Случайны выбор дневника Раскрыть/свернуть полный список возможностей


Найдено 240 сообщений
Cообщения с меткой

пандемия - Самое интересное в блогах

Следующие 30  »
masterwen

Без заголовка

Среда, 06 Июля 2016 г. 16:29 (ссылка)
sat-parts.ru/821-posledniy-...?_utl_t=li


Последний корабль (2014) » Смотреть онлайн обзор кино

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
Mykinoplus

Пандемия / Pandemic (2016) смотреть онлайн

Вторник, 05 Апреля 2016 г. 21:48 (ссылка)
dryntv.ucoz.net/news/pandem...?_utl_t=li


Пандемия / Pandemic (2016) смотреть онлайн - 5 Апреля 2016 - Дрын ТВ

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
Captain_Smollett

Дельные советы о профилактике и лечении гриппа.

Четверг, 28 Января 2016 г. 17:03 (ссылка)
articles.komarovskiy.net/gr...kciya.html

В метро вижу людей в масках через одного. Когда кто-то чихает в маршрутке все смотрят на него волками и волчицами, глухо рычат и вот уже видится суд Линча (не Дэвида!) Когда приболеваешь, все дают советы (ешь лук, чеснок, апельсины, витамины, иммуностимуляторы и т. д.)
А если пойти по этой ссылке, то становится ясно, что все народные средства хороши в случае легкой простуды и недомогания. Вирус - штука опасная. И если внимательно прочитать, понятно что делать надо, что делать можно и что нельзя.
Будьте здоровы!

Метки:   Комментарии (2)КомментироватьВ цитатник или сообщество
Stepan_Sikora

Обычно грипп начинается с озноба и резкого подъема температуры,- врачи-инфекционисты

Суббота, 23 Января 2016 г. 20:28 (ссылка)
fenixslovo.com/ru/society/health/9690

Инфекция опасна осложнениями, наиболее частое из которых — пневмония. "Каждый день грипп приумножает свои жертвы. В основном люди заражаются виру...
Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
Taniaum

А в России хреновая только погода

Суббота, 16 Января 2016 г. 10:40 (ссылка)

Это цитата сообщения ЛИТЕРАТУРНАЯ Оригинальное сообщение



Доброго времени суток, друзья! Я вновь с политобзором. До недавнего времени старалась максимально оградиться от "новостей в мире". Но пришло время (по моим внутренним ощущениям) открывать глаза, уши и - прежде всего - разум. Главной проблемой современности является неосознанность происходящего, как это ни прискорбно. Моё глубокое убеждение, что понимание причинно-следственных связей способно увеличить шансы на выживание. Ну вот, скажет кто-то, очередная домохозяйка лезет со свиным рылом в калашный ряд о политике рассуждать. Пусть так. Но у меня есть свой собственный взгляд на нынешний мир и я считаю возможным поделиться своим видением с вами. Возможно, ничего нового вы не узнаете. А может быть, поспорите. Буду только рада.

>>>>> И Т А К >>>>>
Метки:   Комментарии (1)КомментироватьВ цитатник или сообщество
ЛИТЕРАТУРНАЯ

А в России хреновая только погода

Пятница, 15 Января 2016 г. 22:07 (ссылка)

Доброго времени суток, друзья! Я вновь с политобзором. До недавнего времени старалась максимально оградиться от "новостей в мире". Но пришло время (по моим внутренним ощущениям) открывать глаза, уши и - прежде всего - разум. Главной проблемой современности является неосознанность происходящего, как это ни прискорбно. Моё глубокое убеждение, что понимание причинно-следственных связей способно увеличить шансы на выживание. Ну вот, скажет кто-то, очередная домохозяйка лезет со свиным рылом в калашный ряд о политике рассуждать. Пусть так. Но у меня есть свой собственный взгляд на нынешний мир и я считаю возможным поделиться своим видением с вами. Возможно, ничего нового вы не узнаете. А может быть, поспорите. Буду только рада.

>>>>> И Т А К >>>>>
Комментарии (15)КомментироватьВ цитатник или сообщество
Леда_Аветис

Грипп - профилактика - лечение - интересные факты

Четверг, 24 Декабря 2015 г. 18:55 (ссылка)
tass.ru/spec/gripp

Спецпроект ТАСС


ЗАРАЗЕН И ОЧЕНЬ ОПАСЕН
КАК ОТЛИЧИТЬ ГРИПП ОТ ПРОСТУДЫ И КАК ПЕРЕЖИТЬ ЭПИДЕМИЮ


      Очень полезная ссылка.

Сезонный грипп (в России это период с ноября по май), по данным Всемирной организации здравоохранения, ежегодно вызывает от 3 млн до 5 млн случаев тяжелой болезни и приводит к 250-500 тыс. смертей.
Из всех случаев инфекционных заболеваний грипп и ОРВИ составляют 95%.

В Международной классификации болезней (МКБ 10) понятия "простуда" нет. Грипп - инфекционное заболевание, которое вызывается вирусами.

Если, несмотря на меры профилактики, вы заболели, в первую очередь необходимо обратиться за медпомощью. Только врач может поставить диагноз: грипп или ОРВИ.

      Вне зависимости от того, грипп у вас или ОРВИ, старайтесь выпивать не менее 2 литров воды в день. Жидкость ускоряет выведение токсинов из организма, которые образуются из-за жизнедеятельности вируса.
      При гриппе важно соблюдать постельный режим, так как увеличивается нагрузка на сердечно-сосудистую, иммунную и другие системы организма.

