Stochastische und Markov-Ketten-basierte Epidemiemodelle für COVID‐19: Eine umfassende Überprüfung prädiktiver, probabilistischer und Kontrollstrategien

ZUSAMMENFASSUNG Ziel dieser Arbeit war es, Markov-Ketten- und stochastische Modellierungsansätze zu synthetisieren, um die Übertragungsdynamik von COVID‐19 vorherzusagen, wobei Faktoren wie soziale Distanzierung, Impfung und datenbasierte Übergänge einbezogen werden. Die überprüften Studien verwendeten kontinuierliche und diskrete Markov-Ketten, stochastische compartmental-Modelle (SEIR, SIS), Monte-Carlo-Simulationen und bayesianische Inferenz. Datengetriebene Ansätze integrierten Echtzeitdaten der öffentlichen Gesundheit und Abwasserdaten und berücksichtigten die Bevölkerungsgröße, Impfraten und zeitliche Korrelationen in den Unsicherheiten. Die Modelle fingen die epidemiologischen Trends genau ein und sagten Infektionswellen, Inkubationszeiten und Serienintervalle voraus. Stochastische Modelle übertrafen deterministische Modelle in kleinen Populationen, während bayesianische und Monte-Carlo-Methoden die Unsicherheitsquantifizierung verbesserten. Impfungen und soziale Distanzierung senkten die Übertragungsraten signifikant. Markovianische und stochastische Modelle bieten robuste Rahmenbedingungen für die Epidemievoraussage, die an verschiedene epidemiologische Bedingungen anpassbar sind. Diese Modelle unterstützen die Strategien der öffentlichen Gesundheit, verbessern das Ausbruchsmanagement, die Interventionsplanung und die Ressourcenverteilung in Pandemien.