Kompartmentalisierende Modelle: Unterschied zwischen den Versionen

Aus Kyffhäuser KI
Zur Navigation springen Zur Suche springen
← Zum vorherigen Versionsunterschied
VisuellWikitext
Keine Bearbeitungszusammenfassung
Keine Bearbeitungszusammenfassung
 
(4 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt)
Zeile 1: Zeile 1:
== Kurzbeschriebung ==
== Kurzbeschriebung ==


[[Beschreibung ist::Das SEIR-Modell erweitert das SIR-Modell um ein zusätzliches Kompartiment Exposed (E) für infizierte, aber noch nicht infektiöse Individuen. Damit bildet es eine Latenz- bzw. Inkubationsphase explizit ab, was für viele Infektionskrankheiten realistischer ist als ein unmittelbarer Übergang von empfänglich zu infektiös.]]
[[Beschreibung ist::Kompartmentalisierende Modelle sind mechanistische mathematische Modelle, bei denen eine Population in eine endliche Anzahl von Kompartimenten unterteilt wird, die jeweils einen bestimmten Zustand repräsentieren (z. B. empfänglich, infiziert, genesen). Die Dynamik des Systems ergibt sich aus Übergängen zwischen diesen Kompartimenten.]]


[[Beschreibung ist::Im Standard-SEIR-Modell gilt typischerweise:
[[Beschreibung ist::Die zeitliche Entwicklung wird typischerweise durch gewöhnliche Differentialgleichungen (kontinuierlich) oder Differenzgleichungen (diskret) beschrieben. Übergangsraten hängen von Modellparametern und vom aktuellen Zustand der Population ab, etwa der Anzahl infizierter Individuen.]]
<math>\frac{dS}{dt} = -\beta \frac{S I}{N}</math>
<math>\frac{dE}{dt} = \beta \frac{S I}{N} - \sigma E</math>
<math>\frac{dI}{dt} = \sigma E - \gamma I</math>
<math>\frac{dR}{dt} = \gamma I</math>
Dabei ist <math>\sigma</math> die Rate, mit der Exponierte infektiös werden (mittlere Latenz <math>1/\sigma</math>), während <math>\beta</math> und <math>\gamma</math> analog zum SIR-Modell interpretiert werden.]]


[[Beschreibung ist::Die Latenz verschiebt Dynamiken zeitlich: Ausbrüche können verzögert auftreten, und die beobachtete Wellenform kann sich verändern. Die Schwellenbedingung bleibt qualitativ ähnlich (<math>R_0>1</math>), wobei <math>R_0</math> in vielen SEIR-Parametrisierungen weiterhin im Wesentlichen durch Übertragungs- und Genesungsparameter bestimmt wird (modellabhängige Details, z. B. bei zusätzlicher Mortalität oder komplexeren Kontaktstrukturen).]]
[[Beschreibung ist::Ein generisches Beispiel ist
<math>\frac{dX_i}{dt} = \sum_j F_{ji}(X,\theta) - \sum_j F_{ij}(X,\theta)</math>,
wobei <math>X_i</math> die Größe eines Kompartiments und <math>F_{ij}</math> Übergänge zwischen Kompartimenten darstellen. Die Modelle sind aggregiert, d. h. individuelle Heterogenität wird nicht explizit abgebildet.]]


[[Beschreibung ist::SEIR ist weiterhin ein aggregiertes Modell mit homogene-mixing-Annahme, wird aber oft als „Minimalmodell“ betrachtet, wenn eine explizite Inkubationsphase wichtig ist. Es ist Ausgangspunkt für viele praxisnahe Erweiterungen (SEIRS, SEIRD, Altersstruktur, Raum, stochastische/bayessche Varianten).]]
[[Beschreibung ist::Kompartmentalisierende Modelle sind transparent, interpretierbar und recheneffizient. Sie bilden die Grundlage eines Großteils der klassischen epidemiologischen Modellierung und dienen oft als Ausgangspunkt für Erweiterungen (z. B. Altersstruktur, Raum, Stochastik, Bayesianisierung).]]