Эпидемиологи напоминают, что антибиотики при гриппе бесполезны, так как это вирусная инфекция. Врачи их назначают при симптомах бактериальных осложнений.
... и еще много полезной информации
Метки:   Комментарии (1)КомментироватьВ цитатник или сообщество
piyanchuga

После Эбола мир еще не готов к глобальной пандемии

Воскресенье, 13 Декабря 2015 г. 21:58 (ссылка)

После Эбола мир еще не готов к глобальной пандемии

Мировая система здравоохранения не в состоянии выдержать еще одну массовую эпидемию как вспышка лихорадки Эбола в Западной Африке, сказала международная организация "Врачи без границ" ("ВБГ"), призывая богатые страны к разработке скоординированных Во имя жизни торрент Базылхан планов реагирования и препаратов для борьбы с забытыми болезнями Диск Во имя жизни Базылхана Дюсупова отзывы. Запоздалая и медленная реакция международного сообщества, отсутствие твердого руководства, а также отсутствие процедур и вакцин приводят к чрезвычайным ситуациям в области здравоохранения, как в случае с эпидемией лихорадки Эбола.

Читать далее...
Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
buhalo

После Эбола мир еще не готов к глобальной пандемии

Воскресенье, 13 Декабря 2015 г. 21:58 (ссылка)

После Эбола мир еще не готов к глобальной пандемии

Мировая система здравоохранения не в состоянии выдержать еще одну массовую эпидемию как вспышка лихорадки Эбола в Западной Африке, сказала международная организация "Врачи без границ" ("ВБГ"), призывая богатые страны к разработке скоординированных Во имя жизни торрент Базылхан планов реагирования и препаратов для борьбы с забытыми болезнями Диск Во имя жизни Базылхана Дюсупова отзывы. Запоздалая и медленная реакция международного сообщества, отсутствие твердого руководства, а также отсутствие процедур и вакцин приводят к чрезвычайным ситуациям в области здравоохранения, как в случае с эпидемией лихорадки Эбола.

Читать далее...
Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
rss_kulturologia

История и археология: 8 самых массовых смертоносных эпидемий в истории человечества

Пятница, 02 Октября 2015 г. 09:14 (ссылка)


Когда в фантастических фильмах или книгах изображают конец света, то одним из его признаков обязательно является массовая эпидемия, или пандемия. В истории человечества было столько случаев, когда болезни забирали миллионы жизней, что люди начинали верить в то, что конец света и правда близок. Холера, чума, оспа, СПИД – к сожалению, нельзя утверждать, что эти эпидемии остались в далеком прошлом и больше не представляют опасности. В нашем обзоре – самые смертоносные из всех эпидемий.

Подробнее..

http://feedproxy.google.com/~r/kulturologia/~3/HI8o3NuMSj4/

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
ДежаВю57

"Смертельные" вирусы: как сделать из мухи слона?

Суббота, 18 Июля 2015 г. 07:48 (ссылка)


"Смертельные" вирусы: как сделать из мухи слона?

Вот уже с месяц как обывателей ознакомили с новой “смертельной угрозой миру” — ею объявлен вирус МЕРС. Всемирная организация здравоохранения, правда, пока состояние “пандемии” (то есть, всемирной эпидемии) не объявляла — но, тем не менее, признала вспышку указанного заболевания в Южной Корее “сложной и масштабной”. В СМИ разных стран тоже начинает оживленно будироваться тема: “Грозит ли России (Украине, Европе, США, нужное вставить) смертельный вирус?”

Читать далее
Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
СОБРАННЫЕ_ЗНАНИЯ

ПАНДЕМИЯ ЛЖИ ЦАРЕВА ГАЛИНА ! НАС ХОТЯТ УБИТЬ НАС РАЗВОДЯТ КАК ЛОХОВ СМОТРЕТЬ ВСЕМ

Четверг, 19 Марта 2015 г. 18:33 (ссылка)


https://www.youtube.com/watch?v=VYFxZelV6OU



ПАНДЕМИЯ ЛЖИ ЦАРЕВА ГАЛИНА ! НАС ХОТЯТ УБИТЬ НАС РАЗВОДЯТ КАК ЛОХОВ  СМОТРЕТЬ ВСЕМ


 


В августе 2009 года следственно-экспертная группа Агенства по защите здоровья (США), курирующая фармацевтическую промышленность, опубликовала документы, раскрывающие диверсионную деятельность ряда фармацевтических компаний. Объединенные в международный картель, они занимались производством высокотоксичной вакцины от свинного гриппа Н1N1.


 


В ходе следствия выяснилось, что все следы ведут к корпорации "Нью-Йорк Партнершил", спонсируемой Трастовой компанией Дэвида Рокфеллера, в которую входят ряд богатейших и влиятельных партнеров с Уолл-Стрит.


 


Доктор-микробиолог Леонард Горовиц, ведущий специалист США по медикаментам и продуктам здравоохранения, предоставил в ФБР неопровержимые доказательства того, что вакцина от свинного гриппа является бактериологическим оружием. Он утверждает, что смешана она с высокотоксичными веществами, неизбежно ведущими к полной потере иммунитета и вызывающими более 20 видов раковых заболеваний с последующим параличом мышечных тканей и дыхательных органов.


 

Комментарии (0)КомментироватьВ цитатник или сообщество
Zinur

Что больше угрожает существованию человечества?

Пятница, 06 Марта 2015 г. 18:05 (ссылка)



















 

 



С точки зрения биологии, люди — далеко не самый успешный вид. Наша планета знавала животных, существовавших миллионы лет, но всё же вымерших. Не последует ли человечество за ними?
Читать далее...
Метки:   Комментарии (1)КомментироватьВ цитатник или сообщество
rss_rss_hh_new

[Перевод] Моделирование пандемий с помощью языка Wolfram Language (системы Mathematica 10) на примере лихорадки Эбола

Пятница, 21 Ноября 2014 г. 21:20 (ссылка)



Перевод поста Виталия Каурова (Vitaliy Kaurov) "Modeling a Pandemic like Ebola with the Wolfram Language".



