه ساخته می‌شوند و فرضیاتی که براساس آن ساخته می‌شوند را بشناسیم. فرگوسن گفت: " ما در حال ساخت نمونه‌های ساده شده واقعیت هستیم. مدل‌ها توپ‌های بلوری نیستند."

مدل‌های ویروس کرونا: اصول

بسیاری از مدل‌هایی که چگونگی گسترش بیماری‌ها را شبیه‌سازی می‌کنند، گروه‌های آکادمیک منحصر به فردی هستند که سال‌ها در حال توسعه آن‌ها بوده‌اند. اما اصول ریاضی شبیه هم هستند. آن‌ها براساس تلاش برای درک این که چگونه و با چه سرعتی افراد بین سه حالت اصلی حرکت می‌کنند: افراد یا مستعد (S) ویروس هستند؛ یا آلوده (I) شده‌اند؛ و یا بهبود می‌یابند (R) یا می‌میرند. تصور می‌شود که گروه R نسبت به ویروس ایمن باشد، بنابراین دیگر نمی‌تواند مبتلا به عفونت شوند. افراد با ایمنی طبیعی نیز به این گروه تعلق دارند.

ساده‌ترین مدل‌های SIR فرضیات اساسی را ایجاد می‌کنند، مانند این که هر کسی شانس مشابهی برای گرفتن ویروس از یک فرد آلوده دارد چون جمعیت کاملا و به طور مساوی مخلوط است، و اینکه افراد مبتلا تا وقتی که بمیرند و یا بهبود یابند به طور مساوی آلوده هستند. مدل‌های پیشرفته‌تر، که پیش‌بینی کمی سیاست گذاران را در طی یک پاندمی نوظهور نیاز دارند، افراد را به گروه‌های کوچک‌تر-از نظر سن، جنس، وضعیت سلامت، اشتغال، تعداد تماس‌ها، و غیره-تقسیم می‌کنند تا مشخص کنند چه کسانی را، چه زمانی و در چه مکان‌هایی ملاقات می‌کنند (به "اندازه‌گیری اختلاط اجتماعی" مراجعه کنید).

با استفاده از اطلاعات دقیق در مورد اندازه و تراکم جمعیت، سن افراد، ارتباطات حمل و نقل، اندازه شبکه‌های اجتماعی و ارائه خدمات بهداشتی، مدل‌سازها یک کپی مجازی از یک شهر، منطقه یا کل کشور را با استفاده از معادلات دیفرانسیل برای کنترل حرکات و تعاملات گروه‌های جمعیتی در فضا و زمان می‌سازند. سپس آن‌ها این عفونت را در این دنیا می‌کارند و تماشا می‌کنند که چه چیزهایی آشکار می‌شوند.

اما این امر به نوبه خود نیازمند اطلاعاتی است، مانند نسبت افراد آلوده که می‌میرند، و عدد تکثیر پایه (R [ ۰ ])- تعداد افرادی که به طور متوسط یک فرد مبتلا، به ویروس را به آن‌ها منتقل خواهد کرد-  که تنها در آغاز یک اپیدمی، به طور حدودی تخمین زده شود. به عنوان مثال، مدل‌سازها در امپریال، در گزارش ۱۶ مارس خود ۱ تخمین زدند که ۰.۹٪ از افراد مبتلا به کووید۱۹ می‌میرند (رقمی که با آمار خاص بریتانیا مطابقت دارد) ؛ که R ۰ بین ۲ و ۲.۶ بود؛ و SARS-CoV-۲ ۵.۱ روز طول می‌کشد تا در یک فرد مبتلا به عفونت بروز پیدا کند. آن‌ها همچنین فرض کردند که افرادی که علائم بیماری را نشان نمی‌دهند، همچنان می‌توانند ویروس را ۴.۶ روز بعد از عفونت گسترش دهند؛ که دیگران می‌توانند ویروس را از ۱۲ ساعت قبل از ظهور علائم بیماری پخش کنند؛ و گروه دوم ۵۰٪ عفونی تر از گروه اول هستند. این ارقام به دیگر انواع مدل‌سازی بستگی دارد: برآوردهای تقریبی اپیدمیولوژیست‌ها که سعی در کنار هم قرار دادن ویژگی‌های اصلی ویروس از اطلاعات ناقص در کشورهای مختلف در مراحل اولیه پاندمی جهانی دارد.