== Anwendbarkeit im Gesundheitssektor ==
== Anwendbarkeit im Gesundheitssektor ==


Im Public Health wird das SEIR-Modell breit eingesetzt für Krankheiten mit signifikanter Inkubationszeit (z. B. Influenza, COVID-19), um realistischere Szenarien und Projektionen zu erstellen und Interventionen wie Test-/Isolationsstrategien oder zeitabhängige Kontaktreduktionen zu bewerten.
Im Public Health sind kompartmentalisierende Modelle eines der zentralen Werkzeuge zur Modellierung von Infektionskrankheiten. Sie werden eingesetzt, um Ausbreitungsdynamiken zu verstehen, epidemiologische Kennzahlen (z. B. Reproduktionszahlen) abzuleiten und Interventionen wie Impfungen oder Kontaktreduktionen zu analysieren.


In der Anwendung unterstützt SEIR die Interpretation von Surveillance-Daten, indem es zwischen „infiziert“ und „infektiös“ unterscheidet, was für Nowcasting/Forecasting und Policy-Planung relevant ist. Für operative Entscheidungen wird es häufig weiter angereichert (Meldefehler, Zeitvariation, Datenfusion, bayessche Kalibration).
Darüber hinaus dienen sie als Basismodelle für komplexere Ansätze, etwa metapopulationsbasierte Modelle, agentenbasierte Simulationen oder bayessche Zustandsraummodelle. Aufgrund ihrer Einfachheit sind sie besonders geeignet für Kommunikation, Szenarien und Politikberatung, auch wenn sie reale Heterogenität nur eingeschränkt abbilden.


== Sonstiges ==
== Sonstiges ==


Explizite Latenzphase verbessert Realismus gegenüber SIR
Starke Vereinfachung realer Systeme


Parameter <math>\sigma</math> verknüpft Modell mit Inkubationszeit
Sehr gut analytisch zugänglich


Häufiger Ausgangspunkt für praxisnahe Erweiterungen (SEIRS, SEIRD, …)
Erweiterbar (Alter, Raum, Stochastik, Zeitvariation)


== Semantik ==
== Semantik ==


Wikidata-Identifikator ist: [[Wikidata ID ist::Q12121173]]
Wikidata-Identifikator ist: [[Wikidata ID ist::Q2572354]]


Deutsche Wikipediaseite ist: [[Wikipedia-de-Seite ist::https://de.wikipedia.org/wiki/SEIR-Modell
Englische Wikipediaseite ist: [[Wikipedia-en-Seite ist::Compartmental_models_in_epidemiology
]]
]]


Englische Wikipediaseite ist: [[Wikipedia-en-Seite ist::https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology#The_SEIR_model
Quelle: [[Quelle ist::Kermack & McKendrick (1927); Keeling & Rohani (2008)]]
]]
 
Quelle: [[Quelle ist::Keeling & Rohani (2008); Diekmann, Heesterbeek & Britton (2013)]]


Behandlung von Unsicherheit in den Ergebnissen der Methode ist [[Behandlung von Unsicherheit in den Ergebnissen der Methode ist::implizit]]
Behandlung von Unsicherheit in den Ergebnissen der Methode ist [[Behandlung von Unsicherheit in den Ergebnissen der Methode ist::implizit]]


Für die Methode benötigte Datenmenge ist [[Für die Methode benötigte Datenmenge ist::klein;mittel]]
Für die Methode benötigte Datenmenge ist [[Für die Methode benötigte Datenmenge ist::mittel]]


Zweck der Methode ist [[Zweck der Methode ist::Simulation;Inferenz;Vorhersage]]
Zweck der Methode ist [[Zweck der Methode ist::Simulation]], [[Zweck der Methode ist::Inferenz]], [[Zweck der Methode ist::Voraussage]]


