Modelarea Influenza A (H1N1)

În timp ce modelarea bolii cunoscută sub numele de infuenza se întâmplă de ceva timp, primul
caz de influenza A (H1N1) a fost raportat în Mexic la mijlocul lunii aprilie 2009, permițând oamenii de
știință in mai puțin de un an, ca să nu mai vorbim de date limitate, pentru a studia dinamica transmisiei
acest nou virus.

Primul studiu efectuat asupra bolii a fost realizat de Boëlle, Bernillon și Desenclos (mai, 2009),
obiectivul principal al activității lor fiind estimarea preliminară a raportul de reproducere de bază (R0),
care poate fi definit ca fiind numărul de infecții secundare cauzate de o singură infecție introdusă într-o
populație formată în întregime din indivizi susceptibili pe parcursul infecției. Folosind metodele de rata
de creștere intrinsecă și estimarea în timp real au evaluat raportul de reproducere ca fiind un număr mai
mic de 2,2 zile până la un interval de generare (perioada dintre timpul de infecție al unui individ infectat
și timpul de infecție al infecționerului său [Kenah, Lipsitch & Robins, 2008]) iar din 3.1 zile și au ajuns la
concluzia că estimările depindeau în mod hotărât de presupunerile făcute privind intervalul de generare.

Iunie 2009 a adus cel de-al doilea studiu privind noua tulpină de influenza. Acest studio efectuat
de Fraser și colaboratorii a utilizat mai multe analize epidemiologice care au dus la o estimare a raportul
de reproducere de bază (R0) în intervalul de la 1,4 la 1,6 și a concluzionat că acest interval de valori este
10, în concordanță cu cele paisprezece până la șaptezeci și trei de cazuri de transmitere de la om la om
raportate în Mexic până la sfârșitul lunii aprilie. Implementarea unui model SEIR stochastic, Flahault,
Vergu și Boëlle (August, 2009) a utilizat mai multe valori ale raportului de reproducere și a intervalului
de generare pentru modelarea răspândirea potențială a bolii într-o rețea de 52 de orașe, încercând, de
asemenea, să prezice efectul vaccinării. Rezultatele simulării lor au arătat o rată de atac (cumulative,
incidența infecției la o populație într-un anumit interval de timp [Ultima, 2001]) a influenza A (H1N1) de
46% (considerând o populație complet sensibilă) cu un raport de reproducere de 1,5 și un interval de
generare de 2 zile. Valori R0 mai mari (2.2) și intervale de generare (3,1 zile) a dus la o rată de atac de
77%. Apoi au ajuns la concluzia că un program de vaccinare în masă cu un raport de reproducere de bază
de 1,5, rezultând 50% din populație vaccinată, începută la 6 luni de la începerea pandemiei, ar putea
reduce posibil totalul numărul de cazuri cu 91%, în timp ce rezultă o reducere de aproximativ 44% pentru
un virus cu R0 = 2.2.

Boni și colaboratorii (Septembrie 2009) a dezvoltat o model matematic specific vârstei și

spațialului pentru a simula progresia H1N1 în Vietnam. Cercetările lor au avut în vedere și oportunități
de reasortare cu alte virusuri gripale, o preocupare în această regiune în care mare prte din populația de
păsări de curte din lume trăiește și acolo unde gripa aviară (H5N1) este încă prevalentă. Mai târziu în acea
lună (septembrie 2009) a fost făcut un studiu folosind o metapopulare structurată globală, model care a
încorporat date de mobilitate și transport la nivel mondial. Balcan și colaboratorii creaza masuratori
stocastice ale epidemiei în curs de dezvoltare la nivel mondial generatoare de aceste date prevalența,
morbiditatea, numărul de cazuri secundare și numărul și data cazurilor importate pentru fiecare
subpopulare.

