SARS-CoV-19 spread in different countries

The SEIRS(D) model for the purpose of experimenting with the phenomena of viral spread. I use it for COVID-19 simulation.

Model di samping adalah model SEIR yang telah dimodifikasi sehingga dapat digunakan untuk menyimulasikan perkembangan penyebaran COVID-19.

SARS-CoV-19 spread in different countries

This Model was first developed from the SIR model (Susceptible, Infected, Recovered). It was designed to explore relationship between the government policies regarding the COVID-19 and its influences on the economy as well as well-being of local residents. 

 

Assumptions:

Government policies will be triggered when reported COVID-19 case are 10 or less;

Government policies reduces the infection and economic growth at the same time.

 

Interesting Insights:

In the first two weeks, the infected people showed an exponential growth, in another word, that’s the most important period to control the number of people who got affected. 

 

A simple ABM example illustrating how the SEIR model works. It can be a basis for experimenting with learning the impact of human behavior on the spread of a virus, e.g. COVID-19.

SARS-CoV-19 spread in different countries

The SEIRS(D) model for the purpose of experimenting with the phenomena of viral spread. I use it for COVID-19 simulation.

The SEIRS(D) model for the purpose of experimenting with the phenomena of viral spread. I use it for COVID-19 simulation.

This Model was first developed from the SIR model (Susceptible, Infected, Recovered). It was designed to explore relationship between the government policies regarding the COVID-19 and its influences on the economy as well as well-being of local residents. 

 

Assumptions:

Government policies will be triggered when reported COVID-19 case are 10 or less;

Government policies reduces the infection and economic growth at the same time;

Ro= 5.7  Ro is the reproduction number, here it means one person with COVID-19 can potentially transmit the coronavirus to 5 to 6 people,

 

Interesting Insights:

In the first two weeks, the infected people showed an exponential growth, in another word, that’s the most important period to control the number of people who got affected. 

 

A sample model for class discussion modeling COVID-19 outbreaks and responses from government with the effect on the local economy.  Govt policy is dependent on reported COVID-19 cases, which in turn depend on testing rates less those who recover

SARS-CoV-19 spread in different countries

Ausbreitung von SARS-CoV-19 in verschiedenen Ländern
- bitte passen Sie die Variablen über die Schieberegler weiter unten entsprechend an

Italien

    ältere Bevölkerung (>65): 0,228
    Faktor der geschätzten unentdeckten Fälle: 0,6
    Ausgangsgröße der Bevölkerung: 60 000 000
    hoher Blutdruck: 0,32 (gbe-bund)
    Herzkrankheit: 0,04 (statista)
    Anzahl der Intensivbetten: 3 100


Deutschland

    ältere Bevölkerung (>65): 0,195 (bpb)
    geschätzte unentdeckte Fälle Faktor: 0,2 (deutschlandfunk)
    Ausgangsgröße der Bevölkerung: 83 000 000
    hoher Blutdruck: 0,26 (gbe-bund)
    Herzkrankheit: 0,2-0,28 (Herzstiftung)
    Anzahl der Intensivbetten: 5 880


Frankreich

    ältere Bevölkerung (>65): 0,183 (statista)
    Faktor der geschätzten unentdeckten Fälle: 0,4
    Ausgangsgröße der Bevölkerung: 67 000 000
    Bluthochdruck: 0,3 (fondation-recherche-cardio-vasculaire)
    Herzkrankheit: 0,1-0,2 (oecd)
    Anzahl der Intensivbetten: 3 000


Je nach Bedarf:

    Anzahl der Begegnungen/Tag: 1 = Quarantäne, 2-3 = soziale Distanzierung , 4-6 = erschwertes soziales Leben, 7-9 = überhaupt keine Einschränkungen // Vorgabe 2
    Praktizierte Präventivmassnahmen (d.h. sich regelmässig die Hände waschen, das Gesicht nicht berühren usw.): 0.1 (niemand tut etwas) - 1 (sehr gründlich) // Vorgabe 0.8
    Aufklärung durch die Regierung: 0,1 (sehr schlecht) - 1 (sehr transparent und aufklärend) // Vorgabe 0,9
    Immunitätsrate (aufgrund fehlender Daten): 0 (man kann nicht immun werden) - 1 (wenn man es einmal hatte, wird man es nie wieder bekommen) // Vorgabe 0,4


Schlüssel

    Anfällige: Menschen sind nicht mit SARS-CoV-19 infiziert, könnten aber infiziert werden
    Infizierte: Menschen sind infiziert worden und haben die Krankheit COVID-19
    Geheilte: Die Menschen haben sich gerade von COVID-19 erholt und können es in diesem Stadium nicht mehr bekommen
    Tote: Menschen starben wegen COVID-19
    Immunisierte: Menschen wurden immun und können die Krankheit nicht mehr bekommen
    Kritischer Prozentsatz der Wiederherstellung: Überlebenschance ohne spezielle medizinische Behandlung

SARS-CoV-19 spread in different countries

A sample model for class discussion modeling COVID-19 outbreaks and responses from government with the effect on the local economy.  Govt policy is dependent on reported COVID-19 cases, which in turn depend on testing rates less those who recover

SARS-CoV-19 spread in different countries

The System Dynamics Model presents the the COVID-19 status in Puerto Princesa City

The System Dynamics Model presents the the COVID-19 status in Puerto Princesa City

The System Dynamic Model represents the Covid19 cases in Brgy. Sicsican, Puerto Princesa City as of May 27,2022. 

A sample model for class discussion modeling COVID-19 outbreaks and responses from government with the effect on the local economy.  Govt policy is dependent on reported COVID-19 cases, which in turn depend on testing rates less those who recover

Here we have a basic SEIR model and we will investigate what changes would be appropriate for modelling the 2019 Coronavirus