Выражаю благодарность за помощь в переводе участникам сообщества ВКонтакте Русскоязычной поддержки Wolfram Mathematica: Еве Фрумен, Курбану Магомедову, Глебу Михновцу, Андрею Кротких.



Скачать перевод в виде документа Mathematica, который содержит весь код использованный в статье, можно здесь (архив, ~100 МБ).




Данные крайне важны для беспристрастного взгляда в будущее, но одни только данные еще не являются прогнозом. Для предсказания развития пандемий, террористических актов, природных катастроф, падений рынков и других сложных явлений нашего мира необходимы научные модели. Один из инструментов борьбы с текущей ужасающей вспышкой лихорадки Эбола — создание компьютерной модели возможного распространения вируса. Понимая, где и как быстро вспышка может проявиться, правительственные структуры смогут организовать эффективные профилактические меры для снижения скорости передачи и, в конечном итоге, остановить эпидемию. Наша цель сейчас: продемонстрировать построение математической модели, описывающей глобальное распространение пандемии на основе реальных данных. Модель применима к любой эпидемии, но мы будем иногда упоминать и использовать данные о текущей вспышке лихорадки Эбола в качестве примера. Результаты не следует рассматривать как реалистичную количественную оценку текущей пандемии вируса Эбола.



EbolaAnimFINAL.gif



Показать нам всем науку о вычислении пандемий я попросил доктора Марко Тиела (Dr. Marco Thiel), который уже разместил описание различных моделей распространения лихорадки Эбола на форуме Wolfram Community (где читатели могут принять участие в дискуссии). Мы работали вместе над программной реализацией приведенной ниже модели глобального распространения пандемий. Это задача стала значительно проще, благодаря новым инструментам, добавленным недавно в язык программирования Wolfram Language (систему Mathematica 10). Марко — прикладной математик, специализирующийся на теоретической физике и динамических системах. Его научно-исследовательская работа освещалась на BBC News и, благодаря своему прикладному математическому характеру, она затрагивает очень разные области: от устойчивости Солнечной системы до схем брачного поведения жуков-светлячков, криминалистической математики и многих других областей. Работая с таким широким кругом реальных задач, Марко, его коллеги и студенты из университета г. Абердина сделали технологии Wolfram частью своей жизни. Например, основная часть программы для этого блога написана Индией Брукнер (India Bruckner), очень талантливой школьницей из абердинской школы св. Маргариты для девочек, с которой Марко работал над летним проектом.



По мнению The New York Times, текущая вспышка лихорадки Эбола стала «самой беспощадной, затмившей собой вспышку 1976-го года, когда вирус был обнаружен». Согласно данным от 27 октября 2014 г. по меньшей мере 18 человек получили или получают сейчас лечение в Европе и Америке, в основном это медработники и сотрудники гуманитарных миссий, подхватившие вирус лихорадки Эбола в Западной Африке и вернувшиеся домой для лечения. Согласно отчету Центра по контролю и профилактике заболеваний США (CDC), обнародованному в сентябре, в самом худшем случае число заболевших лихорадкой Эбола превысит миллион человек в течение четырех месяцев. Лекарств или вакцин против вируса, одобренных Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) пока не существует, что приводит к летальному исходу в 60-90% случаев и распространению заболеванию через контакт с различными физиологическими жидкостями инфицированных людей. Ниже показано то, как выглядит ситуация в очаге пандемии в Западной Африке сейчас по данным The New York Times.



In[2]:=



Ebola_1.png



Out[2]=



Ebola_2.gif



Виталий: Марко, как вы думаете, математическое моделирование может помочь остановить пандемии?



Марко: Недавняя вспышка болезни, вызываемой вирусом Эбола, (БВВЭ) показывает, как быстро болезни могут передаваться между людьми. Угроза, конечно, не ограничивается БВВЭ. Существует большое число возбудителей инфекций, как например, различные типы гриппа (H5N1, H7N9, etc.), которые могут стать причиной пандемии. В виду этого, математическое моделирование путей передачи (болезней) становится еще более значимым. Представители власти от медицины должны принять решения, как противостоять угрозе. Есть большое число научных статей по этой теме, как например недавняя публикация Дирка Брокманна (Dirk Brockmann) в Science, доступная здесь. Профессор Брокманн также сделал несколько видео для иллюстрации исследований. Видео доступно на YouTube (часть 1, часть 2, часть 3). Было бы интересно повторить некоторые результаты из этой статьи и в целом исследовать вопрос с помощью Mathematica.



Виталий: Как же построить модель, описывающую распространение заболевания?



Марко: Подробно описанные модели, как например GLEAMviz, доступны онлайн, и могут быть использованы всеми, кто интересуется проблемой. Упомянутая модель, как и другие аналогичные ей, имеет 3 уровня: (1) модель эпидемии, описывающую передачу заболевания в гипотетической однородной популяции; (2) данные о популяции, такие как распределение и плотность населения; (3) уровень, описывающий миграции населения. Я использовал аналогичную модель, опираясь на мощные алгоритмы Mathematica: встроенные базы данных и широкие возможности импорта данных. Кроме того, алгоритмы визуализации Mathematica допускают разработку новой модели распространения заболеваний. Достоинствами самостоятельного моделирования являются полный контроль над программой и её изменением в соответствии с нашими требованиями. Курируемые данные Wolfram, доступные в Mathematica, являются очень удобной отправной точкой моделирования и могут быть дополнены данными, импортированными из внешних источников. Это одно из воплощений идей Конрада Вольфрама (Conrad Wolfram) об общедоступности вычисляемых данных. Используя текущие средства Mathematica, мы сможем представить себе те возможности, которые откроются нам после того, как все государственные/общественные данные станут вычисляемыми.