در عین حال، برخی پارامترها باید به طور کامل فرض شوند. برای مثال، تیم امپریال باید حدس می‌زد که هیچ ایمنی طبیعی برای کووید۱۹ وجود ندارد-بنابراین کل جمعیت در گروه حساس قرار می‌گیرد-و افرادی که از کووید۱۹ بهبود می‌یابند در کوتاه‌مدت از عفونت مجدد مصون هستند.

اجرای شبیه‌سازی با استفاده از این پارامترها همیشه همان پیش‌بینی را خواهد داشت. اما شبیه‌سازی‌هایی که به عنوان مدل‌های تصادفی شناخته می‌شوند، یک تصادف کوچک را تزریق می‌کنند-مثلا چرخش یک تاس مجازی برای دیدن اینکه آیا کسی در گروه I شخص S را در زمان ملاقات تحت‌تاثیر قرار می‌دهد یا خیر. زمانی که مدل چندین بار اجرا می‌شود، این کار طیف وسیعی از احتمالات احتمالی را ایجاد می‌کند.

مدل‌سازها همچنین فعالیت‌های مردم را به روش‌های مختلف شبیه‌سازی می‌کنند. در مدل‌های مبتنی بر معادله، افراد به گروه‌های جمعیتی دسته‌بندی می‌شوند. اما از آنجا که گروه‌ها به زیر مجموعه‌های اجتماعی کوچک‌تر و نمایان‌تر تقسیم می‌شوند تا واقعیت را بهتر منعکس کنند، مدل‌ها به طور فزاینده‌ای پیچیده می‌شوند. یک روش جایگزین استفاده از یک روش "مبتنی بر عامل" است که در آن هر فرد در اطراف حرکت می‌کند و مطابق با قوانین خاص خود عمل می‌کند-نسبتا شبیه شخصیت‌های شبیه‌سازی شده در سری بازی‌های ویدیویی سیمز.

الیزابت هانتر، که بر روی مدل‌های انتقال بیماری در دانشگاه فنی دوبلین کار می‌کند، می‌گوید: " شما چند خط کد دارید، و آن‌ها نشان می‌دهند که عوامل چگونه عمل می‌کنند و چگونه روز خود را می گذرانند."

مدل‌های مبتنی بر عامل، همان دنیای مجازی را همانند دنیای مبتنی بر معادله ایجاد می‌کنند، اما هر فرد می‌تواند در یک روز یا در یک موقعیت یک‌سان رفتار متفاوتی داشته باشد. کاتلین او ریلی، متخصص بیماری‌های همه‌گیر در دانشکده بهداشت و پزشکی گرمسیری لندن (LSHTM) می‌گوید: " این مدل‌های بسیار خاص به شدت نیازمند داده‌ها هستند." برای مثال، محققان در LSHTM، کالج دانشگاهی لندن و دانشگاه کمبریج انگلستان، داده‌های تماس اجتماعی را از بیش از ۳۶۰۰۰ داوطلب در یک پروژه علوم شهروندی که از طریق بی‌بی‌سی، رسانه ملی بریتانیا اجرا می‌شود، جمع‌آوری کرده‌اند. برخی از مدل‌سازهایی که به دولت بریتانیا کمک می‌کنند از این مجموعه داده‌ها استفاده کردند که در پیش چاپ فوریه گزارش شد.

