Modellen kan svare på spørsmål som «hva er mest effektivt mot smittespredning?» eller «hva skjer hvis vi ikke har smittesporing?».
Men før forskere kan finne svaret, må de finne modellen for smittespredning som passer best til det som faktisk skjedde under covid-19 pandemien.
Stipendiat Ida-Marie Fauske Johansson er fysiker ved Universitetet i Oslo. En del av prosjektet hennes handler om å finne ut hvilken pandemimodell som passer best.
– Vi har en modell som skal prøve å gjenskape smittebildet og hvordan smitten beveget seg gjennom befolkningen, forklarer Fauske Johansson. Vi prøver å finne de parameterverdiene som gir det samme utslaget.
Matchmaker mellom store datasett og modeller
For å finne den perfekte modellen bruker hun et hjelpemiddel fra teoretisk fysikk. GAMBIT er en slags matchmaker mellom mange ulike modeller og store datasett. GAMBIT ble bygget for å hjelpe forskere innen teoretisk fysikk, der det florerer med både data og ulike teorier om hvordan verden henger sammen.
Hva er GAMBIT?
En metode som hjelper til med å finne modeller som passer til data. Dette er nyttig i problemstillinger hvor det finnes mye, forskjellige data og mange modeller.
Les mer om GAMBIT på hjemmesiden til fysisk institutt her (engelsk).
Forskerne innså at en slik matchmaker er nyttig i mye annen forskning.
Fauske Johansson påpeker at covid-pandemien er nyttig å studere fordi det ble gjort mye god datainnsamling underveis.
– Vi har data på sykehusinnleggelser, alle som testet positivt og hvor mange de hadde vært i kontakt med. I modellen kan vi rekonstruere hvordan folk møttes og lage nettverk som ikke er tilfeldige. Det kan vi gjøre fordi vi har disse dataene, forklarer Fauske Johansson.
Denne typen modell kalles agentbasert modell. Det er fordi enkeltindivider og hvordan de oppfører seg, er en del av modellen.
Bruker hele Oslos befolkning som labrotter
– Vi simulerer hele Oslos befolkning i 2020, forklarer hun.
Og det er vanskelig fordi det er ganske mange individer. I tillegg er det 22 ulike variabler som er med.
Det er snakk om enorme mengder data. For hver gang de gjør en justering, må de kalibrere hele systemet på nytt. Derfor tar det tid, men en dag vil de ha en modell som kan forklare smitten. Da kan de låse innstillingene i programmet og svare på det alle lurer på.
Hva hadde skjedd om vi ikke hadde hatt smittesporing?
– Vi kan for eksempel skru av smittesporingen, forklarer hun. Da kan vi se hvordan sykdommen hadde utviklet seg hvis vi ikke hadde drevet med det. På denne måten kan vi lære hvilke tiltak som virket og hva som har mest effekt.
Hun fortsetter.
– Til neste pandemi kan vi se hva vi bør gjøre annerledes. Hvilke tiltak gir færrest sykehusinnleggelser?
– Det er for eksempel en tidsperiode mellom når en smitteprøve blir tatt før svaret er kjent. Hvis denne tidsperioden er kortere, ville det gitt oss mindre smitte? Dette er gull verdt å kunne si noe om til beslutningstagere. Det kan være noen positive utfall ved å gjøre små endringer, sier hun. Det er gjort noen studier på dette allerede.
Og ikke minst, hvordan ville andre strategier for å hindre smitte fungere i Oslo?
– Vi kan også sammenlikne det som skjedde i Oslo med tiltakene som ble gjort andre steder. Hvordan hadde smitten utviklet seg i Oslo om vi ikke hadde gjort tiltak, sier hun.
Bedre forberedt til nye pandemier
Til neste pandemi vil forhåpentligvis modellen være klar. Dersom neste pandemi smitter ved dråpesmitte, vil modellen kunne tilpasses ganske lett.
– Men sykdommer som har et veldig annerledes smittemønster, slik som seksuelt overførbare sykdommer, blir noe annet, forklarer hun.