Methode ist Mitglied der Methodenfamilie [[Methode ist Mitglied der Methodenfamilie::Mechanistisch;Simulation]]
Methode ist Mitglied der Methodenfamilie [[Methode ist Mitglied der Methodenfamilie::Mechanistisch]], [[Methode ist Mitglied der Methodenfamilie::Simulation]]


Interpretierbarkeit der Ergebnisse der Methode ist [[Interpretierbarkeit der Ergebnisse der Methode ist::gut]]
Interpretierbarkeit der Ergebnisse der Methode ist [[Interpretierbarkeit der Ergebnisse der Methode ist::gut]]

Aktuelle Version vom 3. Februar 2026, 15:53 Uhr

Kurzbeschriebung

Kompartmentalisierende Modelle sind mechanistische mathematische Modelle, bei denen eine Population in eine endliche Anzahl von Kompartimenten unterteilt wird, die jeweils einen bestimmten Zustand repräsentieren (z. B. empfänglich, infiziert, genesen). Die Dynamik des Systems ergibt sich aus Übergängen zwischen diesen Kompartimenten.

Die zeitliche Entwicklung wird typischerweise durch gewöhnliche Differentialgleichungen (kontinuierlich) oder Differenzgleichungen (diskret) beschrieben. Übergangsraten hängen von Modellparametern und vom aktuellen Zustand der Population ab, etwa der Anzahl infizierter Individuen.

Ein generisches Beispiel ist '"`UNIQ--math-00000000-QINU`"', wobei '"`UNIQ--math-00000001-QINU`"' die Größe eines Kompartiments und '"`UNIQ--math-00000002-QINU`"' Übergänge zwischen Kompartimenten darstellen. Die Modelle sind aggregiert, d. h. individuelle Heterogenität wird nicht explizit abgebildet.

Kompartmentalisierende Modelle sind transparent, interpretierbar und recheneffizient. Sie bilden die Grundlage eines Großteils der klassischen epidemiologischen Modellierung und dienen oft als Ausgangspunkt für Erweiterungen (z. B. Altersstruktur, Raum, Stochastik, Bayesianisierung).

Anwendbarkeit im Gesundheitssektor

Im Public Health sind kompartmentalisierende Modelle eines der zentralen Werkzeuge zur Modellierung von Infektionskrankheiten. Sie werden eingesetzt, um Ausbreitungsdynamiken zu verstehen, epidemiologische Kennzahlen (z. B. Reproduktionszahlen) abzuleiten und Interventionen wie Impfungen oder Kontaktreduktionen zu analysieren.

Darüber hinaus dienen sie als Basismodelle für komplexere Ansätze, etwa metapopulationsbasierte Modelle, agentenbasierte Simulationen oder bayessche Zustandsraummodelle. Aufgrund ihrer Einfachheit sind sie besonders geeignet für Kommunikation, Szenarien und Politikberatung, auch wenn sie reale Heterogenität nur eingeschränkt abbilden.

Sonstiges

Starke Vereinfachung realer Systeme

Sehr gut analytisch zugänglich

Erweiterbar (Alter, Raum, Stochastik, Zeitvariation)

Semantik

Wikidata-Identifikator ist: Q2572354

Englische Wikipediaseite ist: Compartmental_models_in_epidemiology

Quelle: Kermack & McKendrick (1927); Keeling & Rohani (2008)

Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit

Für die Methode benötigte Datenmenge ist mittel

Zweck der Methode ist Simulation, Inferenz, Voraussage

Methode ist Mitglied der Methodenfamilie Mechanistisch, Simulation

Interpretierbarkeit der Ergebnisse der Methode ist gut

Webseite: https://epirecipes.org/

Abgerufen von „https://osl.bastler.space/index.php?title=Kompartmentalisierende_Modelle&oldid=578“