کدام مدل را انتخاب کنید؟

تیم امپریال از هر دو مدل مبتنی بر عامل و مبتنی بر معادله در این پاندمی استفاده کرده‌است. شبیه‌سازی‌های ۱۶ مارس نشان داد که این تیم برای آگاه کردن دولت بریتانیا از واکنش کووید۱۹ از یک مدل مبتنی بر عامل که در سال ۲۰۰۵ ساخته شده‌بود استفاده کرد تا ببیند در صورتی که آنفلوآنزای مرغی H5N1 به گونه‌ای تغییر کند که بتواند به راحتی بین مردم پخش شود چه اتفاقی در تایلند رخ خواهد داد. (در سال ۲۰۰۶، از همین مدل برای مطالعه این که چگونه بریتانیا و ایالات‌متحده ممکن است تاثیر یک پاندمی مرگبار را کاهش دهند، استفاده شد). فرگوسن در سال ۲۰۰۵ به Nature گفت که جمع‌آوری داده‌های دقیق در مورد جمعیت تایلند سخت‌تر از نوشتن کد برنامه‌نویسی برای این مدل بود. فرگوسن می‌گوید که این کد زمانی که پیش‌بینی تیم او از پاندمی کرونا ویروس برای اولین بار آشکار شد منتشر نشد، اما این تیم با مایکروسافت هم‌کاری می‌کند تا کد را مرتب کرده و آن را در دسترس قرار دهد.

در ۲۶ مارس، فرگوسن و تیمش پیش‌بینی‌های جهانی از تاثیر کووید۱۹ را منتشر کردند که از روش ساده مبتنی بر معادله ۵ استفاده می‌کند. این روش مردم را به چهار گروه تقسیم می‌کند: S، E، I و R، که در آن E به کسانی اشاره می‌کند که در معرض قرار گرفته‌اند اما هنوز آلوده نیستند. آزرا غنی یک متخصص بیماری‌های همه‌گیر که عضو گروه امپریال نیز هست، می‌گوید: " آن‌ها تعدادهای کلی مشابهی دارند." برای مثال، پیش‌بینی‌های جهانی نشان می‌دهد که اگر ایالات‌متحده اقدامی علیه این ویروس انجام نمی‌داد، می‌توانست ۲.۱۸ میلیون مرگ را شاهد باشد. در مقایسه، شبیه‌سازی اولیه مبتنی بر عامل، با استفاده از همان فرضیات در مورد نرخ مرگ و میر و تعداد تولید مثل اجرا می‌شود که میزان مرگ و میر ۲/۲ میلیون آمریکایی را برآورد می‌کند.

ویتوریا کولیزا، طراح موسسه امراض مسری و سلامت عمومی پیر لوئیس در پاریس، که در شرایط اضطراری کنونی به دولت فرانسه مشاوره می‌دهد، می‌گوید که انواع مختلف مدل نقاط قوت و ضعف خود را دارند. او می‌گوید: " این به سوالی که می‌خواهید بپرسید بستگی دارد."

یک تفاوت در تعداد افرادی است که مدل‌سازها انتظار دارند به همان روش عمل کنند. توانایی جمع کردن یک گروه در یک محفظه در یک مدل مبتنی بر معادله، کارها را ساده‌تر-و سریع‌تر-می‌کند، زیرا مدل نیاز ندارد در سطح تفکیک پذیری بالایی از رفتار با همه به عنوان یک فرد اجرا شود. هنگامی که کولیزا و تیم او می‌خواستند تاثیرات بر میزان آلودگی بخش‌های بزرگی از جمعیت فرانسه را برای کار در خانه مورد آزمایش قرار دهند، برای مثال، او از یک مدل مبتنی بر معادله استفاده کرد. پاو می‌گوید: " ما نیازی نداشتیم که تک‌تک افراد را به طور جداگانه دنبال کنیم و ببینیم که آیا آن‌ها زمانی را در سر کار یا زمانی را در مدرسه می گذرانند یا خیر."

اگرچه ممکن است پیش‌بینی‌ها بسته به رویکرد انتخاب‌شده به طور گسترده واگرا نشوند، اما طبیعی است که بدانیم هر کدام از شبیه‌سازی‌ها تا چه حد قابل‌اطمینان هستند. متاسفانه، در طی یک پاندمی فراگیر، به سختی می توان اطلاعاتی-مانند میزان آلودگی-را بدست آورد که در برابر آن بتوان درباره پیش‌بینی‌های یک مدل قضاوت کرد.