Существуют различные типы эпидемиологических моделей. Дальше мы, главным образом, будем использовать так называемую SIR-модель (от англ. Susceptible Infected Recovered). Популяция моделируется индивидуумами трех типов (тремя «ящиками»): здоровые индивидуумы из группы риска или восприимчивые индивидуумы (Susceptible), которые могут подхватить заболевание через контакт с уже инфицированными (Infected); выздоровевшие и переставшие распространять болезнь индивидуумы (Recovered).



Ebola_3.gif



Для моделирования вспышки с помощью языка Wolfram Language нам понадобятся уравнения, описывающие количество людей в каждой из этих категорий как функции времени. Мы будем использовать сначала уравнения с дискретным временем. Полагая, что существуют только три, не взаимодействующие между собой, категории индивидуумов, мы можем записать следующее:



In[3]:=



Ebola_4.gif



Эти уравнения означают, что число (в процентном отношении) восприимчивых/инфицированных/выздоровевших (Susceptibles/Infected/Recovered) в момент времени t+1 равно этому же числу в момент времени t. Предположим, что случайный контакт инфицированного индивидуума с восприимчивым приводит к новому заражению с вероятностью b; вероятность контакта пропорциональна числу восприимчивых индивидуумов (Sus), а также числу уже инфицированных (Inf). Это предположение означает, что люди уходят из «ящика» восприимчивых и переходят в «ящик» (категорию) инфицированных.



In[6]:=



Ebola_5.gif



Далее мы полагаем, что люди выздоравливают с вероятностью c; выздоровление пропорционально числу больных людей; так, чем больше заболевших, тем больше выздоровевших.



In[9]:=



Ebola_6.gif



Нам также понадобятся начальные данные о количестве (в процентах) людей в каждой из категорий. Обратите внимание, что члены в правой части системы, характеризующие взаимодействие между категориями, всегда дают в сумме ноль, так что общий размер популяции не меняется. Если мы возьмем начальные значения так, что их сумма будет равна единице, то размер популяции всегда будет равен единице. Это важное отличительное свойство модели. Каждый человек должен быть отнесен к одному из трех «ящиков»; мы будем тщательно контролировать сохранение этого свойства для SIR-модели на графах, которую мы опишем ниже! В то же время существует определенная свобода в интерпретации этих трех «ящиков». Так, в нашем последнем примере мы будем учитывать летальные исходы. Кажется логичным считать, что умершие «покидают» нашу популяцию. Для сохранения размера популяции постоянным, что важно в нашем представлении, мы используем простой прием: будем рассматривать последнюю группу выздоровевших (Rec), как множество, содержащие людей, действительно перенесших болезнь, и умерших. Вполне разумно предположить, что ни умершие, ни выздоровевшие не смогут заразить остальное население, т.е. они инертны по отношению к нашей модели. Наше простое предположение будет заключаться в том, что некоторый фиксированный процент людей из Rec группы перенесли болезнь (выжили), а остальных будем считать умершими. Таким образом, мы включаем умерших в нашу модель, так что они не покидают группы, и мы не рассматриваем рождения новых людей. Это обеспечивает сохранение размера популяции постоянным.



Вот простейшая реализация SIR-модели, позволяющая вам изменять параметры:



In[12]:=



Ebola_7.png



Out[12]=



EbolaCDF.png



Мы используем векторы значений Sus, Inf, Rec, которые строятся рекурсивно. Позже мы создадим более простую реализацию этой конструкции. Заметим, что параметры b и c содержат в себе множество эффектов, которые на этом этапе напрямую не смоделированы. Например, вероятность заражения b действительно описывает риск заражения, но в тоже время она зависит от поведения людей (большое количество массовых мероприятий, общественных мест и т. п. может привести к увеличению вероятности заражения, как это часто происходит, скажем, в учебных заведениях), плотность населения (высокая плотность населения может привести к большей вероятности заражения). Вероятность выздоровления c зависит от таких вещей как: качество здравоохранения, доступностью врачей и так далее. Позже мы попробуем смоделировать некоторые из вышеперечисленных факторов.



Хотя SIR-модель вероятно не самая подходящая для описания вспышки лихорадки Эбола, но тем не менее, эта модель не так далека от истины. Люди инфицируются через телесный контакт; категория выздоровевших может рассматриваться из процента выживших и умерших людей, если мы предположим, что повторное заражение маловероятно. В различных странах и при различных обстоятельствах доля выздоровевших/умерших сильно меняется — кое что из этого мы смоделируем позднее.



Более систематическим способом изучения SIR-модели является изучение так называемого пространства параметров модели. Мы можем визуализировать в зависимости от параметров множество различных характеристик, например, наибольшее количество заболевших, общее число заболевших в ходе вспышки заболеваемости от вируса. Оси диаграммы представленной ниже показывают вероятности заражения и выздоровления, при этом цвет на диаграмме характеризует процент зараженных людей.



In[13]:=



Ebola_9.png



In[14]:=



Ebola_10.png



Out[14]=



Ebola_11.gif



Из диаграммы явно видно, что при маленьких значениях вероятности выздоровления и больших значениях вероятности заражения, больными оказывается более 90% людей, при этом, в противоположной ситуации, зараженными являются около 5% людей, что соответствует их начальному числу.



Виталий: Для перехода от чистой математики к моделированию процессов, происходящих в реальном мире, нам потребуются данные, скажем о популяциях людей и их географическом положении. Каким образом мы можем получить эти данные?



