Next Ebola'yı Tahmin Etmek Zor, ancak "Salgın Tahmini"

Kırsal Gine'deki 2 yaşında bir erkek çocuk Aralık 2014'te Ebola'dan öldü. Gelecek iki yıl boyunca Batı Afrika'da yaklaşık 30.000 kişiye Ebola virüsü bulaştı.

Neden, önceki 17 Ebola salgınından farklı olarak, bu neden bu kadar büyük, bu kadar çabuk büyüdü? Gelecekteki salgınları önlemek için bir şey yapılabilir mi? Bu sorular, diğerleri ile birlikte, ortaya çıkmakta olan bilimsel salgın tahmin alanının kalbindedir. Ve bahisler daha yüksek olamazdı. Ocak ayında, Dünya Ekonomik Forumu pandemiyi iş ve insan yaşamı için en büyük risklerden biri olarak nitelendirdi.

Son birkaç yüzyıl boyunca, bilim adamları, gezegenlerin yörüngesi, gelgitlerin dalgalanması ve akışı ve kasırgaların yolları da dahil olmak üzere dünyanın birçok yönünü tahmin etmekte daha iyi oldular. Doğal ve fiziksel sistemleri doğru tahminler yapmak için yeterince iyi anlama yeteneği, belki de insanlığın en büyük başarılarından biridir.

Tahmin etmedeki bu başarının çoğu, Isaac Newton’un etrafımızdaki doğal olayları yöneten değişmeyen evrensel yasalar olduğuna dair temel bir içgörü ile başlar. Büyük hesaplamaların hızla gerçekleştirilebilmesi, yeterince veri ve bilgi işlem gücü verildiğinde, en karmaşık olayların tahmin edilebileceği Newton perspektifini geliştirmiştir.

Bununla birlikte, sınırlamalar vardır. Bu tür tahmine dayalı sistemleri inceleyen bilim insanları olarak, bir hastalık salgınının ardından tam olarak ne olacağını tahmin etmenin mümkün olacağından şüpheliyiz, çünkü en önemli değişkenler bir salgından diğerine değişebilir.

Bu nedenle, hava durumu tahminlerinde olduğu gibi, bilimsel topluluğun salgınları tahmin etme kabiliyetini geliştirmek için gerçek zamanlı veri toplamak çok önemlidir.

Kaprisli Salgınlar

Bilim insanlarının salgınları modelleyebileceği fikri, her salgının yörüngesinin kendine özgü ve değişmeyen özellikleri nedeniyle öngörülebilir olduğu fikrine dayanıyor.

Bir hastalığa bulaşıcı patojenlerin neden olduğunu söyleyin. Bu hastalığın enfeksiyözlüğü, bir patojenin belirli bir popülasyonda ne kadar geniş yayılma olasılığını tanımlayan bir sayı olan "temel üreme oranı" veya R0 olarak adlandırılan bir sayı ile kapsüllenebilir.

Eğer epidemiyologlar bir patojenin R0'ı hakkında yeterince şey biliyorsa, umut, bir sonraki salgının yönlerini tahmin edebilmeleridir - ve umarım küçük çaplı salgınların büyük ölçekli salgınlar haline gelmesini önlerler. Bunu, kaynakları patojenlerin özellikle yüksek R0 değerlerine sahip olduğu alanlara mobilize ederek yapabilirler. Veya hastalık taşıyıcıları ile belirli bir toplumun en duyarlı üyeleri, genellikle çocuklar ve yaşlılar arasındaki etkileşimi sınırlayabilirler.

Bu şekilde, R0 değişmez bir sayı olarak yorumlanır. Ancak modern çalışmalar bunun böyle olmadığını göstermektedir.

Örneğin, Zika virüsü salgını düşünün. Bu hastalık için R0 0.5 ila 6.3 arasında değişmiştir. Bu, tek başına kaybolacak bir hastalıktan uzun vadeli bir salgına neden olacak bir hastalığa kadar kayda değer bir yayılmadır.