شما می‌توانید به جلو حرکت کنید و سپس با آنچه به دست می‌آورید مقایسه کنید. اما مشکل این است که سیستم‌های نظارتی ما کاملا بی‌ارزش هستند." " تعداد کل موارد گزارش‌شده، صحیح است؟ نه. جایی دقیق هست؟ نه

ادموندز و تیم او در سال گذشته در مقاله‌ای ۶ که عملکرد پیش‌بینی‌های انجام‌شده در شیوع ۱۵-۲۰۱۴ ابولا در سیرالئون را ارزیابی کرد اشاره کردند: " پیش‌بینی‌ها که در طی یک شیوع به ندرت در طول یا بعد از رویداد برای دقت شان مورد بررسی قرار می‌گیرند، و تنها به تازگی پیش‌بینی‌کننده‌ها شروع به ارائه نتایج، کد، مدل‌ها و داده‌های در دسترس برای تحلیل گذشته‌نگر کرده‌اند." آن‌ها دریافتند که پیش‌بینی قابل اطمینانی از دوره این اپیدمی یک یا دو هفته قبل از آن امکان پذیر است، اما دیگر به دلیل عدم قطعیت ذاتی و عدم آگاهی در مورد شیوع آن امکان پذیر نیست.

برای به حداقل رساندن تاثیر داده‌های ناقص و فرضیات نادرست، مدل‌سازان معمولا صدها اجرای جداگانه انجام می‌دهند، با پارامترهای ورودی که هر بار کمی تغییر می‌کنند. این "تحلیل حساسیت" تلاش می‌کند تا از نوسان شدید خروجی‌های مدل در هنگام تغییر تک ورودی جلوگیری کند. فرگوسن می‌گوید برای جلوگیری از وابستگی بیش از حد به یک مدل، دولت بریتانیا از تعدادی از گروه‌های مدل‌سازی، از جمله تیم‌هایی در امپریال و LSHTM مشاوره گرفت. او می‌گوید: " همه ما به نتایج مشابهی رسیدیم."

به روز رسانی شبیه‌سازی

گزارش‌های رسانه‌ها حاکی از آن است که به روز رسانی مدل تیم امپریال در اوایل ماه مارس یک عامل مهم در وادار کردن دولت بریتانیا به تغییر سیاستش در مورد این بیماری همه‌گیر بوده‌است. محققان در ابتدا تخمین زدند که ۱۵٪ از موارد بیمارستان باید در بخش مراقبت‌های ویژه (ICU) درمان شوند، اما سپس این رقم به ۳۰٪ رسید، رقمی که در اولین انتشار عمومی کارشان در ۱۶ مارس استفاده شد. این مدل نشان داد که خدمات بهداشتی بریتانیا، با بیش از ۴۰۰۰ تخت ICU، تحت‌ فشار بیش از حد قرار خواهد گرفت.

مقامات دولتی قبلا در مورد تئوری اجازه دادن به گسترش بیماری و در عین حال حفاظت از مسن‌ترین افراد جامعه صحبت کرده بودند، چرا که تعداد زیادی از افراد مبتلا بهبود خواهند یافت و مصونیت جمعی را برای بقیه تامین خواهند کرد. اما آن‌ها مسیر خود را با دیدن چهره‌های جدید تغییر دادند، و دستور اقدامات فاصله گذاری اجتماعی را دادند. سپس منتقدان پرسیده‌اند که چرا فاصله اجتماعی قبلا مورد بحث قرار نگرفته است، چرا آزمون گسترده اتفاق نیفتاده است، و چرا مدل‌سازان حتی رقم ۱۵٪ را انتخاب کرده‌اند، با توجه به اینکه یک مقاله در ژانویه نشان داد که بیش از ۳۰٪ از گروه کوچکی از افراد با کووید۱۹ در چین نیاز به درمان در ICU دارند.