Марко: Мы будем объединять несколько различных подпопуляций воедино (например, аэропорт, город, страна и т. д.) и изучим распространение болезни между ними. Каждая из этих подпопуляций может быть смоделирована как SIR-модель. Когда мы начнем объединять подпопуляции, их индивидуальные размеры будут играть ключевую роль. Данные о численности населения, как и многие другие виды данных, встроены напрямую в Mathematica, что позволяет достаточно легко использовать их в нашей модели.



Мы будем использовать встроенные данные для улучшения качества нашей модели и доведения ее до логического завершения, но в начале мы можем использовать международную сеть аэропортов для моделирования процесса передачи болезни. Для этого нам понадобится список всех аэропортов и воздушных путей. На сайте openflights.org вы можете найти всю необходимую информацию. Я сохранил ее в файлы «airports.dat» и «routes.dat.»



Виталий: Мы могли бы использовать функционал семантического импорта данных для работы с внешними данными. Функция SemanticImport может импортировать файл семантически, предоставляя на выходе объект Dataset. Dataset и Association — являются новыми функциями, дающими возможность создания структурированных баз данных в Mathematica. Dataset может представлять собой не только прямоугольные многомерные массивы данных, но и деревья произвольного вида, соответствующие данным с произвольной иерархией. Dataset позволяет очень легко получить доступ к любым данным в базе и производить их обработку, поэтому мы будем ее активно использовать. Незначительная часть данных, находящихся в файле airports.dat была убрана для более точной работы функций семантического импорта. Все файлы прикреплены в начале этой статьи, вместе с документом Mathematica.



Марко: Да, действительно, функция SemanticImport очень мощная. В моей первой попытке моделирования я использовал функции Import и Intrepreter, обе также очень мощные. Затем мне пришлось провести большую «очистку» данных — что, в целом, является стандартной многошаговая процедурой, которую приходится выполнять, если имеешь дело с внешней невычисляемой информацией. Но благодаря использованию функции SemanticImport, я смог сделать код программы коротким и более читаемым.



In[15]:=



Ebola_12.png



Out[15]=



Ebola_13.png



In[16]:=



Ebola_14.png



Out[16]=



Ebola_15.png



Виталий: Полученные после работы функции обведенные оранжевой рамкой объекты со светло-оранжевым фоном представляют собой так называемые Entity, появившиеся в Mathematica 10. Они представляют собой, по сути, ключи централизованного доступа к базам данных Wolfram|Alpha.



In[17]:=



Ebola_16.png



Out[17]=



Ebola_17.png



Так, мы видим, что функция SemanticImport автоматически классифицировала третий и четвертый столбцы данных, как города и страны, представив их в виде объектов Entity.



Марко: Теперь мы можем отобразить все аэропорты Мира.



Виталий: Действительно, с новыми возможностями, предоставляемым функциями подъязыка географических вычислений, в частности, с помощью функции GeoGraphics и многочисленных ее опций, таких как GeoBackground, GeoProjection и GeoRange, мы можем создать изображение, которое позволит легко отобразить большой массив данных.



In[18]:=



Ebola_18.png



Out[18]=



Ebola_19.gif



Пятый столбец в базе airports представляет собой это трехбуквенный идентификатор IATA (Международная ассоциация воздушного транспорта). Эти идентификторы потребуются нам для задания маршрутов между аэропортами, которые хранятся во второй базе данных. Не все записи в базе airports имеют их, скажем, ниже вы можете видеть значения 100 последних записей базы из соответствующего столбца.



In[19]:=



Ebola_20.png



Out[19]=



Ebola_21.png



Некоторые из них некорректны ввиду того, что содержат цифры. Мы очистим наши данные, удалив записи с некорректным или отсутствующим идентификатором IATA. Ниже можно видеть количество записей в исходной базе данных.



In[20]:=



Ebola_22.png



Out[20]=



Ebola_23.png



Теперь очистим базу данных и перезапишем ее. Число ниже показывает, опять же, количество записей, но уже в обновленной базе данных.



In[21]:=



Ebola_24.gif



Out[22]=



Ebola_25.png



Марко: Теперь мы создадим список правил, связывающих идентификаторы аэропортов и их геокоординаты.



In[23]:=



Ebola_26.png



Виталий: Мы использовали функцию Dispatch, которая создает оптимизированное представление списка правил замены, что никак не влияет на получаемые результаты, но позволяет работать с длинными списками намного быстрее.



Марко: Теперь мы можем проанализировать связи между аэропортами. Число ниже показывает общее их количество.



In[24]:=



Ebola_27.gif



Out[25]=



Ebola_28.png



Не каждый идентификатор IATA имеет геокоординаты, поэтому очистим список связей между аэропортами, удалив связи без информации о геокоординатах аэропортов.



In[26]:=



Ebola_29.gif



Out[27]=



Ebola_30.png



В целом получилось 67 210 связей. На рисунке ниже мы отобразим только 15 000 случайно выбранных из них, для того, чтобы на можно было разобрать основные направления перелетов.



In[28]:=



Ebola_31.png



Out[28]=



Ebola_32.gif



Виталий: Теперь, когда у нас есть данные, как интегрировать их в математические модели?



Марко: Нам нужно описать пути перемещения популяции. Мы будем использовать глобальную сеть воздушного транспорта для построения первой модели пандемии. Мы будем рассматривать перелеты, как связи между различными областями. Эти области можно рассматривать, как «популяционные бассейны» соответствующих аэропортов.



