Następna Ebola jest trudna do przewidzenia, ale „Prognozowanie epidemii” może pomóc

Dwuletni chłopiec na wiejskiej Gwinei zmarł na Ebolę w grudniu 2014 r. W ciągu następnych dwóch lat prawie 30 000 osób w Afryce Zachodniej zostanie zarażonych wirusem Ebola.

Dlaczego, w przeciwieństwie do poprzednich 17 wybuchów epidemii Eboli, ta rosła tak szybko, tak szybko? Co, jeśli w ogóle, można zrobić, aby zapobiec przyszłym epidemiom? Te pytania, podobnie jak wiele innych, są sercem rodzącej się dziedziny naukowej prognozowania epidemii. A stawki nie mogą być wyższe. W styczniu Światowe Forum Ekonomiczne określiło pandemie jako jedno z największych zagrożeń dla biznesu i życia ludzkiego.

W ciągu ostatnich kilku stuleci naukowcy coraz lepiej przewidywali wiele aspektów świata, w tym orbitę planet, przypływy i odpływy pływów oraz ścieżki huraganów. Zdolność rozumienia systemów naturalnych i fizycznych na tyle dobrze, aby można było precyzyjnie prognozować, jest prawdopodobnie jednym z największych osiągnięć ludzkości.

Znaczna część tego sukcesu w prognozowaniu zaczyna się od fundamentalnego wglądu Isaaca Newtona, że ​​istnieją niezmienne uniwersalne prawa, które rządzą naturalnymi zjawiskami wokół nas. Zdolność do szybkiego wykonywania dużych obliczeń sprzyjała perspektywie newtonowskiej, która przy wystarczającej ilości danych i mocy obliczeniowej pozwala przewidzieć najbardziej złożone zjawiska.

Istnieją jednak ograniczenia. Jako naukowcy, którzy badają tego typu systemy predykcyjne, wątpimy, czy będzie możliwe dokładne przewidzenie, co wydarzy się w następstwie epidemii choroby, ponieważ najważniejsze zmienne mogą tak bardzo zmienić się od jednego ogniska do drugiego.

Właśnie dlatego, podobnie jak w przypadku prognozowania pogody, gromadzenie danych w czasie rzeczywistym jest prawdopodobnie niezbędne dla zwiększenia zdolności społeczności naukowej do przewidywania ognisk.

Kapryśne epidemie

Pomysł, że naukowcy mogą modelować epidemie, opiera się na założeniu, że trajektoria każdego wybuchu choroby jest przewidywalna ze względu na jej wewnętrzne i niezmienne właściwości.

Powiedz, że choroba jest spowodowana przez zakaźny patogen. Zakaźność tej choroby może być zamknięta w liczbie zwanej „podstawowym współczynnikiem reprodukcyjnym” lub R0, liczby opisującej, jak szeroko patogen może rozprzestrzeniać się w danej populacji.

Jeśli epidemiologowie wiedzą wystarczająco dużo o R0 patogenu, można mieć nadzieję, że będą mogli przewidzieć aspekty kolejnego wybuchu epidemii - i miejmy nadzieję, że epidemie na małą skalę nie staną się epidemiami na dużą skalę. Mogą to zrobić, mobilizując zasoby do obszarów, w których patogeny mają szczególnie wysokie wartości R0. Mogą też ograniczyć interakcje między nosicielami choroby a najbardziej podatnymi członkami danego społeczeństwa, często dziećmi i osobami starszymi.

W ten sposób R0 jest interpretowane jako niezmienna liczba. Ale współczesne badania pokazują, że tak nie jest.

Na przykład rozważ epidemię wirusa Zika. W przypadku tej choroby R0 wahało się od 0,5 do 6,3. Jest to niezwykła rozpiętość, począwszy od choroby, która sama się rozproszy, do choroby, która spowoduje długotrwałą epidemię.

Można by pomyśleć, że ten szeroki zakres wartości R0 dla Ziki wynika z niepewności statystycznej - że być może naukowcy potrzebują więcej danych. Ale to byłoby w większości nieprawidłowe. Dla Ziki niezliczone czynniki, od klimatu i komarów po obecność innych pokrewnych wirusów, takich jak Denga i rola transmisji seksualnej, prowadzą do różnych wartości R0 w różnych ustawieniach.

Okazuje się, że cechy epidemii - zaraźliwość patogenu, szybkość transmisji, dostępność szczepionek itd. - zmieniają się tak gwałtownie w trakcie pojedynczego wybuchu, że naukowcy są w stanie przewidzieć dynamikę tylko w trakcie tego wybuchu. Innymi słowy, badanie wybuchu epidemii wirusa Ebola w kwietniu 2014 r. Może pomóc naukowcom w zrozumieniu epidemii eboli w tym samym otoczeniu w następnym miesiącu, ale często jest znacznie mniej pomocna w zrozumieniu dynamiki przyszłych epidemii Eboli, takich jak ta, która się wydarzyła w maju 2018 r.

Epidemie często nie są schludne i powiązane ze sobą. Są to hałaśliwe zdarzenia, w których wiele zmiennych odgrywa istotną rolę, ale zmienia role. Nie ma podstawowej prawdy o tej chorobie - tylko niestabilny zbiór szczegółów, które się zmieniają, często zaplątują się, gdy choroba się rozprzestrzenia.

Lepsze prognozy

Jeśli naukowcy nie są pewni, że potrafią zrozumieć systemy epidemiologiczne na tyle dobrze, aby przewidzieć zachowanie pokrewnych, to po co ich badać?

Odpowiedź może znajdować się w tym, co nazywamy „miękką fizyką” przewidywania: naukowcy powinni przestać zakładać, że każda epidemia podlega tym samym regułom. Porównując jedną epidemię z inną, powinni pamiętać o wszystkich różnicach kontekstowych między nimi.

Na przykład biolodzy odkryli wiele szczegółów dotyczących zakażeń grypą. Wiedzą, jak wirusy wiążą się z komórkami gospodarza, jak się replikują i jak rozwijają odporność na leki przeciwwirusowe. Ale jedna epidemia mogła się rozpocząć, gdy duża ludność korzystała z transportu publicznego w pewien dzień miesiąca, podczas gdy inna mogła zostać zainicjowana przez kongregację w służbie religijnej. Chociaż oba ogniska są zakorzenione w tym samym czynniku zakaźnym, te i wiele innych różnic w ich szczegółach oznacza, że ​​naukowcy mogą potrzebować przeformułować, jak modelują, jak każdy postępuje.

Aby lepiej zrozumieć te dane, naukowcy potrzebują znacznych inwestycji w dane w czasie rzeczywistym. Weź pod uwagę, że National Weather Service wydaje ponad 1 miliard dolarów rocznie na gromadzenie danych i prognozowanie. CDC wydaje tylko jedną czwartą na statystyki dotyczące zdrowia publicznego i nie ma specjalnego budżetu na prognozowanie.

Nadzór nad chorobami pozostaje jednym z obszarów nauki o najwyższych stawkach. Dokładne rozważenie unikalnych okoliczności leżących u podstaw epidemii i bardziej odpowiedzialne gromadzenie danych może uratować tysiące istnień ludzkich.

Ten artykuł został pierwotnie opublikowany w rozmowie C. Brandona Ogbunu, Randalla Harpa i Samuela V. Scarpino. Przeczytaj oryginalny artykuł tutaj.