Abstract Accurate short-term predictions of COVID-19 cases with empirical models allow Health Officials to prepare for hospital contingencies in a two–three week window given the delay between case reporting and the admission of patients in a hospital. We investigate the ability of Gompertz-type empiric models to provide accurate prediction up to two and three weeks to give a large window of preparation in case of a surge in virus transmission. We investigate the stability of the prediction and its accuracy using bi-weekly predictions during the last trimester of 2020 and 2021. Using data from 2020, we show that understanding and correcting for the daily reporting structure of cases in the different countries is key to accomplish accurate predictions. Furthermore, we found that filtering out predictions that are highly unstable to changes in the parameters of the model, which are roughly 20%, reduces strongly the number of predictions that are way-off. The method is then tested for robustness with data from 2021. We found that, for this data, only 1–2% of the one-week predictions were off by more than 50%. This increased to 3% for two-week predictions, and only for three-week predictions it reached 10%.

Abstract Accurate short-term prediction of Covid19 cases with empirical models allow Health Officials to prepare for hospital contingencies in a two-three week window given the delay between case reporting and the admission of patients in a hospital. We investigate the ability of Gompertz-type empiric models to provide accurate prediction up to two and three weeks to give a large window of preparation in case of a surge in virus transmission. We investigate the stability of the prediction and its accuracy using bi-weekly predictions during the last trimester of 2020 and 2021. Using data from 2020, we show that understanding and correcting for the daily reporting structure of cases in the different countries is key to accomplish accurate predictions. Furthermore, we found that filtering out predictions that are highly unstable to changes in the parameters of the model, which are roughly 20%, reduces strongly the number of predictions that are way-off. The method is then tested for robustness with data from 2021. We found that, for this data, only 1-2% of the one-week predictions were off by more than 50%. This increased to 3% for two-week predictions, and only for three-week predictions it reached 10%.

Ventricular contraction is roughly proportional to the amount of calcium released from the Sarcoplasmic Reticulum (SR) during systole. While it is rather straightforward to measure calcium levels and contractibility under different physiological condition, the complexity of calcium handling during systole and diastole has made the prediction of its release at steady state impossible. Here we approach the problem analyzing the evolution of intracellular and extracellular calcium fluxes during a single beat which is away from homeostatic balance. Using an in-silico subcellular model of rabbit ventricular myocyte, we show that the high dimensional nonlinear problem of finding the steady state can be reduced to a two-variable general equilibrium condition where pre-systolic calcium level in the cytosol and in the SR must fulfill simultaneously two different equalities. This renders calcium homeostasis as a problem that can be studied in terms of its equilibrium structure, leading to precise predictions of steady state from single-beat measurements. We show how changes in ionic channels modify the general equilibrium as shocks would do in general equilibrium macroeconomic models. This allows us to predict when an enhanced entrance of calcium in the cell reduces its contractibility and explain why SERCA gene therapy, a change in calcium handling to treat heart failure, might fail to improve contraction even when it successfully increases SERCA expression.