Виталий: Можно использовать функцию Graph для быстрого и эффективного создания графов. Существует множество различных связей между одними и теми же аэропортами, поэтому полученный граф будет мультиграфом, в последней версии Wolfram Language как раз был добавлен функционал для работы с ними. Для упрощения начальной модели, мы будем учитывать только сам факт связи между двумя аэропортами, создавая одно ребро графа, если имеется хотя бы один маршрут, соединяющий две вершины. Позже, в усовершенствованной модели, мы уже будем использовать мультиграфы.



In[29]:=



Ebola_33.png



В полученном графе вершины соответствуют аэропортам с различными идентификаторами IATA.



Из результата вычисления кода ниже видно, что в этом графе существует несколько компонент связности, при этом существенный размер имеет только первая из компонент. Мы удалим компоненты с небольшим числом вершин, так как они не сильно влияют на динамику в целом.



In[30]:=



Ebola_34.png



Out[30]=



Ebola_35.png



In[31]:=



Ebola_36.png



In[32]:=



Ebola_37.png



Out[32]=



Ebola_38.gif



Построим для нашего графа матрицу смежности.



In[33]:=



Ebola_39.gif



Out[34]=



Ebola_40.gif



Марко: Элемент матрицы с индексами (i, j) будет нулевым, если аэропорты i и j не связаны между собой, в противном случае единичным. Объединенная матрица автоматически конвертируется в форму представления разреженных массивов SparseArray для более эффективных вычислений и использования памяти. Мы также можем использовать «размер популяции» как характеристику каждого аэропорта, что по сути будет соответствовать емкости популяционного бассейна аэропорта. Затем мы попытаемся сделать более разумные предположения относительно численности населения, но сейчас, ради упрощения, мы считаем ее одинаковой для каждого отдельно взятого аэропорта.



In[35]:=



Ebola_41.gif



Теперь нам предстоит довольно сложный шаг. Нам необходимо определить параметры, использующиеся в нашей модели. Проблема состоит в том, что каждый из них «параметризует» множество эффектов и ситуаций. Для нашей модели, нам необходимы:



Вероятность заражения. Это фактор, который определяет в нашей модели, насколько вероятно, что контакт приводит к инфекции. Этот фактор, безусловно, зависит от многих вещей: плотность населения, местные поведения людей, санитарного просвещения, и так далее. Чтобы запустить нашу модель, мы выберем следующее значение этой вероятности для всех аэропортов:



In[37]:=



Ebola_42.png



Вероятность выздоровления. Она будет очень сильно зависеть от типа заболевания и качества системы здравоохранения. Она также будет зависеть от того, каждый ли человек имеет доступ к медицинскому страхованию. В странах, где только часть населения имеет доступ к высококачественной медицинской помощи, болезни, как правило, распространяются быстрее. Для нашей начальной модели, мы установим следующее значение для всех аэропортов:



In[38]:=



Ebola_43.png



С помощью этих двух параметров мы по сути задали модель эпидемии. Но мы по-прежнему нуждаемся в еще одном параметре.



Коэффициент миграции. Это коэффициент пропорциональности, который описывает склонность определенного населения (в популяционном бассейне аэропорта) путешествовать. В этой модели, мы взяли его постоянным, но это конечно также зависит от финансовой ситуации в той или иной стране и других факторов. Он описывает, грубо говоря, процент людей в стране или регионе, которые путешествует. Мы не используем мульти-агентную модель которая описывает индивидуальное движение людей. Мы используем ячеечную модель популяции (compartmental population model), в рамках которой, по сути, мы описываем просто процент населения, который путешествует. Мы (по крайней мере, в конце поста, где будет произведено моделирование с учетом особенностей стран) будем также учитывать различные размеры популяций, структуру мультиграфа, а также количество полетов, совершаемых между странами. Используя матрицу связей (она же матрица смежности графа), мы не будем рассматривать миграцию отдельных людей между различными аэропортами. Мы будем вначале использовать общий коэффициент миграции (одинаковый для всех), который мы зададим таким:



In[39]:=



Ebola_44.png



Еще одно довольно важное предположение состоит в том, что мы будем использовать — в начале — один и тот же коэффициент миграции для всех трех категорий: восприимчивых, инфицированных и выздоровевших. В действительности зараженные, особенно в инфекционной фазе, когда у них уже начинают проявляться симптомы заболевания, будут осуществлять миграции иначе. Кроме того, мобильность населения будет отличаться в разных странах, при этом она, безусловно, будет зависеть также и от расстояния, которое необходимо преодолеть людям. Мы позже выберем более реалистичные параметры.



Теперь инициализируем нашу модель полагая, что вначале во всех городах есть только восприимчивые к инфекции и нет зараженных или выздоровевших:



In[40]:=



Ebola_45.png



Теперь мы должны ввести 5% инфицированных в популяционный бассейн того аэропорта, с которого начнется распространение заболевания.



Виталий: Вспышка началась в Гвинее в декабре 2013 года, а затем вирус распространился на Либерию и Сьерра-Леоне. Согласно The New York Times, первой зараженной за пределами Западной Африки стала медсестра из Испании, которая заболела в сентябре во время лечения миссионера, зараженного в Сьерра-Леоне. После этого она была переправлена в госпиталь в Мадриде. Ниже приведен список аэропортов в Гвинее:



In[41]:=



Ebola_46.png



Out[41]=



Ebola_47.png



Найдем индекс вершины графа, соответствующий Международному аэропорту Конакри (его код CKY), который находится в крупнейшем городе и столице Гвинеи:



In[42]:=



Ebola_48.png



Out[42]=



Ebola_49.png



In[43]:=



Ebola_50.gif



Марко: Прежде, чем мы запишем уравнения SIR-модели с членами, отвечающими за связи между областями, мы введем два объекта, первый — общее количество (потенциальных) пассажиров в каждом аэропорту:



In[46]:=



Ebola_51.png



Второй объект — мы создадим на основе матрицы связей намного меньший по размеру список, который будет содержать для каждого аэропорта только список связанных с ним аэропортов:



In[47]:=



Ebola_52.png



Этот список очень полезен, потому что матрица связей крайне разрежена, поэтому список sumind существенно ускорит вычисления. Теперь мы можем записать уравнения SIR-модели:



In[48]:=



Ebola_53.gif



Члены, отвечающие за связи между областями подсвечены оранжевым. По существу, мы вычисляем средневзвешенное число людей для каждого популяционного бассейна на основе всех соседних аэропортов. Существует множесво других вариантов записи этих членов.