Campaniile de vaccinare au fost modelate în noiembrie 2009 de către Vespignani et Al. Acești
cercetători au folosit un model structurat global de epidemie și metapopulare a mobilității explorează
eficiența programelor vaste de vaccinare pentru toamna și iarna anului 2009. Rezultatele acestora a arătat
că ar fi necesare intervenții suplimentare pentru a reduce considerabil cumulul numărul de cazuri și
această vaccinare prioritară ar fi esențiale pentru încetinirea avansului pandemia. Utilizând datele din 216
de gospodării, Cauchemez et al. (Decembrie 2009) a evaluat transmiterea virusului influenza A (H1N1) în
Statele Unite. Rezultatele analizele lor au arătat că transmisibilitatea virusului H1N1 în gospodării este
mai mică decât aceasta calculat pentru pandemii istorice și a oferit, de asemenea, noi informații despre
gradul de sensibilitate la infecția diferă cu vârsta.

Model de bază pentru influenza A (H1N1)

În timp ce modelul SIR ia în considerare doar acele boli care determină un individ să poată
infecta susceptibilii la întâlnire, multe boli au ceea ce se numește latent sau faza expusă, în timpul căreia
se spune că individul este infectat, dar nu infecțios. Gripa este o astfel de boală. Datorită acestui aspect al
epidemiologiei sale, modelul folosit trebuia să fie adaptat pentru a include un compartiment destinat
acestor persoane expuse. Epidemia de bază SEIR a fost modificat modelul creat de Arino, Brauer, van
den Driessche, Watmough și Wu (2006) includ decesele din compartimentul infecțios simptomatic datorat
bolii. Un SEISINR model este folosit aici; următoarele ODE reprezintă acest model:

dS
=−Sβ ( I s+ δ I N )
dt

dE
=Sβ ( I s +δ I N )−kE
dt
d Is
= pkE−γ I s−μ I s
dt
d IN
=( 1− p ) kE−ƞ I N
dt

dR
=γ I s+ ƞ I N
dt

Persoanele din compartimentul sensibil sunt expuse la o gazdă infectată cu o rată de contact β.
Odată infectat cu boala, ei intră apoi în faza expusă în care virusul se înmulțește pentru o perioadă de timp
egală cu κ, este important de reținut aici că pentru acest model nu avem în vedere mutația agenților
patogeni. Din expus compartimentează o porție, p, de indivizi intrați în faza infectată cu simptome (IS) în
timp ce restul (1 - p) dintre indivizi dezvoltă forma asimptomatică a bolii și intră în infectate fără
simptome (IN). Recuperarea din faza infectată cu simptome (IS) este obținut cu o rată de γ, moment în
care individul intră în etapa eliminată (R). Intr-un alt caz este posibil ca individul să moară din cauza
gripei. Aceasta duce la o scădere din IS compartiment cu o rată de μ. Unul se recuperează din stadiul IN
al bolii cu o rată de η și intră ulterior în etapa eliminată (R).

Tabelul 1: Descrierea variabilelor SE I s I N R

Variabile la nivelul populației Descriere
S(t) Oameni sensibili la timp t
E(t) Persoanele expuse la momentul t
I s (t) Persoanele infectate (cu simptome) la momentul t

I N (t) Persoanele infectate (asimptomatice) la momentul

t
Persoanele eliminate la momentul t
R(t)

Din nou, în acest model, dimensiunea totală a populației (N) este egală cu suma acestor
compartimente: N =S + E + I s + I N + R.
 Diagrama de flux pentru acest model poate fi văzută în figura 2.

Figura 1: Schema de flux pentru influenza

Rata de contact, β, a fost determinată pentru zona de campus specificată folosind ecuația

8 Rq v́ p
β=
π

derivata de Rhodes și Anderson (2008). Întrucât studiul necesită demografie specifică UCF. O explicație
a parametrii și valorile utilizate pentru H1N1 pot fi văzute în tabelul 2.