فرگوسن می‌گوید که اهمیت به روز رسانی مدل ممکن است اغراق‌آمیز باشد. او می‌گوید، حتی قبل از آن، مدل‌ها قبلا نشان داده بودند که کووید۱۹، اگر به طور کامل بدون خفیف شدن رها شود، می‌تواند به ترتیب نیم‌میلیون شهروند بریتانیا را در سال آینده بکشد و ICU ها فراتر از ظرفیت کشیده شوند. تیم‌های مشورتی در مورد سرکوب این بیماری همه‌گیر از طریق ایجاد فاصله اجتماعی بحث کرده بودند، اما مقامات نگران بودند که این مساله تنها منجر به شیوع بیشتر آن در اواخر سال شود. آزمایش گسترده از نوعی که در کره‌جنوبی دیده شد در نظر گرفته نشد؛ اما، به گفته فرگوسن، این به این دلیل بود که آژانس بهداشت بریتانیا به مشاوران دولت گفته بود که نمی‌تواند به اندازه کافی سریع مقیاس آزمایش را افزایش دهد.

در مورد داده‌های چینی در مورد ICU ها، پزشکان به آن‌ها نگاه کرده بودند، اما اشاره کردند که به نظر می‌رسد تنها نیمی از موارد به تهویه کننده‌های مکانیکی تهاجمی نیاز دارند؛ به بقیه اکسیژن تحت فشار داده شد، بنابراین ممکن است نیازی به ICU نباشد. براساس این موضوع و تجربه آن‌ها از ذات‌الریه ویروسی، پزشکان به مدل‌سازها توصیه کرده بودند که ۱۵٪ فرض بهتری است.

این به روز رسانی کلیدی هفته قبل از این که فرگوسن به مقامات دولتی در خیابان داونینگ توضیح دهد، انجام شد. متخصصان بالینی که با همکاران وحشت زده ایتالیا صحبت می‌کردند گفتند که اکسیژن تحت فشار خوب کار نمی‌کند و همه ۳۰ درصد موارد شدید بستری در بخش مراقبت‌های ویژه نیاز به تنفس تهاجمی دارند. فرگوسن می‌گوید که پیش‌بینی‌های مرگ و میر مدل‌های به روز شده تغییر زیادی نکرده اند، زیرا بسیاری از مرگ‌های پیش‌بینی‌شده به احتمال زیاد در جامعه رخ می‌دهند نه در بیمارستان‌ها. اما درک اینکه چگونه خدمات بهداشتی تحت‌ فشار بیش از حد قرار خواهند گرفت، و تجربه ایتالیا، منجر به "تمرکز ناگهانی ذهن" شد، او می‌گوید: مقامات دولتی به سرعت به اقدامات فاصله یابی اجتماعی رای دادند (نگاه کنید به "جلوگیری از ابتلا به بیماری‌ها").

آزمایش مورد نیاز است

با کشف بیشتر محققان در مورد ویروس، آن‌ها بسیاری از متغیرهای کلیدی دیگر را به روز می‌کنند. در گزارش ۲۶ مارس ۵ در مورد تاثیر جهانی کووید۱۹، تیم امپریال در برآورد ۱۶ مارس خود از R ۰ تا بین ۲.۴ تا ۳.۳ تجدید نظر کرد؛ در گزارش ۳۰ مارس ۹ در مورد گسترش ویروس در ۱۱ کشور اروپایی، محققان آن را در محدوده ۳ تا ۴.۶۷ قرار دادند.

اما برخی اطلاعات مهم از مدل‌سازها پنهان مانده‌است. ادموندز می‌گوید: یک تست قابل‌اعتماد برای تشخیص اینکه چه کسی بدون نشان دادن علائم به این بیماری مبتلا شده‌است-و بنابراین می‌تواند به گروه بهبود یافته منتقل شود-می‌تواند یک تغییر دهنده بازی برای مدل سازان باشد، و ممکن است به طور قابل‌توجهی مسیر پیش‌بینی‌شده این بیماری همه‌گیر را تغییر دهد.

