Siit Saate Teada, Kuidas Arvutimudelid Simuleerivad Uue Koroonaviiruse Levikut Tulevikus

Nende eesmärk on puhangu ümber tekkiv segadus.

Rahvatervisega seotud jõupingutused sõltuvad suuresti selle prognoosimisest, kuidas levivad sellised haigused nagu 2019. aasta uudne koronaviirus, mida Maailma Terviseorganisatsioon nimetas nüüd COVID-19, kogu maailmas. Uue haiguspuhangu algusaegadel, kui usaldusväärseid andmeid on veel vähe, pöörduvad teadlased matemaatiliste mudelite poole, mis suudavad ennustada, kuhu nakatunud inimesed lähevad ja kui tõenäoline on see haigus endaga kaasa tuua. Nendes arvutusmeetodites kasutatakse tuntud statistilisi võrrandeid, mis arvutavad haiguse edasikandumise tõenäosuse.

Kaasaegne arvutusvõimsus võimaldab neil mudelitel kiiresti sisestada mitu sisendit, näiteks antud haiguse võime inimeselt inimesele edasi liikuda ning õhu ja maismaaga reisivate potentsiaalselt nakatunud inimeste liikumismustrid. See protsess hõlmab mõnikord eelduste tegemist tundmatute tegurite, näiteks inimese täpse reisimudeli kohta. Ühendades iga sisendi erinevad võimalikud versioonid, saavad teadlased mudeleid värskendada, kui uus teave muutub kättesaadavaks, ja võrrelda nende tulemusi haiguse täheldatud mustritega. Näiteks kui uurijad soovivad uurida, kuidas konkreetse lennujaama sulgemine võib mõjutada haiguse ülemaailmset levikut, saavad nende arvutid kiiresti ümber arvutada juhtumite importimise riski teiste lennujaamade kaudu - kõik, mida inimesed peavad tegema, on värskendada lennuliinide ja rahvusvaheliste reiside võrku mustrid.

Kuid puudulike andmetega töötamisel võib ühe teguri väike viga avaldada liiga suurt mõju. Ebakindlus millegi, näiteks COVID-19 põhilise reproduktsiooninumbri (R₀) - nakatunud inimese põhjustatud uute juhtude keskmine arv - võib mudeli tulemusi häirida. "Kui te selle numbri osas eksite, on teie hinnang suurusjärkude võrra väiksem," ütleb Dirk Brockmann, Berliini Humboldti ülikooli teoreetilise bioloogia instituudi ja Saksamaa Robert Kochi instituudi füüsik. Praegune hinnanguline R₀ uudse koronaviiruse puhul varieerub kaks kuni kolm, asetades selle kuhugi SARS-i R lähedale₀ 2003. aastal kaks kuni neli, kuid leetrite R-st palju madalam₀ 12. – 18.

Kuna kõik tundmatud tegurid toovad mudeli juurde rohkem ebakindlust, pooldavad Brockmann ja mõned teised teadlased keskendumist piiratumale mudelile, mis tugineb vaid ühele põhifaktorile. Tema rühm on keskendunud rahvusvaheliste lennuandmete kasutamisele ilma inimeselt inimesele edastamiseta aru andes, et ennustada, millised lennujaamad kujutavad endast kõrgeima riskiga väravaid koronaviiruse levimiseks kogu maailmas. "See risk ennustab eeldatavat järjestust riikides, kus te juhtumeid leiaksite," selgitab Brockmann. "See, kuidas see lahti läks, on väga kooskõlas sellega, mida liikuvusmudel ennustas."

Lennuandmed võivad pärineda ametlikest lennunduse andmebaasidest, muutes need üsna usaldusväärseks, kuid need ei hõlma inimeste liikumist kohapeal. Selle teabe saamiseks kasutavad teadlased erinevaid allikaid. Füüsik, Kirdeülikooli bioloogiliste ja sotsiaal-tehniliste süsteemide modelleerimise labori direktor Alessandro Vespignani juhib meeskonda, kes simuleerib uudse koronaviiruse levikut, kasutades ametlikke lennureisiandmeid ja prognoosis loenduspopulatsioonide pendelrände mustreid. Hoolimata sellest, et R-ga ei arvestata inimeselt inimesele edastamist₀näivad sellised reisile keskenduvad mudelid olevat järjekindlalt ja täpselt ennustanud, millistes riikides on suurim COVID-19 uute juhtude oht. "Kui erinevad mudelid osutavad samas suunas," ütleb Vespignani, "olete enesekindlam, et tulemustes on mingil määral realismi."