Tabelul 2: Rezumatul parametrilor

Simbol Semnificatie Valoare
R0 Raportul de reproducere de bază
4,04 a
β Rata de contact
2,343a
δ Factorul prin care I N a redus
0,5b
infecția
k Perioada de latență
0,526 c
p Fracțiunea expusă la care se
0,67 b
proceseaza I s
γ Rata medie de recuperare
0,244 b
ƞ Rata la care I N proceseaza la R
0,244 b
μ Rata medie de deces datorată
influenza A (H1N1) 0,0002d

Aici, raportul de reproducere de bază (R0) a fost calculat folosind formula de la Brauer și
Castillo-Chávez (2001):
 β
R 0=
γ + μ+ ƞ

Modelul de carantina pentru Influenza A (H1N1)

Primul model alternativ considerat pentru virusul influenza A (H1N1) a fost unul care includea o
perioadă de carantină. Raportul de reproducere de bază, R0, cuantifică transmisia potențialul unei boli.
Dacă raportul de reproducere de bază scade sub unul (R0 <1), adică infecțios nu poate trece infecția în
timpul perioadei infecțioase, infecția se stinge. Dacă de bază raportul de reproducere este mai mare decât
1, R0> 1, există o epidemie în populație. În cazuri unde R0 = 1, boala devine endemică, ceea ce înseamnă
că boala rămâne în populație la a rata constantă, întrucât un individ infectat transmite boala la unul
susceptibil (Trottier și Philippe, 2001). Ideea carantinei este de a reduce numărul de contacte ale unui
infecțiu prin urmare, individul reduce numărul de reproducere de bază sub unul, anulând efectiv ocazia
pentru o epidemie. Pentru a reprezenta această îndepărtare a infecțiilor un compartiment suplimentar (Q)
a fost adăugat la modelul nostru de gripă de bază.

Tabelu 3 : Descrierea variabilelor SE I s I N QR

Variabile la nivelul populației Descriere

S(t) Persoane sensibile la timp t
E(t) Persoane expuse la timp t
I s (t) Persoane infectate (cu simptome) la momentul t

I N (t) Persoane infectate (fără simptome) la momentul t

Indivizi carantinați la momentul t
Q(t)
Persoane eliminate la momentul t
R(t)
Diagrama de flux pentru acest model poate fi văzută în figura 2.

Figura 2: Schema de flux pentru influenza in carantină

În acest model modificat, infecțioșii sunt îndepărtați de la interacțiunea cu populația la un

an rata de d și plasat în compartimentul în carantină (Q). Ei rămân acolo pentru o perioadă de τ
(echivalent cu perioada de recuperare, γ) când intră în compartimentul eliminat (R). Modelul
constă dintr-un sistem format din șase ecuații diferențiale obișnuite:

dS
=−Sβ ( I s+ δ I N )
dt
dE
=Sβ ( I s +δ I N )−kE
dt
d Is
= pkE−γ I s−d I s−μ I s
dt
d IN
=( 1− p ) kE−ƞ I N
dt
dQ
=d I s−τQ
dt
dR
=γ I s−τQ + p I N
dt
Valorile parametrilor pentru acest model sunt în concordanță cumodelul de baza al influenza A
(H1N1), cu includerea timpului petrecut izolat, τ. Acestea pot fi văzute în tabelul 3.

Tabelul 3: Parametri de carantină pentru influenza

Simbol Semnificatie Valoare

 R0 Raportul de reproducere de bază Variaza
β Rata de contact 2,343a
δ Factorul prin care I N a redus 0,5b
infecția
k Perioada de latență 0,526 c
p Fracțiunea expusă la care se 0,67 b
proceseaza I s
γ Rata medie de recuperare 0,244 b
ƞ Rata la care I N proceseaza la R 0,244 b
μ Rata medie de deces datorată 0,0002d
influenza A (H1N1)
d Rata la care persoanele infectate variaza
sunt detectate și introduse in
carantină
τ Timpul mediu petrecut în izolare 0.244

Pentru acest model, rata la care persoanele infectate sunt scoase din colegiu este variată pentru a
determina consecințele lăsării persoanelor infectate mai mult timp în populație. Se poate observa cu
ușurință că dacă setăm d = 0, modelul rezultat este Acela definit ca model de gripă de bază. Aici am decis
să eliminăm indivizii abia după aceea simptomele se prezintă și nu le eliminăm preceptiv contactele.

