Sljedeći ebola je teško predvidjeti, ali "Outbreak Forecasting" može pomoći

Dvogodišnji dječak u ruralnoj Gvineji umro je od ebole u prosincu 2014. Tijekom sljedeće dvije godine gotovo 30.000 ljudi u zapadnoj Africi bilo bi zaraženo virusom ebole.

Zašto je, za razliku od prethodnih 17 epidemija ebole, ova postala tako velika, tako brzo? Što se, ako išta, može učiniti kako bi se spriječile buduće epidemije? Ta pitanja, zajedno s mnogim drugim, nalaze se u središtu znanstvenog polja prognoziranja epidemija. A ulozi nisu mogli biti viši. U siječnju je Svjetski gospodarski forum nazvao pandemiju jednim od najvećih rizika za poslovni i ljudski život.

Tijekom posljednjih nekoliko stoljeća, znanstvenici su postajali sve bolji u predviđanju mnogih aspekata svijeta, uključujući orbitu planeta, oseku i tok plime i oseke, i puteve uragana. Sposobnost da se razumiju prirodni i fizički sustavi dovoljno dobro da bi se napravile točne prognoze možda je jedno od najvećih dostignuća čovječanstva.

Veliki dio tog uspjeha u prognoziranju počinje temeljnim uvidom Isaaca Newtona da postoje nepromjenjivi univerzalni zakoni koji upravljaju prirodnim fenomenima oko nas. Sposobnost brzog izvršavanja velikih izračuna potaknula je Newtonovu perspektivu da se, s obzirom na dovoljno podataka i računalnu snagu, mogu predvidjeti najsloženije pojave.

Međutim, postoje ograničenja. Kao znanstvenici koji proučavaju ovakve sustave predviđanja, sumnjamo da će biti moguće točno predvidjeti što će se sljedeće dogoditi u izbijanju bolesti, jer se najvažnije varijable mogu toliko promijeniti s jedne na drugu.

Zato je, kao i kod vremenske prognoze, prikupljanje podataka u stvarnom vremenu vjerojatno bitno za unapređenje sposobnosti znanstvene zajednice da predvidi izbijanje bolesti.

Kapriciozna epidemija

Ideja da znanstvenici mogu modelirati epidemije temelji se na ideji da je putanja svakog izbijanja predvidljiva zbog svojih unutarnjih i nepromjenjivih svojstava.

Recimo da je bolest uzrokovana transmisivnim patogenom. Infektivnost te bolesti može se inkapsulirati u broj koji se naziva "osnovni omjer reprodukcije", ili R0, broj koji opisuje koliko se široki patogen vjerojatno širi u određenoj populaciji.

Ako epidemiolozi znaju dovoljno o R0 patogena, nada je da oni mogu predvidjeti aspekte sljedećeg izbijanja - i nadamo se da će spriječiti epidemije malih razmjera da postanu epidemije velikih razmjera. To bi mogli učiniti mobiliziranjem resursa na područja gdje patogeni imaju posebno visoke vrijednosti R0. Ili mogu ograničiti interakcije između nositelja bolesti i najosjetljivijih članova određenog društva, često djece i starijih osoba.

Na taj se način R0 interpretira kao nepromjenjivi broj. No, moderne studije pokazuju da to nije slučaj.

Primjerice, razmislite o epidemiji virusa Žika. Za ovu bolest, R0 se kretao od 0,5 do 6,3. Ovo je izvanredan raspon, od bolesti koja će se sama raspršiti do one koja će uzrokovati dugotrajnu epidemiju.

Moglo bi se pomisliti da ovaj široki raspon vrijednosti R0 za Žiku proizlazi iz statističke nesigurnosti - da možda samo znanstvenicima treba više podataka. Ali to bi uglavnom bilo netočno. Za Ziku, bezbroj faktora, od klime i komaraca do prisutnosti drugih srodnih virusa poput denga i uloge seksualnog prijenosa, sve dovode do različitih vrijednosti R0 u različitim okruženjima.

Ispada da se obilježja epidemije - zaraznost patogena, brzina prijenosa, dostupnost cjepiva, i tako dalje - mijenjaju tako brzo tijekom jednog izbijanja da znanstvenici mogu predvidjeti dinamiku samo tijekom tog izbijanja, Drugim riječima, proučavanje izbijanja bolesti virusa ebole u travnju 2014. može pomoći znanstvenicima da shvate izbijanje ebole u istom okruženju sljedećeg mjeseca, ali to je često manje korisno za razumijevanje dinamike budućih epidemija ebole, kao što je ona koja se dogodila u svibnju 2018.

Epidemije često nisu uredne i povezane pojave. To su bučni događaji u kojima mnoge varijable igraju bitne, ali se mijenjaju, uloge. Ne postoji temeljna istina o bolesti - samo nestabilna zbirka detalja koja varira, često se zapleta, kako se bolest širi.

Bolja predviđanja

Ako se znanstvenici ne uvjere da mogu razumjeti epidemiološke sustave dovoljno dobro da bi mogli predvidjeti ponašanje srodnih, zašto se truditi proučavati ih?

Odgovor bi mogao biti u onome što nazivamo "mekom fizikom" predviđanja: Znanstvenici bi trebali prestati pretpostavljati da svako izbijanje slijedi ista pravila. Kada uspoređujete jednu epidemiju s drugom, trebali bi imati na umu sve kontekstualne razlike među njima.

Na primjer, biolozi su otkrili mnoge pojedinosti o infekcijama influence. Oni znaju kako se virusi vežu za stanice domaćina, kako se repliciraju i kako razvijaju otpornost na antivirusne lijekove. No, jedna epidemija mogla je početi kada je veliki broj stanovnika koristio javni prijevoz na određeni dan u mjesecu, dok je drugi mogao biti pokrenut od strane vjerske službe. Iako su oba izbijanja ukorijenjena u istom infektivnom agensu, ove i mnoge druge razlike u njihovim pojedinostima znače da će znanstvenici možda trebati preoblikovati način na koji modeliraju napredak svakog pojedinca.

Da bi bolje razumjeli ove pojedinosti, znanstvenicima su potrebna značajna ulaganja u real-time podatke. Uzmite u obzir da Nacionalna vremenska služba godišnje troši više od milijardu dolara na prikupljanje podataka i predviđanje. CDC troši samo četvrtinu sredstava na statistiku javnog zdravstva i nema namjenski proračun za predviđanje.

Nadzor bolesti i dalje je jedno od područja znanosti najvećih uloga. Pažljivim razmatranjem jedinstvenih okolnosti koje su u pozadini epidemija i odgovornijem prikupljanju podataka moglo bi se spasiti tisuće života.

Ovaj članak je izvorno objavljen na razgovoru C. Brandona Ogbunua, Randalla Harpa i Samuela V. Scarpina. Pročitajte izvorni članak ovdje.