Теперь мы запускаем итерационный процесс моделирования на основе этих рекуррентных уравнений и посмотрим сколько это займет времени:



In[50]:=



Ebola_54.png



Out[50]=



Ebola_55.png



Чтобы получить первое представление о решении, мы можем построить S, I и R кривые для некоторых 200 аэропортов:



In[51]:=



Ebola_56.png



Out[51]=



Ebola_57.gif



Теперь найдем максимальную долю больных людей среди всех аэропортов:



In[52]:=



Ebola_58.png



Out[52]=



Ebola_59.png



Создадим список координат аэропортов, упорядоченных в соответствии с их индексами в графе:



In[53]:=



Ebola_60.png



Теперь можно посмотреть на то, как выглядит карта заражения для нескольких моментов времени:



In[54]:=



Ebola_61.png



Out[54]//TableForm=

Ebola_62.gif



Ebola_63.gif



Ebola_64.gif



Ebola_65.gif



Ebola_66.gif



Ebola_67.gif



Здесь и ниже в подобных визуализациях, цвет означает долю зараженных (увеличение доли происходит при переходе от фиолетового к красному).



In[55]:=



Ebola_68.png



Out[55]=



Ebola_69.gif



Обратите внимание, что есть три основных региона: Европа, которая заражается первой, затем Америка и Азия. Этот вид распространения болезни связан со структурой графа. Мы можем попробовать визуализировать это с помощью функции Graph.



Виталий: Алгоритмы кластеризации функции Graph помогут нам узнать, какие континенты способствуют распространению пандемии через авиаперевозки. Чтобы получить список континентов (см. ниже) воспользуемся новым подъязыком Entities. Для этого воспользуемся формой локального ввода, которая может быть получена с помощью сочетания клавиш CTRL + SHIFT + =, затем введем в нее запрос «continents» Ebola_70.gif.



In[56]:=



Ebola_71.png



Мы не будем рассматривать Антарктиду, поэтому исключим ее из этого списка, а затем построим базу данных, в которой будет храниться информация о принадлежности того или иного идентификатора аэропорта тому или иному континенту:



In[57]:=



Ebola_72.png



In[58]:=



Ebola_73.png



Out[58]=



Ebola_74.png



Функция, приведенная ниже, позволяет ответить на вопрос о том, какому из континентов принадлежит тот или иной идентификатор аэропорта:



In[59]:=



Ebola_75.gif



Применим эту функцию к некоторым идентификаторам:



In[61]:=



Ebola_76.png



Out[61]=



Ebola_77.png



В нашем графе есть большое количество тесно связанных друг с другом семейств вершин (аэропортов) (graph communities), которые при этом довольно сильно отличаются по численности:



In[62]:=



Ebola_78.gif



Out[63]=



Ebola_79.png



Семейства вершин графа — это группа вершин, которая тесно связана внутри себя большим количеством объединяющих их рейсов, при этом семейства вершин связаны между собой отдельными, подчас одиночными, рейсами. Для того, чтобы не переполнить наш чертеж графа большим количеством неинформативных подписей, мы пометим только те семейства, число вершин в которых больше 60. Создадим подписи к семействам:



In[64]:=



Ebola_80.png



Out[64]=



Ebola_81.gif



Теперь мы можем визуализировать структуру графа и увидеть, как главные центры осуществляют транспортировку к меньшим. В этом конкретном рисунке цвета не означают уровня заражения, а служат только лишь для цветовой дифференциации семейств:



In[65]:=



Ebola_82.png



Out[65]=



Ebola_83.gif



Марко: Из этого представления графа становится очевидным наличие трех доминирующих семейств вершин. Из этого рисунка также становится ясно, какое из этих основных семейств служит источник заражения меньших. Это может помочь в принятии решения о профилактических мерах по распространению эпидемии. Теперь мы можем создать граф, который похож на один, из представленных в статье Дирка Брокмана:



In[66]:=



Ebola_84.png



In[67]:=



Ebola_85.png



In[68]:=



Ebola_86.png



Out[68]//TableForm=

Ebola_87.gif



Ebola_88.gif



Ebola_89.gif



Ebola_90.gif



Ebola_91.gif



Ebola_92.gif



Виталий: Мы использовали значение «RadialEmbedding» для опции GraphLayout (радиальное расположение вершин графа) и установили значение подопции «RootVertex» (корневой вершины), равное «FNA», т. е. идентификатору аэропорта, с которого началось распространение эпидемии. Я вижу, что пандемия распространяется из этой вершины по слоям от центра к периферии. Марко, не могли бы вы объяснить, что это значит?



Марко: В центре нашей визуализации графа мы видим аэропорт, соответствующий началу вспышки заболевания. Слой вокруг него представляет собой все те аэропорты, которых можно достичь прямым перелетом, они становятся первыми жертвами распространяющейся эпидемии. Следующий слой представляет собой набор аэропортов, которые могут быть достигнуты с одной пересадкой, ясно, что они будут инфицированы на втором шаге распространения заболевания и т. д. Эта визуализация демонстрирует то, что структура сети, а не расстояние, имеет важное значение.