Modelul de tratament pentru influenza(H1N1)

O altă opțiune pentru diminuarea unei pandemii gripale ar fi tratamentul antiviral. Agenții
antivirali antigripali pot fi folosiți pentru a impiedica boala în caz de expunere, diminuează simptomele
date de infecție și reduce șansa de transmitere a virusului. Modelul nostru de tratament va analiza
impactul tratamentului antiviral, avand un număr total de cazuri de gripă, având diferite rate de ratament.
Tratamentul poate fi aplicat înainte de o epidemie sau în timpul unei epidemii diagnosticate, infecțioși și /
sau indivizi expuși ai populațiilor identificate prin urmărirea contractului în timpul unui an epidemic.
Modelul nostru are în vedere tratarea numai a cazurilor diagnosticate de boală. Tabelul de mai jos
prezintă o descriere a variabilelor pentru acest model.

Descrierea variabilelor SE I S I ST I N R

Variabile la nivelul populației Descriere

S(t) Oameni sensibili la timp t
E(t) Persoanele expuse la momentul t
I s (t) Persoanele infectate (cu simptome) la momentul t

I ST (t) Persoane infectate tratate la timp t

Persoanele infectate (asimptomatice) la momentul
t
I N (t)
Persoanele eliminate la momentul t

R(t)

Pentru a reprezenta persoanele tratate am adăugat la baza noastră un compartiment suplimentar,

I ST . Diagrama de flux a acestui model este foarte similară cu cea a modelului de carantină și poate fi
văzut în figura 3.

Figura 3:Diagrama de flux pentru influenza cu tratament

În acest model avem persoane infectate simptomatice tratate cu o rată de σ, cu o

infecțiozitate redusă a υ. ODE pentru acest model sunt menționate mai jos:

dS
=−Sβ ( I S +δ I N + ɸ I ST )
dt
 dE
=Sβ ( I S + δ I N + ∅ I ST )−kE
dt

d IS
= pkE−σ I S−γ I S−μ I S
dt

d I ST
=σ I S −θ I ST
dt

d IN
=( 1− p ) kE−ƞ I N
dt

dR
=γ I S +ƞ I N +θ I ST
dt

După cum se poate observa din diagrama de flux și din ecuațiile diferențiale obișnuite,
parametrii suplimentari trebuie definiți. Pentru acest model facem și presupunerea că un agentul
antiviral va reduce durata unei perioade infecțioase cu o zi.

Tabelul 4 prezintă semnificațiile și valorile acestor parametri.

Tabelul 4:Parametrii de tratament pentru influenza

Simbol Semnificatie Valoare

β Rata de contact 2,343a
δ Factorul prin care I N a reduz 0,5b
infectia
k Perioada latenta 0,526 c
p Fracție expusă care trebuie 0,67 b
efectuată, I S
γ Rata medie de recuperare 0,244 b
ƞ Rata la care I N proceseaza la R 0,244 b
θ Rata la care I ST proceseaza la R 0,323b
μ Rata medie de decs datorata 0,0002d
influenza (H1N1)
σ Rata la care tratamentul a fos Variabil
administrat
∅ Raducerea infectiei dupe 0,8b
tratamentul individual
 Metode matematice

Soluțiile la modelele matematice au fost obținute cu ajutorul calculatorului program

MATLAB. Pentru a obține soluțiile numerice, ecuațiile diferențiale obișnuite pentru acest studiu a
fost programate în MATLAB și rezolvat folosind soluționatorul ODE45.

