A következő Ebola nehéz előre megjósolni, de az "Outbreak Forecasting" segíthet

Egy 2 éves fiú Guinea-vidéken halt meg Ebolában 2014 decemberében. A következő két évben a Nyugat-Afrikában majdnem 30 000 ember fertőzött az Ebola vírussal.

Miért, akárcsak az előző 17 Ebola-járványtól, ez olyan nagy volt, olyan gyorsan? Mit tehetünk, ha bármi is megtörténik, hogy megakadályozzuk a jövőbeni kitöréseket? Ezek a kérdések, sok másval együtt, a kitörés előrejelzésének kezdeti tudományos területének középpontjában állnak. És a tétek nem lehetnek magasabbak. Januárban a világgazdasági fórum pandémiáknak nevezte az üzleti és az emberi élet egyik legnagyobb veszélyét.

Az elmúlt évszázadok során a tudósok egyre jobban megjósolják a világ számos aspektusát, beleértve a bolygók keringését, az árapály-hullámot és a hurrikánok útját. Valószínűleg az emberiség egyik legnagyobb eredménye az a képesség, hogy a természetes és a fizikai rendszereket eléggé megértsék a pontos előrejelzések készítéséhez.

Ennek az előrejelzéssel kapcsolatos sikereinek nagy része Isaac Newton alapvető betekintésével kezdődik, hogy változatlanul léteznek univerzális törvények, amelyek szabályozzák a körülöttünk lévő természeti jelenségeket. A nagy számítások gyors elvégzésének képessége elősegítette a newtoni perspektívát, amely elegendő adatot és számítási teljesítményt biztosítva a legösszetettebb jelenségek előrejelezhető.

Vannak azonban határok. Mint olyan tudósok, akik ilyen típusú prediktív rendszereket tanulmányoznak, kételyünk abban, hogy lehet-e előre megjósolni, hogy mi fog következni a betegség kitörése során, mert a legfontosabb változók annyira változnak egy járványtól a másikig.

Ezért, mint az időjárás-előrejelzéseknél, a valós idejű adatok összegyűjtése valószínűleg elengedhetetlen a tudományos közösség járványkitörések előrejelzésének előmozdításához.

Kapribilis epidemiák

Az a gondolat, hogy a tudósok modellezhetik a járványokat, azon az elgondoláson alapul, hogy az egyes járványok trajektorája kiszámítható a saját és változatlan tulajdonságai miatt.

Mondjuk, hogy a betegséget egy fertőző kórokozó okozza. Ennek a betegségnek a fertőzőképességét egy „alapvető reprodukciós arány” -nak, vagy R0-nak nevezzük, amely szám azt írja le, hogy egy kórokozó milyen mértékben terjedhet egy adott populációban.

Ha az epidemiológusok eléggé tudnak egy kórokozó R0-ról, a remény az, hogy megjósolhatják a következő kitörésének aspektusait - és remélhetőleg megakadályozzák a kisléptékű járványok nagyszabású járványokká válását. Ezt úgy tehetik meg, hogy erőforrásokat mobilizálnak olyan területekre, ahol a kórokozók különösen nagy R0 értékekkel rendelkeznek. Vagy korlátozhatják a betegségek hordozói és az adott társadalom leginkább fogékony tagjai, gyakran a gyermekek és az idősek közötti kölcsönhatásokat.

Ily módon az R0 változatlan számként értelmezhető. De a modern tanulmányok azt mutatják, hogy ez nem így van.

Vegyük például a Zika vírus járványát. Ehhez a betegséghez R0 0,5 és 6,3 között volt. Ez egy figyelemre méltó távolság, egy olyan betegségtől kezdve, amely önmagában eloszlik, és amely hosszú távú járványt okoz.

Gondolhatnánk, hogy ez a széles körű R0 értékek a Zikára a statisztikai bizonytalanságból erednek, hogy talán a tudósoknak több adatra van szükségük. De ez többnyire helytelen lenne. Zikának számtalan tényező, az éghajlattól és a szúnyogoktól a más hasonló vírusok jelenlétéig, mint a Dengue és a szexuális átvitel szerepe, különböző R0 értékeket eredményeznek különböző beállításokban.

Kiderül, hogy a járvány jellemzői - a kórokozó fertőzőképessége, az átviteli sebesség, a vakcinák rendelkezésre állása stb. - olyan gyorsan változnak, hogy a tudósok csak a kitörés során képesek előre jelezni a dinamikát. Más szóval, az Ebola vírusbetegség kitörésének tanulmányozása 2014 áprilisában segíthet a tudósoknak abban, hogy megértsék az Ebola kitörését ugyanabban a környezetben a következő hónapban, de gyakran kevésbé hasznos a jövőbeni Ebola járványok dinamikájának megértéséhez, mint például az, ami történt 2018 májusában.

A járványok gyakran nem szépek és összetett jelenségek. Ezek zajos események, ahol sok változó alapvető fontosságú, de változó, szerepek. A betegség alapjául szolgáló igazság nem létezik - csak egy olyan instabil adatgyűjtés, amely a betegség terjedése során gyakran változik, gyakran összekeveredik.

Jobb előrejelzések

Ha a tudósok nem bíznak abban, hogy elég jól tudják megérteni a járványügyi rendszereket ahhoz, hogy megjósolhassák a kapcsolódóak viselkedését, miért zavarják őket?

A válasz abban az esetben állhat, amit „lágy fizikának” nevezünk: a tudósoknak abba kell hagyniuk, hogy minden kitörés ugyanazokat a szabályokat követi. Ha egy járványt egy másikra hasonlítunk, akkor szem előtt kell tartaniuk az összes kontextusbeli különbséget.

Például a biológusok számos részletet fedeztek fel az influenza fertőzésekről. Tudják, hogyan kötődnek a vírusok a gazdasejtekhez, hogyan replikálódnak, és hogyan alakulnak ki a vírusellenes szerekkel szembeni rezisztencia. Egy járvány azonban elkezdhetett, amikor egy nagy lakosság a tömegközlekedést a hónap egy bizonyos napján használta, míg egy másik lehetett egy vallásos szolgálatban lévő gyülekezet kezdeményezése. Bár mindkét kitörés ugyanabban a fertőző ágensben gyökerezik, ezek és sok más különbség sajátosságaikban azt jelenti, hogy a tudósoknak szükségük van arra, hogy átformálják, hogyan modellezik az egyes haladásokat.

Ezeknek az adatoknak a jobb megértéséhez a tudósoknak jelentős befektetésekre van szükségük a valós idejű adatokhoz. Vegyük figyelembe, hogy a Nemzeti Időjárásszolgálat évente több mint 1 milliárd dollárt költ adatgyűjtésre és előrejelzések készítésére. A CDC csak egynegyedet fordít a közegészségügyi statisztikákra, és nincs külön költségvetése az előrejelzéshez.

A betegségek felügyelete továbbra is a tudomány egyik legmagasabb tétje. Az egyedülálló körülményeket gondosan mérlegelve a járványok és a felelősségteljesebb adatgyűjtés életét megmentheti.

Ezt a cikket eredetileg C. Brandon Ogbunu, Randall Harp és Samuel V. Scarpino publikálták. Olvassa el az eredeti cikket itt.