De la logistique-sigmoid à la nlogistique-sigmoid : modélisation de la croissance de la pandémie de COVID-19

Les processus de croissance réels, tels que la propagation d'épidémies, sont intrinsèquement bruyants, incertains et impliquent souvent plusieurs phases de croissance. La fonction logistique-sigmoïde a été proposée et appliquée dans le domaine de la modélisation de ces processus de croissance. Cependant, les définitions existantes sont limitées car elles ne prennent pas en compte la croissance comme étant restreinte en deux dimensions. De plus, à mesure que le nombre de phases de croissance augmente, la modélisation et l'estimation des paramètres logistiques deviennent plus complexes, nécessitant des outils et des analyses plus sophistiqués. Pour remédier à cela, nous introduisons la fonction nlogistique-sigmoïde comme une définition moderne compacte et unifiée de la croissance logistique pour modéliser ces phénomènes de croissance réelle. Nous présentons également deux métriques caractéristiques de la courbe logistique-sigmoïde qui peuvent fournir des projections plus robustes sur l'état du processus de croissance dans chaque dimension. Plus précisément, nous appliquons cette fonction à la modélisation des données sériées temporelles quotidiennes publiées par l'Organisation mondiale de la santé (OMS) concernant les cas d'infection et de décès dus au COVID-19 dans le monde entier ainsi que dans les pays du monde jusqu'à ce jour. Nos résultats montrent une adéquation statistiquement significative supérieure ou égale à 99 % pour les pays touchés montrant des schémas d'une seule phase ou de plusieurs phases lors de l'épidémie actuelle de COVID-19, tels que les États-Unis. Par conséquent, cette définition moderne logistique et ses métriques, en tant qu'outil d'apprentissage automatique, peuvent aider à fournir une surveillance et une quantification plus claires et plus robustes du processus de croissance pandémique en cours.