Worldwide Analysis and Future Status of Severe Acute Respiratory Failure Syndrome Coronavirus 2 (SARS-CoV-2)
Abstract
Coronaviruses, a genus of the Coronaviridae family, are enveloped viruses with a large plus-strand RNA genome. Three serologically different coronavirus groups have been identified. Viruses in each group are characterized by host ranges and genome sequences. Coronaviruses have been identified in mice, rats, chickens, turkeys, pigs, dogs, cats, rabbits, horses, cattle and humans, and can cause a variety of serious illnesses such as gastroenteritis and respiratory diseases. Its infectiousness is very high. This virus that can be transmitted by inhalation is also very easy to transmit via droplet. As the studies show, it has been observed that individuals who are in close contact infect each other for a very short time. In addition, the infected virus settles in the respiratory tract, sits in the lungs and continues to divide there. As a result, the host harms the creature fatally by causing great and permanent damage to the lungs. The global impact of the new coronavirus (COVID-19) surrounds the world with a growing momentum. It requires not only the cases but also the analysis of the number of deaths and recovery in order to accurately predict the confirmed cases and make a healthy conclusion. However, extensive historical data is required for forecasting. At the same time, no prediction is certain, as the future is rarely repeated in the same way as in the past. In addition, estimations are impressed by the reliability of the data, gained interests and which variables are estimated. Psychological factors play an important role in how people perceive and react to the danger caused by the disease and the fear that it can affect them personally. This study presents an objective approach to predict the continuation of COVID-19 with a simple but robust method. The data used are reliable data that the World Health Organization (WHO) and each country shared. As a result of the estimations, it is seen that there is a continuous increase in confirmed COVID-19 cases. The risk is increasing day by day and partially tending to decrease. This study describes the timeline of a live estimation study with major impacts for planning and decision making and provides objective estimations for confirmed COVID-19 cases.
References
- Wang, Chunyan, Wentao Li, Dubravka Drabek, Nisreen M.A. Okba, Rien van Haperen, Albert D.M.E. Osterhaus, Frank J.M. van Kuppeveld, Bart L. Haagmans, Frank Grosveld, and Berend-Jan Bosch, “A human monoclonal 1 antibody blocking SARS-CoV-2 infection,” bioRxiv, 2020.
- Gormsen, N. J., & Koijen, R. S. (2020). Coronavirus: Impact on stock prices and growth expectations. University of Chicago, Becker Friedman Institute for Economics Working Paper, (2020-22).
- Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
- Burbidge, R., Trotter, M., Buxton, B., & Holden, S. (2001). Drug design by machine learning: support vector machines for pharmaceutical data analysis. Computers & chemistry, 26(1), 5-14.
- Song, K. B., Baek, Y. S., Hong, D. H., & Jang, G. (2005). Short-term load forecasting for the holidays using fuzzy linear regression method. IEEE transactions on power systems, 20(1), 96-101.
- FULLER, W.A. 1969. Grafted polynomials as approximating functions. Aust J Agric Econ 13:35-46.
- GALLANT, A. R. 1974a. The theory of nonlinear regression as it relates to segmented polynomial regressions with estimated join points. Institute of Statistics Mimeograph Series No. 925, 25 p. Raleigh, N.C.
- Jain, M., Narayan, S., Balaji, P., Bhowmick, A., & Muthu, R. K. (2020). Speech emotion recognition using support vector machine. arXiv preprint arXiv:2002.07590.
- Qawqzeh, Y. K., Otoom, M. M., Al-Fayez, F., Almarashdeh, I., Alsmadi, M., & Jaradat, G. (2019). A Proposed Decision Tree Classifier for Atherosclerosis Prediction and Classification. IJCSNS, 19(12), 197.
- Breiman, L. (1999). Random forests. UC Berkeley TR567.
- Quinlan, J. R. (2014). C4. 5: programs for machine learning. Elsevier.
- Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees. CRC press.