Zika için bu geniş R0 değerleri aralığının istatistiksel belirsizlikten kaynaklandığını düşünebilirsiniz - belki de bilim insanlarının daha fazla veriye ihtiyaçları vardır. Ancak bu çoğunlukla yanlış olur. Zika için iklim ve sivrisineklerden, Dang gibi diğer ilgili virüslerin varlığına ve cinsel bulaşın rolüne kadar sayısız faktör, hepsi farklı ortamlarda farklı R0 değerlerine yol açıyor.

Bir salgının özelliklerinin - patojenin bulaşıcılığının, bulaşma hızının, aşıların bulunup bulunmadığı, vs. gibi - tek bir salgın sırasında bilim adamlarının yalnızca bu salgınlar sırasında dinamikleri tahmin edebildikleri hızla değiştiği ortaya çıktı.. Başka bir deyişle, Nisan 2014'te Ebola virüsü hastalığının salgınını incelemek, bilim adamlarının gelecek ay aynı ortamda Ebola salgınını anlamalarına yardımcı olabilir, ancak gerçekleşen Ebola salgınlarının dinamiklerini anlamada çoğu zaman daha az yardımcı olur. Mayıs 2018’de.

Salgınlar genellikle düzenli ve toplanmış fenomenler değildir. Onlar birçok değişkenin gerekli olduğu, fakat değişken rol oynadığı gürültülü oluşumlardır. Hastalığın altında yatan bir gerçek yoktur - hastalık yayıldıkça, genellikle karışıklığa karışan değişken bir ayrıntı koleksiyonu.

Daha İyi Tahminler

Bilim adamları, emin olmadıklarında, epidemiyolojik sistemleri, ilgili olanların davranışını tahmin edebilecek kadar iyi anlayabilirler, neden onları incelemekten rahatsız oldunuz?

Cevap, “yumuşak bir fizik” olarak adlandırdığımız şeye dayanabilir: Bilim adamları her salgının aynı kuralları takip ettiğini varsaymayı bırakmalı. Bir salgını bir başkasıyla karşılaştırırken, aralarındaki tüm bağlamsal farklılıkları göz önünde bulundurmaları gerekir.

Örneğin, biyologlar influenza enfeksiyonları hakkında birçok detay ortaya çıkardılar. Virüslerin konakçı hücrelere nasıl bağlandığını, çoğaldıklarını ve antiviral ilaçlara karşı direnci nasıl geliştirdiklerini biliyorlar. Ancak bir salgın, büyük bir nüfus ayın belirli bir gününde toplu taşımayı kullanırken, bir başkası dini bir servisteki cemaatle başlatılmış olabilir. Her iki salgın da aynı bulaşıcı etkene dayanmasına rağmen, bunlar ve kendi özelliklerinde bulunan diğer birçok farklılık, bilim adamlarının her birinin nasıl ilerlediğini nasıl modellediklerini yeniden çerçevelemek zorunda kalabilecekleri anlamına geliyor.

Bu özellikleri daha iyi anlamak için bilim adamlarının gerçek zamanlı verilere önemli yatırımlar yapmaları gerekiyor. Ulusal Hava Durumu Hizmetinin yılda 1 milyar doların üzerinde veri toplamak ve tahminlerde bulunmak için harcadığını düşünün. CDC, halk sağlığı istatistiklerine yalnızca dörtte birini harcıyor ve öngörme için özel bir bütçeye sahip değil.

Hastalık sürveyansı, bilimin en yüksek riskli alanlarından biri olmaya devam ediyor. Salgınların ve daha sorumlu verilerin toplanmasının altında yatan eşsiz koşullara dikkatle bakmak, binlerce can kazandırabilir.

Bu yazı, ilk olarak C. Brandon Ogbunu, Randall Harp ve Samuel V. Scarpino tarafından The Conversation'da yayınlandı. Orijinal makaleyi buradan okuyun.