REZULTATE INFLUENZA A (H1N1)

Baza vs. model de carantină
Figura 4 prezintă rezultatele grafice de bază (fără intervenție) și carantina rezultate cu un timp de
carantină cuprins între zece zile și o zi. Aceste rezultate de simulare arată practica carantinizării
persoanelor infectate pentru a fi destul de eficientă la numărul de vârf infectat la universitatea, precum și
timpul până la acel vârf, cel mai mic număr de infecți fiind mai mic decât 2000 dacă indivizii sunt
identificați și izolați într-o zi de la prezentarea simptomelor și devenind infecțioase. Fără cunoașterea
modelului în sine, factorii de decizie ar fi capabili.
 Figura 4:Rezultate grafice (Baza vs. carantină, cu valori variate d)

Tabelul 5 conține un rezumat al simulărilor de gripa, inclusiv valoarea pentru parametrul d, rata la
care sunt detectați și eliminați persoanele infectate în carantină, raportul de reproducere de bază și
numărul total infectat.

Tabelul 5:Rezultate numerice ale gripei (bază vs. carantină)

Rata de
Rata de Echivalentul lui reproducere, R0 Numarul de
carantina d in zile infectati

d = 0.10 10 3.8 10060

d = 0.25 4 3.6 7058

d = 0.50 2 3.5 4226

d = 0.55 1.8 3.5 3854

d = 0.60 1.7 3.5 3526

d = 0.65 1.5 3.5 3230

d = 0.70 1.4 3.5 2973

d = 0.75 1.3 3.5 2726

d = 0.80 1.25 3.5 2532

d = 0.85 1.2 3.5 2346

d = 0.90 1.1 3.5 2180

d = 0.95 1.05 3.5 2029

d = 1.00 1 3.5 1893

 Tabelul 5 relevă, de asemenea, un fenomen interesant. Aceasta este relația cu rata de carantina (d)
are raportul de reproducere de baza (R0).

Baza vs. model de tratament

Pot fi rezultate grafice ale modelului de tratament, similare cu cele ale modelului de carantină
văzută în figura 5.

Figura 5: Rezultatele grafice (bază vs. tratament, cu valori variabile σ)

Atunci când încercați să luați decizii pe baza datelor de simulare, poate fi avantajose și rezultatele
sub formă de tabel. Astfel de rezultate pot fi observate în tabelul 6.

Tabelul 6. Rezultate numerice ale gripei (bază vs. tratament)

 Zile de initiere a Rezultate
Simulare
tratamentului Numarul total de infecteti Timpul in zile
Model de baza NA 13000 16
σ = 0.2 5 8649 15.5
σ = 0.4 2.5 6344 15
σ = 0.6 1.7 4961 15
σ = 0.8 1.25 4049 15
σ = 1.0 1 3414 15.5

Modele de tratament vs. carantină

În fiecare dintre modelele de intervenție am luat în considerare o serie de valori pentru valorile
parametrilor, adică, pentru modelul de carantină au fost variate valorile ratei carantinei 0,10 la 1,00,
echivalentul în zile fiind de zece zile la o zi; pentru modelul de tratament valorile ratei de tratament au
fost variate de la 0,2 la 1,0, echivalentul fiind tratamentul cu agentul antiviral începând de la cinci zile
după ce a devenit infecțios până la o zi. Orice combinația acestor valori ale parametrilor poate fi arătată
într-un efort de a prezenta datele necesare în factor de decizie pentru îngrijiri medicale. Figura 12 oferă
doar o astfel de combinație; cea a identificării persoane infectioase si scoaterea lor din populatie
(carantina) in doua zile de la care prezintă simptome și începutul tratamentului persoanelor infecțioase cu
medicamente antivirale după două zile de la prezenta simptome.
 Figura 6:Rezultate grafice, tratament (σ = 0,5) vs. carantină (d = 0,5)

Ceea ce se poate vedea din acest grafic este că utilizarea carantinei pentru această populație are
cele mai mari rezultate.