Виталий: Как можно сделать эту модель несколько более реалистичной?



Марко: Мы рассмотрели некоторые простые частные случаи модели, которая сначала описывает вспышку болезни с помощью SIR-модели на локальном уровне и затем объединяет множество аналогичных локальных SIR-моделей, основываясь на связях некоторого графа транспортных путей. Однако, все еще существует множество проблем, которые можно поставить. Вот их формулировки:



1. Вероятность передачи зависит от множества факторов, например, системы здравоохранения и плотности населения в регионе.



2. Вероятность выздоровления будет также зависеть от многих факторов, например, системы здравоохранения.



3. Не все возможные пути (дороги/траектории полета) будут выбираться с равной вероятностью. Опубликованные статьи свидетельствуют о том, что существует определенная зависимость: чем больше расстояние до места, тем меньше вероятность, что кто-то туда поедет.



4. Миграция/скорость перемещения будет своя для каждой из групп восприимчивых, инфицированных и выздоровевших; скажем, инфицированные люди вряд ли будут путешествовать.



Кроме того, нам может потребоваться учет в модели различных попыток правительств контролировать вспышку заболевания. Итак давайте попробуем решить некоторые из этих вопросов, создав новую модель пандемии лихорадки Эбола. Если бы мы попробовали учесть в модели все города и все аэропорты Мира, то это явно было бы слишком сложной задачей для обычного ноутбука. На основании приведенных выше разделов, в целом ясно, как можно расширить модель в этом направлении, но мне хотелось бы обратить внимание на некоторые дополнительные подходы, которые могут оказаться полезными.



Наша модель будет работать со всеми (по крайней мере с подавляющим большинством) стран по всему Миру. Связи между ними будут моделироваться на основе соответствующих связей между аэропортами. Начнем с того, что соберем некоторые дополнительные данные для нашей модели.



Очистим переменные и, как и прежде, импортируем данные о аэропортах и рейсах:



In[69]:=



Ebola_93.png



In[70]:=



Ebola_94.png



Функция SemanticImport сразу определяет страну, к которой принадлежит тот или иной аэропорт. Мы можем легко построить список правил замены вида «идентификатор аэропорта» > «страна»:



In[71]:=



Ebola_95.png



Сейчас мы создадим граф с помощью функции Graph. Поскольку мы хотим изучить связи между странами, мы заменим идентификаторы аэропортов соответствующими названиями стран:



In[72]:=



Ebola_96.png



Виталий: Вы говорите, что теперь ребра графа соответствуют связям между странами, а не аэропортами?



Марко: Ребра на самом деле задают, как и раньше, рейсы. Они, как и раньше, соединяют между собой аэропорты, но мы теперь хотим моделировать связи между странами. Поэтому, мы, проще говоря, заменяем все аэропорты, находящиеся в одной стране — одной вершиной, соответствующей этой стране. По сути мы решаем известную математическую задачу о стягивании ребер графа.



Оказывается, как и раньше, что данные по некоторым аэропортам отсутствуют, при этом большинство недостающих данных относится к крайне маленьким аэропортам. Мы удалим все аэропорты, страна расположения которых нам не известна:



In[73]:=



Ebola_97.png



Наконец, что не менее важно, мы построим матрицу смежности (матрицу связей) нашего графа:



In[74]:=



Ebola_98.png



Мы также создадим список всех стран, которые участвуют в нашей модели:



In[75]:=



Ebola_99.png



Очевидно, что чем больше плотность населения, тем выше доля заболевших. Конечно, это допущение, так как важно учитывать именно места локальной повышенной населённости. Если страна очень большая, но все живут в городах, реальная плотность населения значительно выше.



Чтобы рассматривать население, нам нужна информация по её численности и плотности во всех странах:



In[76]:=



Ebola_100.png



Теперь нужно построить простую «модель» описывающую, как плотность населения может влиять (отчасти) на количество заболевших. В первой модели мы приняли значение вероятности заражения равным

http://habrahabr.ru/post/243913/

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
алла_разумикина

Откуда берутся вирусы

Четверг, 20 Ноября 2014 г. 07:03 (ссылка)


 



Influenza-virus-cropped1



Вирусы – причина инфекционных заболеваний и эпидемий. Такие же древние как жизнь. Их называют причиной эволюции и «орудием бога», они «создали» человека, но могут и уничтожить его. Особенно если их использовать как оружие…



Возникновение



Вирусы вездесущи. Они способны выживать как в глубинах океана, так и на высоте птичьего полета. Им не препятствует ни высокая, ни холодная температура. Для существования им нужно только одно условие – чужая жизнь. И это вовсе не обязательно должен быть человек или животное, достаточно и одной клетки, бактерии, или даже другого вируса, где инфекционный агент сможет размножаться.



Читать далее...
Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
kabmir

Исследования: даже глобальная пандемия не решит проблему перенаселения планеты

Пятница, 07 Ноября 2014 г. 18:46 (ссылка)

Глобальная пандемия не решит проблему перенаселения планеты

Исследователи заявляют, что усилия по сдерживанию роста численности населения нашей планеты не имеют практически никаких шансов. Так что же нам осталось делать, ведь нас слишком много? Как бы сложно нам ни было поверить в это, но существуют достоверные данные, согласно которым в настоящее время на нашей планете проживает 14% всех людей, когда-либо рожденных на Земле.

Читать полностью + ссылка на источник...
Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество

Следующие 30  »

<пандемия - Самое интересное в блогах

Страницы: [1] 2 3 ..
.. 10

LiveInternet.Ru Ссылки: на главную|почта|знакомства|одноклассники|фото|открытки|тесты|чат
О проекте: помощь|контакты|разместить рекламу|версия для pda