Ağır Akut Solunum Yolu Yetersizliği Sendromu Koronavirüsü 2 (SARS-CoV-2) Dünya Çapındaki Analizi ve Gelecekteki Durumu
Abstract
Coronaviridae ailesinin bir cinsi olan Koronavirüsler, büyük bir artı iplikli RNA genomuna sahip zarflı virüslerdir. Serolojik olarak farklı üç koronavirüs grubu tanımlanmıştır. Her grupta virüsler konakçı aralıkları ve genom dizileri ile karakterize edilir. Koronavirüsler farelerde, sıçanlarda, tavuklarda, hindilerde, domuzlarda, köpeklerde, kedilerde, tavşanlarda, atlarda, sığırlarda ve insanlarda tanımlanmıştır ayrıca gastroenterit ve solunum yolu hastalıkları gibi çeşitli ciddi hastalıklara neden olabilir. Bulaşıcılığı çok yüksektir. Solunum yoluyla bulaşabilen bu virüs, damlacık yoluyla da aktarılması yani bulaşması çok kolaydır. Yapılan çalışmaların gösterdiği gibi yakın temasta bulunan bireylerin birbirlerine çok kısa bir zaman içinde bulaştırdığı gözlemlenmiştir. Bunun yanında bulaşan virüs, solunum yollarına yerleşerek akciğerlere oturur ve orada bölünmeye devam eder. Bunun sonucunda akciğerlere büyük ve kalıcı hasar vererek konak canlıya ölümcül bir şekilde zarar vermektedir. Yeni koronavirüsün (COVID-19) küresel etkisi büyüyen bir ivmeyle dünyayı sarmaktadır. Doğrulanan vakaların doğru bir şekilde tahmin edilmesi ve sağlıklı bir çıkarım yapabilmek için yalnızca vakalar değil ayrıca ölüm ve iyileşme sayısının analizini de gerektirir. Bununla birlikte, öngörme için geniş bir geçmiş verisi gerekir. Aynı zamanda, gelecek nadiren geçmişle aynı şekilde tekrarlandığı için hiçbir tahmin kesin değildir. Ayrıca, tahminler verilerin güvenilirliğinden, kazanılmış ilgi alanlarından ve hangi değişkenlerin tahmin edildiğinden etkilenir. Psikolojik faktörler, insanların hastalıktan kaynaklanan tehlikeyi ve onları kişisel olarak etkileyebileceği korkusunu nasıl algıladığı ve bunlara nasıl tepki gösterdiği konusunda önemli bir rol oynamaktadır. Bu çalışma COVID-19'un devamını basit, ancak güçlü bir yöntemle öngörmek için objektif bir yaklaşım ortaya koymaktadır. Kullanılan veriler Dünya Sağlık Örgütü’nün (WHO) paylaşmış olduğu ve her ülkenin bu bilgileri paylaştığı güvenilir verilerdir. Hastalığın yapılan tahminler sonucunda teyit edilmiş COVID-19 vakalarında sürekli bir artış olduğunu göstermektedir. Risk günden güne artmakta ve kismi ölçüde düşüşe geçmeye meyilli bir hâl almaktadır. Bu çalışma planlama ve karar verme için büyük etkileri olan canlı bir tahmin çalışmasının zaman çizelgesini açıklamakta ve teyit edilmiş COVID-19 vakaları için objektif tahminler sunmaktadır.
References
- Wang, Chunyan, Wentao Li, Dubravka Drabek, Nisreen M.A. Okba, Rien van Haperen, Albert D.M.E. Osterhaus, Frank J.M. van Kuppeveld, Bart L. Haagmans, Frank Grosveld, and Berend-Jan Bosch, “A human monoclonal 1 antibody blocking SARS-CoV-2 infection,” bioRxiv, 2020.
- Gormsen, N. J., & Koijen, R. S. (2020). Coronavirus: Impact on stock prices and growth expectations. University of Chicago, Becker Friedman Institute for Economics Working Paper, (2020-22).
- Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
- Burbidge, R., Trotter, M., Buxton, B., & Holden, S. (2001). Drug design by machine learning: support vector machines for pharmaceutical data analysis. Computers & chemistry, 26(1), 5-14.
- Song, K. B., Baek, Y. S., Hong, D. H., & Jang, G. (2005). Short-term load forecasting for the holidays using fuzzy linear regression method. IEEE transactions on power systems, 20(1), 96-101.
- FULLER, W.A. 1969. Grafted polynomials as approximating functions. Aust J Agric Econ 13:35-46.
- GALLANT, A. R. 1974a. The theory of nonlinear regression as it relates to segmented polynomial regressions with estimated join points. Institute of Statistics Mimeograph Series No. 925, 25 p. Raleigh, N.C.
- Jain, M., Narayan, S., Balaji, P., Bhowmick, A., & Muthu, R. K. (2020). Speech emotion recognition using support vector machine. arXiv preprint arXiv:2002.07590.
- Qawqzeh, Y. K., Otoom, M. M., Al-Fayez, F., Almarashdeh, I., Alsmadi, M., & Jaradat, G. (2019). A Proposed Decision Tree Classifier for Atherosclerosis Prediction and Classification. IJCSNS, 19(12), 197.
- Breiman, L. (1999). Random forests. UC Berkeley TR567.
- Quinlan, J. R. (2014). C4. 5: programs for machine learning. Elsevier.
- Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees. CRC press.
Details
| Primary Language | Turkish |
|---|---|
| Subjects | Engineering |
| Journal Section | Articles |
| Authors | |
| Publication Date | December 31, 2020 |
| Published in Issue | Year 2020 Issue: 20 |