برای تاکید بر نیاز به چنین آزمونی، تیمی در دانشگاه آکسفورد انگلستان، به رهبری متخصص نظری اپیدمیولوژی، سانترا گوپتا، پیشنهاد داده‌است که الگوی مرگ ثبت‌شده در انگلستان ممکن است با طیف وسیعی از مدل‌های SIR مطابقت داشته باشد، از جمله مدلی که فرض می‌کند میلیون ها نفر در حال حاضر آلوده شده‌اند اما هیچ نشانه‌ای از موارد نشان نداده اند. تنها آزمون‌هایی که چنین عفونت‌های گذشته را نشان می‌دهند، می‌توانند آنچه را که در واقعیت در جریان است، نشان دهند.

مساله مهم دیگری نیز وجود دارد: اینکه مردم چگونه به تغییرات اجباری در رفتار خود واکنش نشان خواهند داد، و آیا این تغییرات همان طور که دانشمندان انتظار دارند، تماس‌های عفونی را کاهش خواهند داد. به عنوان مثال، بررسی در چین نشان می‌دهد که شهروندان ووهان و شانگهای گزارش داده‌اند که در طول اقدامات فاصله اجتماعی اعمال‌شده توسط مقامات دولتی، بین هفت تا نه برابر کم‌تر از تماس‌های روزمره با مردم دیگر در ارتباط بوده‌اند. مارکو اجلی، که به مطالعه بیماری‌های عفونی در بنیاد برونو کسلر در ترنتو ایتالیا می‌پردازد، و کسی که در این مطالعه هم‌کاری داشته‌است، می‌گوید که به نظر می‌رسد که مدل‌های امپریال ۱ و LSHTM ۷ تغییراتی را در تماس‌های روزانه فرض کرده‌اند که "در بالپارک" آنچه که در چین مشاهده شده‌است هستند، اگرچه گزارش‌های مدل‌سازی این را به روشنی بیان نمی‌کنند.

به گفته تیم امپریال، اگر همه کشورها پیش از رسیدن مرگ و میر خود به ۰.۲ در هر ۱۰۰،۰۰۰ نفر در هفته، استراتژی‌های فاصله اجتماعی سخت، آزمایش و جداسازی موارد عفونی را اتخاذ کنند، آنگاه مجموع مرگ و میر جهانی کووید۱۹ می‌تواند تا پایان سال به کم‌تر از ۱.۹ میلیون کاهش یابد. و واکنش بریتانیا، فرگوسن در ۲۵ مارس، آن را "به طور منطقی مطمئن" کرد که کل مرگ و میرها در انگلستان کم‌تر از ۲۰۰۰۰ نفر خواهد بود.

فرگوسن می‌گوید که محاصره سراسری در سراسر اروپا در حال حاضر برای کاهش انتقال SARS-CoV-۲، همانطور که انتظار می‌رفت، کار می‌کند. اما اینکه فاصله اجتماعی تا چه مدت باید در جای خود بماند یک سوال بزرگ برای کشورهایی است که نگران اقتصاد خود و سلامت روانی و فیزیکی شهروندان خود هستند. فاصله اجتماعی در حال حاضر گسترش ویروس را کاهش خواهد داد، اما برداشتن این اقدامات ممکن است موج دومی از پاندمی را در اواخر سال یا سال آینده ایجاد کند، یک مدل امپریال ۱ نشان داده‌است (موج دوم را ببینید).

فرگوسن می‌گوید که امیدوار است که در عمل، کشورها بتوانند از مثال کره‌جنوبی پیروی کنند، که موفق به تحمیل نسخه ملایم‌تر فاصله اجتماعی با گسترش سطوح بالای آزمایش و ردیابی تماس‌های افراد مبتلا شده‌است. تنها نظارت دقیق بر مناطق به هنگام لغو محدودیت‌های موجود، همانطور که استان هوبی چین در حال حاضر در حال انجام است، اطلاعات مورد نیاز برای پیش‌بینی عوارض دراز مدت این بیماری همه‌گیر را در اختیار طراحان قرار خواهد داد.

این متن با استفاده از ربات مترجم مقاله پزشکی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.