Concluzii
Am analizat posibilitatea punerii în carantină sau a politicilor de tratament implementate în
momentul unei pandemii gripale. Aici, am început cu modelul SEIR de bază încorporând din nou
compartimentul suplimentar pentru a-i reprezenta pe cei infecțioși, dar care nu prezintă simptome. Am
efectuat modelul SE I S I N R. Izolarea indivizilor din populație a impus adăugarea de un alt compartiment,
Q, modelului SE I S I N QR. Pentru analiza acestei opțiuni am analizat variind viteza cu care sunt detectați
persoanele infectate și îndepărtate până la izolare (d). Dupa am examinat raportul de reproducere de bază
(R0) și am descoperit valoarea lui d corespunzătoare celui mai mic R0. În continuare, am modificat
modelul pentru a reprezenta o clasă de indivizi supuși tratamentului pentru gripă. Acest tratament a redus
timpul de infecțiozitate, precum și infecțiozitatea indivizilor. Cu presupunerile făcute la momentul
carantinei și numărul de zile de tratament pe care le-am arătat că cel mai bun curs de acțiune ar fi potrivita
adoptarea de politica de carantină în campusul UMF, permițând mai puțini infectați și timp suplimentar
pentru a ajunge acest vârf.

ANEXA 1: MODELUL DE BAZA SE I S I N R

function [t,S,E,I,A,R] = Flu_SEISINR(beta,delta,gamma,kappa,mu,p,I0,A0,MaxTime)

if nargin == 0

beta = 2.34;

delta = 0.5;

gamma = 0.2;
 kappa = 0.526;

mu = 0.1;

p = 0.67;

I0 = 1.e-4;

A0 = 1.e-4;

E0 = 1.e-4;

T0=0;

MaxTime = 50;

end

E0 = 0;

S0 = 1-I0-A0-E0;

S=S0;

I=I0;

A=A0;

E=E0;

R=1-S-I-A-E;

% The main iteration

[t, pop] = ode45(@Diff_2_1,[0 MaxTime],[S E I A R],[],[beta delta gamma kappa mu p]);

S=pop(:,1);

E=pop(:,2);

I=pop(:,3);

A=pop(:,4);

R=pop(:,5);

% Plots the graph

T=t;

plot(T,I*50000,'-r')

xlabel ('Time (days)');

ylabel ('Number Infected');

hold on
% Calculates the differential rates used in the integration

function dPop=Diff_2_1(t,pop, parameter)

beta=parameter(1);

delta=parameter(2);

gamma=parameter(3);

kappa=parameter(4);

mu=parameter(5);

p = parameter(6);

S=pop(1);

E=pop(2);

I=pop(3);

A = pop(4);

R=pop(5);

dPop=zeros(5,1);

dPop(1)=- beta*S*(I+delta*A);

dPop(2)=beta*S*(I+delta*A) - kappa*E;

dPop(3)=p*kappa*E - I*(gamma + mu);

dPop(4)=(1-p)*kappa*E - A*gamma;

dPop(5)=gamma*(I+A);

ANEXA 2: MODELUL DE CARANTINA SE I S I N QR

function [t,S,E,I,A,Q,R] = FluQ_SEISINR(beta,d,delta,gamma,kappa,mu,p,tau,I0,A0,MaxTime)

if nargin == 0

beta = 2.34;

delta = 0.5;

gamma = 0.2;

kappa = 0.526;
mu = 0.1;

p = 0.67;

d = 0.2;

phi = 0.80;

tau = 0.323;

I0 = 1e-4;

A0 = 1e-4;

E0 = 1e-4;

T0=0;

MaxTime = 40;

end

E0 = 0;

Q0 = 0;

S0 = 1-I0-A0-E0-Q0;

S=S0;

I=I0;

A=A0;

E=E0;

Q=Q0;

R=1-S-I-A-E+Q;

% The main iteration

[t, pop] = ode45(@Diff_2_1,[0 MaxTime],[S E I A Q R],[],[beta d delta gamma kappa mu p tau]);

S=pop(:,1);

E=pop(:,2);

I=pop(:,3);

A=pop(:,4);

Q=pop(:,5);

