Vào thứ Bảy, ngày 12/04/2025 vừa qua, chuỗi seminar "Học Thuật Không Giới Hạn" đã được tiếp tục với lần thứ 2 mang chủ đề "Short-term prediction and impacts of different socio-factors and mobility levels on the spread of COVID-19", do TS. Nguyễn Minh Hạnh, giảng viên Khoa Công nghệ Thông tin, trình bày. Chuỗi seminar được tổ chức nhằm tạo ra không gian trao đổi học thuật sôi động, kết nối và thúc đẩy tư duy nghiên cứu trong cộng đồng giảng viên.

1. Tổng quan

Đại dịch COVID-19 đã đòi hỏi các mô hình tiên tiến để dự đoán sự lây lan và tác động của nó, tích hợp các yếu tố kinh tế - xã hội, tính di động và năng lực hệ thống y tế. Bài báo này xem xét các nghiên cứu chính tập trung vào dự báo ngắn hạn, động lực không gian - thời gian, tác động của du lịch, tính dễ bị tổn thương và lập bản đồ bệnh Bayesian, với Bỉ là một nghiên cứu điển hình. Các mô hình này hỗ trợ các chiến lược y tế công cộng bằng cách nắm bắt các mô hình truyền nhiễm phức tạp và các điểm dễ bị tổn thương.

2. Mô hình Hiện tượng Đa biến cho Dự báo Ngắn hạn Thời gian Thực về Năng lực Bệnh viện cho COVID-19 tại Bỉ từ Tháng 3 đến Tháng 6 năm 2020

Các mô hình hiện tượng đa biến được phát triển để dự báo nhu cầu năng lực bệnh viện tại Bỉ trong đợt sóng COVID-19 đầu tiên (Tháng 3–Tháng 6 năm 2020). Các mô hình này sử dụng dữ liệu thời gian thực về ca bệnh, nhập viện và tử vong để dự đoán số giường bệnh (tổng quát và ICU) trong khoảng 1–4 tuần. Bằng cách kết hợp các tham số dịch tễ học (ví dụ, số tái sản xuất) và tác động chính sách (ví dụ, phong tỏa), chúng đạt được độ chính xác cao, với sai số dưới 10% cho các dự báo ngắn hạn. Các mô hình nhấn mạnh vai trò quan trọng của các can thiệp sớm trong việc ngăn chặn quá tải bệnh viện.

3. Mô hình Không gian - Thời gian để Nghiên cứu Sự lây lan của COVID-19, Xem xét Tính di động giữa các Thành phố

Một mô hình không gian - thời gian được sử dụng để phân tích sự lây lan của COVID-19 trên các thành phố tại Bỉ, tích hợp dữ liệu di động (ví dụ, hồ sơ điện thoại di động). Sử dụng Hồi quy Trọng số Theo Địa lý và Thời gian (GTWR), mô hình nắm bắt sự không đồng nhất không gian và xu hướng thời gian, cho thấy tính di động giữa các thành phố là yếu tố quan trọng thúc đẩy truyền nhiễm. Các trung tâm di động cao (ví dụ, trung tâm đô thị) có tỷ lệ ca bệnh cao hơn, với độ chính xác dự đoán tăng 15% so với các mô hình không không gian.

4. Ảnh hưởng của Du lịch Quốc gia và Quốc tế đối với Sự truyền nhiễm Không gian - Thời gian của SARS-CoV-2 tại Bỉ năm 2021

Phần này xem xét cách du lịch quốc gia và quốc tế ảnh hưởng đến sự truyền nhiễm SARS-CoV-2 tại Bỉ trong năm 2021. Các mạng nơ-ron dựa trên đồ thị đã mô hình hóa các mạng du lịch, cho thấy các chuyến bay quốc tế (ví dụ, từ các quốc gia có tỷ lệ lưu hành cao) và di chuyển nội địa làm gia tăng các đợt bùng phát, đặc biệt trong các đợt biến thể (ví dụ, Delta). Các hạn chế du lịch đã giảm truyền nhiễm tới 20%, với các sân bay được xác định là các nút truyền nhiễm chính.

5. Mô hình hóa Tính dễ bị tổn thương Cục bộ đối với COVID-19 trong Bối cảnh Bùng phát

Các mô hình tính dễ bị tổn thương cục bộ đã đánh giá cách các yếu tố kinh tế - xã hội (ví dụ, nghèo đói, tuổi tác, bệnh đồng mắc) ảnh hưởng đến kết quả COVID-19 tại Bỉ. Sử dụng hồi quy logistic và học máy, các mô hình xác định các nhóm dễ bị tổn thương (ví dụ, người cao tuổi, nhóm thu nhập thấp) có nguy cơ nhiễm bệnh và tử vong cao hơn 30%. Những phát hiện này nhấn mạnh nhu cầu về các can thiệp mục tiêu, như tiêm chủng ưu tiên và hỗ trợ thu nhập, để giảm thiểu chênh lệch.

6. Đánh giá Ảnh hưởng của Cấu trúc Láng giềng trong Lập bản đồ Bệnh Bayesian

Lập bản đồ bệnh Bayesian được sử dụng để đánh giá cách các cấu trúc láng giềng ảnh hưởng đến sự lây lan của COVID-19 tại Bỉ. Bằng cách kết hợp tính kề cận không gian và các biến kinh tế - xã hội, các mô hình cải thiện dự đoán phân cụm ca bệnh lên 12% so với các phương pháp truyền thống. Các khu vực đô thị có mật độ cao và tính di động cao cho thấy nguy cơ tăng, hỗ trợ các biện pháp kiểm soát cục bộ như quy định đeo khẩu trang và chiến dịch xét nghiệm.

7. Thảo luận và Kết luận

Các nghiên cứu được xem xét chứng minh sức mạnh của việc tích hợp dữ liệu di động, kinh tế - xã hội và không gian trong mô hình hóa động lực COVID-19. Các phát hiện chính bao gồm hiệu quả của phong tỏa sớm, vai trò của du lịch trong truyền nhiễm, và tác động không cân đối đối với các nhóm dễ bị tổn thương. Đối với năm 2025, các mô hình thích ứng kết hợp dữ liệu thời gian thực và động lực biến thể là cần thiết. Các nhà hoạch định chính sách nên ưu tiên các can thiệp nhanh, phân bổ nguồn lực công bằng, và hạn chế di động để kiểm soát các đợt bùng phát trong tương lai.