Veel üks hiljutine jõupingutus hinnata koronaviiruse levikut - nii Hiinas kui ka rahvusvaheliselt - hõlmab ka individuaalseid liikumisandmeid nii lendude kui ka maismaareiside kohta kuu uusaasta puhkuse perioodil, mis langes tänavu 25. jaanuaril - kui puhang oli hoogu kogumas. Lancetis 31. jaanuaril avaldatud dokumendis hindasid Hongkongi teadlased selle aasta puhkusereiside mustreid, kasutades teavet miljonite inimeste 2019. aasta uusaasta reisidest, kes kasutasid rakendust WeChat ja muid Hiina tehnoloogiahiidale Tencentile kuuluvaid teenuseid. Erinevalt puhtalt reisile keskenduvatest mudelitest hõlmas see uuring aga ka inimeselt inimesele edastamise hinnanguid koos reisimustritega, mis põhinesid nii ametlikel lennuandmetel kui ka Tencenti individuaalsetel liikumisandmetel. Selle tulemused näitavad, et COVID-19 oli 25. jaanuarist alates juba juurdunud paljudes Hiina suurlinnades ja et nende linnade rahvusvahelised lennujaamad aitasid viirust rahvusvaheliselt levitada.

Lisaks reisimise ja edastamise teadaolevate ja ebakindlate tegurite kombineerimisele peavad mudelid arvestama ka rahvatervisega seotud sekkumiste - näiteks näomaskide, koolide sulgemise või suuremate valitsuslike meetmete, näiteks Hiina otsus karantiini panna terved linnad - mõjuga. rahvusvahelised reisikeeldud ja -piirangud. Hongkongi teadlaste hinnangul oli Hiina 23. jaanuaril alanud karantiin Wuhanis piiratud erinevusega, sest haigus oli tõenäoliselt juba levinud ka teistesse rahva linnadesse. Sellegipoolest soovitasid autorid "kannatada saanud piirkondades tõsiselt ja viivitamatult kaaluda drakoonilisi meetmeid, mis piiravad elanike liikuvust". Rahvatervise eksperdid näivad selliste reisipiirangute tõhususes linnades ja linnade vahel ebakindlad. Teised varasemate haiguspuhangute uuringud viitavad sellele, et karmidel liikumispiirangutel on haiguste rahvusvahelise leviku edasilükkamisel ainult piiratud mõju.

Mõned teadlased töötavad avaliku käitumise ja valitsuse tegevuse muutuste tulemuste modelleerimisel enne nende toimumist. Ehitusinsener, Johns Hopkinsi ülikooli süsteemiteaduse ja inseneriteaduste keskuse kaasdirektor Lauren Gardner on täpsustanud mudelit, mis on loodud selleks, et aidata USA valitsusametnikel otsustada, millised lennujaamad peaksid saabuvaid reisijaid kontrollima temperatuurikontrolli ja küsimustega ning millised on tõenäoliselt ei esine uudse koronaviiruse uusi juhtumeid. See teave võib lubada kohalikel omavalitsustel jaotada ressursse seal, kus neid tõenäoliselt kõige rohkem vajatakse. "Erinevad piirkondlikud rahvatervise bürood on tundnud suurt huvi nende tulemuste kasutamise üle seiretööde prioriseerimiseks," ütleb Gardner.

Need meeskonnad on vaid mõned neist, kes ennustavad COVID-19 tulevast levikut. Nakkushaiguste järeldamise ja dünaamika keskuse direktor, Elizabeth Halloran, mille peakorter asub Seattle'is Fred Hutchinsoni vähiuuringute keskuses, ütleb, et 1980ndatel võis ta sõrmedel kokku lugeda sellist modelleerimistööd tegevate uurimisrühmade arvu. Nüüd on neid sadu. "Meil oli telefonikõne, mille korraldas [U. S. Haiguste tõrje ja ennetamise keskused] teisel päeval ja seal oli 80 kutseinfot [uurimisrühmadelt], "ütleb ta. "Seal on palju suurepäraseid rühmi ja me tegutseme koos suure võrgustikuna." Kellelgi pole kõiki vajalikke andmeid, et saavutada 100-protsendiline kindlus haiguspuhangu edasise kulgemise osas.

Kuid vaatamata mudelite mitmekesisusele lepivad paljud lõpuks põhipunktides kokku. Näiteks 4. ja 5. veebruari vahel kasvas kinnitatud juhtumite arv ühe päeva jooksul vähem kui 25 000-lt enam kui 28 000-ni. Kuid sel ajal osutab Vespignani, et erinevad mudelid leppisid kokku, et tegelik arv on palju suurem. "Usun, et iga modelleerimisviis osutas parimal juhul üle 100 000 juhtumi," ütleb ta. Ajal, mil see artikkel ilmub, on kinnitatud juhtumite arv suurem kui 45 000.