R=pop(:,6);
% Plots the graph

T=t;

plot(T,I*50000)

xlabel ('Time (days)');

ylabel ('Number Infected');

hold on

% Calculates the differential rates used in the integration

function dPop=Diff_2_1(t,pop,parameter)

beta=parameter(1);

d=parameter(2);

delta=parameter(3);

gamma=parameter(4);

kappa=parameter(5);

mu=parameter(6);

p = parameter(7);

tau = parameter(8);

S=pop(1);

E=pop(2);

I=pop(3);

A = pop(4);

Q=pop(5);

R=pop(6);

dPop=zeros(6,1);

dPop(1)=- beta*S*(I+delta*A);

dPop(2)=beta*S*(I+delta*A) - kappa*E;

dPop(3)=p*kappa*E - I*(gamma + mu) - d*I;

dPop(4)=(1-p)*kappa*E - A*gamma;

dPop(5)=d*I - tau*Q;

dPop(6)=gamma*(I+A) + tau*Q;
 ANEXA 3: MODELUL DE TRATAMENT SE I S I ST I N R

function[t,S,E,I,A,T,R]=Flu_SISINR_Treat(beta,delta,gamma,kappa,mu,p,sigma,phi,theta,I0,A0,E0,T0,Max
Time)

% Sets up default parameters

if nargin == 0

beta = 2.34;

delta = 0.5;

gamma = 0.2;

kappa = 0.526;

mu = 0.1;

p = 0.67;

sigma = 0.2;

phi = 0.80;

theta = 0.323;

I0 = 1e-4;

A0 = 1e-4;

E0 = 1e-4;

T0=0;

MaxTime = 40;

end

S0 = 1-I0-A0;

S=S0;

I=I0;

A=A0;

E=E0;

T=T0;

R=1-S-I-A-E-T;
% The main iteration

[t, pop] = ode45(@Diff_2_1,[0 MaxTime],[S E I T A R],[],[beta delta gamma kappa mu p sigma phi theta]);

S=pop(:,1);

E=pop(:,2);

I=pop(:,3);

T=pop(:,4);

A=pop(:,5);

R=pop(:,6);

% Plots the graph

plot(t,I*50000,'-.b');

% Calculates the differential rates used in the integration

function dPop=Diff_2_1(t,pop, parameter)

beta=parameter(1);

delta=parameter(2);

gamma=parameter(3);

kappa=parameter(4);

mu=parameter(5);

p = parameter(6);

sigma = parameter(7);

phi = parameter(8);

theta = parameter(9);

S=pop(1);

E=pop(2);

I=pop(3);

T=pop(4);

A = pop(5);

R=pop(6);

dPop=zeros(6,1);

dPop(1)=- beta*S*(I+delta*A+phi*T);
dPop(2)=beta*S*(I+delta*A+phi*T) - kappa*E;

dPop(3)=p*kappa*E - I*(gamma + mu + sigma);

dPop(4)=sigma*I - theta*T;

dPop(5)=(1-p)*kappa*E - A*gamma;

dPop(6)=gamma*(I+A)+theta*I

ANEXA 4:CALCULUL PARAMETRILOR

−5 2
8 Rq v́ p 8( 1.0 x 10 km)( 0.1)(105.36 km/day )(500000/5.726 km )
β= = =2.343/ day
π π
A = 5.726 km 2

R = 1cm = 0.00001 km = 1.0 x 10−5 km 2

q = 10% or 0.1

v́ = (4.39 km/hr)(24 hr/day) = 105.36 km/day

μ = 0.0002 (CDC, 2010)
γ = η = 0.244
β
R0 =
γ + μ+η
2.343 2.343
R0 = = =4.6
0.244 +0.244+ 0.02 0.508
−5
8 Rq v́ p 8(1.0 x 10 km)(0.1)(105.36 km/day )
β= = 2
N=4.69 x 10−5 N
π (5.726 km )( π )
β β β
R0 = = =
γ + μ+η 0.02+0.244 +0.244 0.508